¿De qué trata el proyecto?
Foodcast es una solución digital que promueve un presupuesto familiar inteligente, utilizando datos abiertos para anticipar variaciones en el Índice de Precios al Consumidor (IPC) alimentario.
Desarrollada por Isabel Catalán en el marco del programa AWS re/Start, esta herramienta aplica modelos estadísticos ARIMA sobre datos históricos del Instituto Nacional de Estadísticas (INE) para predecir el comportamiento de productos clave de la canasta básica, como la marraqueta, el queso chanco, el truto de pollo y los huevos, facilitando así una mejor planificación financiera en los hogares de la Región Metropolitana de Chile.
¿Cuál problema viene a resolver?
Las familias enfrentan gran incertidumbre sobre los precios de los alimentos, especialmente en contextos de:
- Inflación persistente.
- Cambios abruptos por factores externos (clima, conflictos internacionales, pandemias).
- Falta de herramientas públicas y fáciles de usar para anticipar estas variaciones.
El resultado es una planificación financiera deficiente que puede afectar directamente la seguridad alimentaria de los hogares, sobre todo en sectores más vulnerables.
¿Cuál es la solución?
Foodcast propone una plataforma de pronóstico alimentario, que permite:
- Predecir el precio de alimentos específicos con base en series temporales de datos reales desde 2019 hasta 2025.
- Visualizar tendencias mensuales con gráficos interactivos.
- Anticipar aumentos o estabilidad de precios.
- Ayudar a las personas a planificar su gasto en alimentación.
Además, plantea un enfoque escalable para futuras versiones, que incluirían modelos más avanzados de aprendizaje automático y una app web o móvil con acceso masivo.
¿Cómo fue construido?
Análisis y modelado de datos:
Modelo ARIMA (AutoRegressive Integrated Moving Average):
- Captura diferencias mensuales y evita el sobreajuste.
- Utilizado como aproximación inicial por su solidez y simplicidad interpretativa.
Datos abiertos del INE (2019-2025):
- Alimentos seleccionados por su impacto en el presupuesto chileno.
- Series temporales limpias, procesadas y estandarizadas.
Herramientas utilizadas:
- Python + Pandas: Limpieza y manipulación de datos.
- Plotly + Jupyter Notebook: Visualización interactiva de resultados.
- PaddleOCR (futuro): Para escaneo de etiquetas de precios.
Arquitectura AWS (versión 2):
- AWS Lambda: Procesamiento bajo demanda.
- Amazon S3: Almacenamiento de datasets.
- Amazon API Gateway: Exposición del backend.
- Amazon Cognito: Autenticación de usuarios.
- Amazon CloudWatch: Monitoreo y logs.
Resultados:
- Alta precisión en productos como la marraqueta y el queso.
- Mayor error en productos volátiles como el pollo y los huevos, afectado por eventos como la gripe aviar.
- Propuesta sólida como mínimo producto viable (MVP) para evolución futura.
