Yachay Deep Analytics · en Yachay Deep Labs

Convierte cualquier dato en decisiones.

Sube tu Excel o conecta tu base y obtén tableros y reportes dinámicos — de cualquier sector: educación, turismo, empresa, salud o finanzas. Sin escribir código ni fórmulas complejas. Se integra dentro de tus apps o funciona en autoservicio.

Probar con mis datos Ver la galería de gráficos

Sin código ni fórmulas Cualquier sector Tus datos, en tu servidor

tablero · ventas_2026.xlsx

Ingresos

$ 1,24 M ▲ 8,3%

Clientes

3 480 ▲ 12%

Tendencia mensual

Por ciudad

Limpieza automática

«ventas por ciudad»

Pensado para cualquier sector: Educación Turismo Empresa Salud Finanzas Gobierno

Cómo funciona

De un archivo suelto a un tablero, en tres pasos

Un mismo sistema entiende la forma de tus datos y elige la mejor manera de mostrarlos.

Sube o conecta

Carga un Excel/CSV o conéctate a tu PostgreSQL. Limpiamos, normalizamos y detectamos las relaciones entre tablas —automáticamente.

Entiende y grafica

El perfilador infiere el tipo de cada columna y el resolver elige el gráfico correcto por la forma del dato. Tú no configuras nada.

Decide

Tableros interactivos con filtros cruzados, exportación y drill-down. Pregunta en tu idioma y obtén la métrica al instante.

Capacidades

Todo lo de una BI seria, sin su complejidad

La potencia de una BI seria, para tu caso — y embebible en tus propias apps.

Entiende y grafica solo

Infiere el tipo de cada columna y propone el tablero; el resolver elige el gráfico correcto por la forma del dato.

Sube o conecta datos

Limpia y normaliza tus Excel/CSV o consulta tu PostgreSQL. Detecta las relaciones entre tablas automáticamente.

Pregunta en tu idioma

Escribe «ventas por ciudad» y obtén el gráfico. Asistente con Cerebras/Kimi, interactivo y con la marca de tu producto.

Grafos de red

Redes de nodos con clúster y overlay continuo, estilizadas —para relaciones, co-ocurrencias y prerrequisitos.

Escala a big data

Consultas con pushdown a motores columnares (DuckDB, ClickHouse, BigQuery). Millones de filas en milisegundos.

Datos que no salen de casa

Índice ciego, k-anonimato y descifrado por hook: el paquete nunca guarda tus llaves. Multi-inquilino aislado.

Telemetría de producto

Mide el uso de tus apps: usuarios activos, pantallas y dispositivos. La app se analiza a sí misma, sin PII.

Estadística real e informes

No solo grafica: calcula estadística de verdad (tendencia con R², correlación, intervalos y margen de error) y redacta un informe con el resumen de cada gráfico.

Dos modos

Úsalo dentro de tus apps o como autoservicio

La misma casa de análisis, empaquetada por versión, o abierta para que cualquiera suba su data.

Embebido

Dentro de tus propias apps

Componentes React y motor Python versionados, como tu brand-kit.
Toma la marca de tu producto (color primario, tipografía).
Se instala por versión con tu gestor de paquetes (npm y pip).

Autoservicio

Sube tu data y obtén tableros

Arrastra un Excel/CSV o conecta una base y listo.
Tablero propuesto, métricas y relaciones detectadas solas.
Multi-inquilino con suscripciones bajo tu subdominio.

Abrir el Studio

Para equipos técnicos

Qué hay bajo el capó

Sin caja negra: así limpiamos los datos, calculamos y graficamos. Ábrelo para ver el detalle técnico.

Ver el detalle técnico

Limpieza y normalización de datos

La ingesta lee tu Excel/CSV con pandas: detecta y arregla encabezados desordenados, infiere y castea el tipo de cada columna (fechas, números, texto), interpreta montos en formato es-EC (1.234,56), elimina duplicados y normaliza los nombres de columna.

Después, un perfilador clasifica cada columna (temporal, categórica, numérica, identificador, booleana, geográfica o cifrada) y propone métricas y un tablero — sin que toques una fórmula.

Cálculos en Python (estadística real)

Se calculan con numpy y scipy — no se estiman a ojo: regresión OLS (pendiente, R², p), Mann-Kendall, intervalos de confianza (t de Student y Wilson), correlación de Pearson/Spearman, χ² y V de Cramér, ANOVA/Kruskal-Wallis, concentración (HHI, Gini) y margen de error.

Las agregaciones se resuelven con SQL empujado (pushdown) al motor — Postgres o columnar (DuckDB/ClickHouse/BigQuery), no en el navegador. Por eso escala a millones de filas.

Cómo se eligen y renderizan las gráficas

Un resolver mira la forma real del dato tras consultarlo (cardinalidad, tipo, dimensión temporal) y elige el gráfico correcto — barra, línea, dispersión, histograma, grafo — sin que lo configures.

Se renderiza con ECharts (canvas/SVG) en React, con una paleta validada para daltonismo: los colores se computan con un validador (luminosidad, croma, separación CVD y contraste) en claro y oscuro — no a ojo.

Arquitectura y contrato

Tres artefactos versionados: un contrato (TypeScript + JSON Schema), el cerebro en Python (motor, resolver, perfilador, estadística) y la cara en React. Métricas en un registro con SQL en lista blanca — sin lenguajes de fórmulas propietarios; las relaciones se detectan solas.

Se instala por versión (npm i, pip install) y se embebe en tus apps, o corre en autoservicio. Motor agnóstico vía SQLAlchemy: cambias el DSN y listo.

Seguridad, privacidad y escala

Multi-inquilino aislado (por base, esquema o fila). PII con índice ciego y k-anonimato; el paquete nunca guarda tus llaves — el descifrado ocurre por un hook que tú controlas. Los conteos de personas se suprimen si el grupo es diminuto (LOPDP).

Tus datos y tus llaves no salen de tu servidor. La escala viene del pushdown al motor columnar, no de traer todo al cliente.

Por qué compite con una BI tradicional

Se embebe dentro de tus productos con su marca; tus datos y llaves viven en tu servidor; sin lenguajes de fórmulas propietarios (preguntas en tu idioma); motor agnóstico con pushdown para gran escala; y abierto y versionado (npm/pip), auditable — no una caja negra con licencia por usuario.

Demos en vivo