Dashboard interactivo en Power BI que analiza el meta competitivo de League of Legends usando datos reales de Oracle Elixir (Season 2026). Pipeline de datos en Python + DuckDB que transforma el dataset crudo en un modelo estrella listo para BI.
- ¿Qué campeones dominan el meta por liga, split y patch?
- ¿Qué combinaciones de dúos tienen mayor winrate?
- ¿Qué objetivos son más decisivos para ganar un partido?
- ¿Cómo evoluciona el meta entre patches?
Tabla completa de campeones con picks, bans, presence% y winrate. Top campeones por winrate y por games jugados. Distribución de campeones únicos por patch.
Análisis por rol con scatter de Pickrate% vs Winrate% y evolución del meta por patch. Filtro interactivo por rol (top/jng/mid/bot/sup).
Top dúos por winrate con splash arts automáticos del mejor dúo según el filtro activo.
Impacto de gold diff @15 por posición, winrate por primer objetivo y dominancia de early game por liga.
Oracle Elixir CSV -> Python (DuckDB) -> Parquet -> Power BI
| Etapa | Herramienta | Descripción |
|---|---|---|
| Extracción | Python + DuckDB | Lee el CSV y construye el modelo estrella con SQL |
| Transformación | SQL (CTEs, window functions) | Métricas de meta, sinergias, early game |
| Carga | Parquet | Exportación optimizada para Power BI |
| Visualización | Power BI Desktop | Dashboard interactivo de 4 páginas |
Dim_Champion -> catálogo de campeones con rol principal
Dim_Game -> catálogo de partidos
Dim_League -> ligas y regiones
Dim_Date -> tabla de fechas
Fact_ChampionStats -> picks/bans/presence/winrate por league+split+patch
Fact_PlayerGame -> rendimiento individual por partida
Fact_TeamGame -> objetivos y resultado por equipo
Fact_DraftPick -> picks unpivoteados (pick1-5)
Fact_DraftBan -> bans unpivoteados (ban1-5)
Fact_Synergies_Duo -> dúos con winrate y pickrate
pip install -r requirements.txt- Descarga el CSV más reciente desde Oracle's Elixir
- Reemplaza
data/raw/oracles_elixir_latest.csv - Ejecuta el pipeline:
python scripts/01_build_db.py
python scripts/02_validate.py- Actualiza Power BI — los Parquet en
data/processed/parquet/se recargan automáticamente.
lol-meta-analytics/
├── scripts/
│ ├── 01_build_db.py # Pipeline principal: CSV -> DuckDB -> Parquet
│ ├── 02_validate.py # Validación de integridad de los datos
│ └── 03_check.py # Chequeos rápidos
├── data/ # Datos locales (gitignored)
│ ├── raw/ # CSV de Oracle Elixir
│ └── processed/ # DuckDB + Parquet generados
├── docs/screenshots/ # Capturas del dashboard
├── lol_meta_analytics.pbix # Dashboard de Power BI
├── requirements.txt
└── README.md
Los datos (
data/) no se incluyen en el repositorio por tamaño y se regeneran ejecutando el pipeline.
- Python 3 — lógica del pipeline
- DuckDB — base de datos analítica con SQL avanzado
- Pandas — transformación de datos
- Parquet — formato columnar optimizado para BI
- Power BI Desktop — visualización y medidas DAX
- Oracle Elixir — fuente de datos (Season 2026, ~34 ligas, ~3,400 partidos)
Alexis Zapata — Analista de Datos con 6 campañas en agroindustria peruana (Virú Group, 2020-2025), con foco progresivo en reportería y análisis. Bachiller en Ingeniería Informática (UNP). Construyendo portafolio público con stack de datos moderno.
- LinkedIn: alexiszapata19
- GitHub: @szkad
- piquillo-bi-platform-peru — Plataforma BI end-to-end con SQL Server DW, ETL y Power BI con Row-Level Security.
- climate-lakehouse-pe — Lakehouse moderno con arquitectura medallion (DuckDB + Parquet) y forecasting con Prophet.
MIT — ver LICENSE.