Este proyecto se enfoca en descubrir patrones de comportamiento de usuario que no son evidentes a simple vista, utilizando datos exportados de Google Analytics de un caso real (SEAG). La metodología principal consistió en aplicar técnicas de clustering jerárquico no supervisado para segmentar a los usuarios y el contenido en grupos (clústeres) con características homogéneas.

 Se desarrollaron múltiples scripts en Python para analizar diversas dimensiones, entre ellas:

• La relación entre la hora de conexión y las páginas vistas por sesión.

• El comportamiento de los usuarios según su grupo de edad y sus horarios de actividad.

• La correlación entre la página de destino y la tasa de rebote.

• Segmentación de usuarios por la tecnología del navegador y sus patrones de uso.

El resultado es una serie de visualizaciones y clústeres definidos que permiten tomar decisiones estratégicas más informadas sobre optimización de contenido, mejora de la experiencia de usuario (UX) y personalización de campañas de marketing.

El script cuenta con dos modos de operación:

1. Modo Automatizado: Ejecuta el ciclo completo de descarga, parada, eliminación y levantamiento de todo el entorno de forma desatendida.

2. Modo Interactivo: Presenta un menú en la terminal que permite al usuario tener un control granular sobre cada acción (descargar un contenedor específico, listar imágenes, recuperar un único volumen, etc.). <br> El proyecto soluciona un problema real: simplificar los procesos de disaster recovery y facilitar la creación de entornos de staging idénticos a producción, reduciendo drásticamente el tiempo y los errores manuales.