---
id: "US-SCR-003"
title: "Normalizacion de datos de multiples fuentes"
type: "User Story"
epic: "IAI-007"
status: "Draft"
story_points: 8
priority: "Alta"
project: "inmobiliaria-analytics"
created_date: "2026-01-04"
updated_date: "2026-01-04"
---

# US-SCR-003: Normalizacion de datos de multiples fuentes

---

## User Story

**Como** sistema de analytics
**Quiero** que los datos de diferentes portales se normalicen a un schema unificado
**Para** poder realizar analisis consistentes independientemente de la fuente

---

## Descripcion

Implementar el pipeline ETL que transforma datos raw de cada portal al schema normalizado, incluyendo limpieza de datos, geocoding, calculo de metricas derivadas y deteccion de duplicados.

---

## Criterios de Aceptacion

### Funcionales

- [ ] Tipos de propiedad se mapean a enum unificado
- [ ] Precios se convierten a formato numerico estandar
- [ ] Direcciones se geocodifican a lat/lon
- [ ] Duplicados cross-source se detectan y fusionan
- [ ] Precio por m2 se calcula automaticamente

### Calidad de Datos

- [ ] 95%+ de registros tienen geocoding exitoso
- [ ] 0% de precios con formato incorrecto
- [ ] Duplicados detectados con precision > 98%

---

## Transformaciones

```yaml
transformaciones:
  precio:
    input: "$3,500,000 MXN" | "3.5 millones"
    output: 3500000.00
    pasos:
      - remove_currency_symbols
      - expand_abbreviations
      - to_decimal

  tipo_propiedad:
    input: "Casa en Venta" | "Casa" | "Residencia"
    output: "house"
    pasos:
      - lowercase
      - normalize_synonyms
      - map_to_enum

  ubicacion:
    input: "Col. Providencia, Guadalajara, Jal."
    output:
      neighborhood: "Providencia"
      city: "Guadalajara"
      state: "Jalisco"
    pasos:
      - parse_address_components
      - normalize_state_names
      - geocode_to_coordinates
```

---

## Reglas de Deduplicacion

```yaml
deduplicacion:
  estrategia_primaria:
    match: source_id + source
    accion: update

  estrategia_fallback:
    match:
      - address_normalized
      - price +/- 5%
      - type
      - size +/- 10%
    accion: merge

  merge_policy:
    precio: most_recent
    descripcion: longest
    fotos: union
    first_seen: oldest
    last_seen: newest
```

---

## Tareas Tecnicas

| # | Tarea | Estimacion |
|---|-------|------------|
| 1 | Parser de precios robusto | 3h |
| 2 | Normalizador de tipos | 2h |
| 3 | Integracion geocoding API | 4h |
| 4 | Algoritmo de deduplicacion | 6h |
| 5 | Calculo de metricas derivadas | 2h |
| 6 | Tests unitarios | 4h |

**Total estimado:** 21h (~3 dias)

---

## Definition of Done

- [ ] Pipeline procesa 1000 propiedades/hora
- [ ] Metricas de calidad cumplen objetivos
- [ ] Tests de transformacion pasan
- [ ] Documentacion de mappings completa

---

**Asignado a:** -
**Sprint:** -