Prompts para análisis de datos: 8 plantillas

La regla de oro: da los datos tú

Nunca le pidas a la IA que "busque" datos. Copia los datos en el prompt. Los LLMs alucinan cuando no tienen información. Si le das los datos, puede analizarlos. Si le pides que los busque, los inventa.

Este principio es especialmente crítico con datos numéricos. Un LLM puede inventar cifras que parecen plausibles pero son completamente ficticias. Cuando le proporcionas los datos reales, su capacidad de análisis, detección de patrones y generación de insights es genuinamente útil. La clave es siempre proporcionar la fuente.

Un tip importante: si tu dataset tiene más de 100 filas, incluye un resumen de la estructura al inicio del prompt. Algo como "Dataset: 1.200 filas, columnas: fecha, producto, región, unidades, revenue. Período: enero-diciembre 2025". Esto ayuda al modelo a orientarse antes de procesar los datos.

1. Análisis de ventas

Eres un analista de ventas B2B.
Analiza estos datos de ventas [pegar tabla/CSV].

Genera:
1. Resumen ejecutivo (3 líneas)
2. Top 5 productos por revenue
3. Variación vs [período anterior] (%)
4. 3 tendencias principales
5. 2 recomendaciones accionables

Formato: markdown con tablas.
Si un dato no se puede calcular con la info dada, dilo.

La última línea es clave: "Si un dato no se puede calcular con la info dada, dilo". Sin esta restricción, el modelo puede inventar datos que faltan en lugar de señalar que no tiene suficiente información. Es una buena práctica incluir esta cláusula en cualquier prompt de análisis.

Para un análisis más profundo, puedes encadenar un segundo prompt después de obtener los resultados iniciales:

Basándote en el análisis anterior, profundiza en:
1. Productos con caída de revenue >10%: posibles causas
2. Correlación entre región y rendimiento por producto
3. Estacionalidad: hay meses con patrones recurrentes?
4. Ticket medio por segmento de cliente (si los datos lo permiten)

No inventes datos. Si no hay suficiente información, dilo.

2. Detectar tendencias

Analiza esta serie temporal [pegar datos con fechas]:

1. Identifica tendencia general (creciente/decreciente/estable)
2. Detecta estacionalidad (si existe)
3. Señala puntos de inflexión con fecha
4. Proyecta los próximos 3 periodos (con advertencia de incertidumbre)

Formato: tabla con columnas Periodo | Valor | Tendencia | Nota

Las series temporales son uno de los puntos fuertes del análisis con IA. El modelo puede detectar patrones estacionales, identificar cambios de tendencia y señalar outliers de forma rápida. Pero recuerda: las proyecciones de un LLM no son modelos estadísticos formales. Son estimaciones basadas en patrones observados, útiles para una primera aproximación pero no para decisiones financieras críticas.

Para datos con alta estacionalidad (retail, turismo, alimentación), añade este contexto al prompt:

Contexto adicional para el análisis de tendencias:
- Sector: retail de moda
- Picos conocidos: Black Friday (noviembre), rebajas (enero, julio)
- Factor externo relevante: se abrió nueva tienda en marzo 2025

Ajusta el análisis de tendencia teniendo en cuenta estos factores.
Separa crecimiento orgánico de efectos puntuales.

3. Encontrar anomalías

Revisa estos datos [pegar] y encuentra anomalías:

1. Valores que se desvían más de 2 desviaciones estándar
2. Cambios bruscos entre periodos consecutivos (>30%)
3. Valores faltantes o inconsistentes

Para cada anomalía: fila afectada, valor, por qué es anómalo, posible causa.
Formato: tabla markdown.

La detección de anomalías es especialmente valiosa para auditorías, control de calidad y monitorización. Un analista humano puede tardar horas en revisar un dataset con 500 filas buscando inconsistencias. La IA lo hace en segundos y suele detectar patrones que un humano pasaría por alto, como correlaciones entre columnas que no deberían existir o secuencias numéricas que saltan.

4. Dashboard de KPIs

Con estos datos [pegar], genera un dashboard ejecutivo:

KPIs a calcular:
- Revenue total y MoM growth
- Ticket medio
- Conversion rate (si hay datos)
- Top performer (producto/persona/región)
- Peor performer

Formato: cada KPI con valor, tendencia (arriba/abajo/estable), y contexto en 1 línea.
Resumen final: 1 párrafo de 3 líneas para el CEO.

Para dashboards recurrentes (reportes semanales o mensuales), guarda el prompt como plantilla y solo cambia los datos cada vez. Si usas Claude Projects o Custom GPTs, puedes preconfigurarlo como un asistente especializado que siempre genera el dashboard en el mismo formato.

5. Comparar periodos

Compara estos dos periodos [pegar datos P1 y P2]:

1. Diferencia absoluta y porcentual por métrica
2. Qué métricas mejoraron y cuáles empeoraron
3. Métrica con mayor cambio positivo y negativo
4. 2 hipótesis para explicar los cambios principales

Formato: tabla comparativa P1 | P2 | Diferencia | %Cambio | Dirección

La comparación entre periodos es probablemente el análisis más solicitado en cualquier empresa. Lo que hace valioso este prompt es que no solo calcula las diferencias (eso lo hace Excel), sino que genera hipótesis sobre las causas. Un LLM puede cruzar el contexto del negocio con los datos para sugerir explicaciones plausibles.

Para comparaciones más sofisticadas, puedes pedir análisis de cohortes:

Compara el rendimiento de estas 3 cohortes de clientes:
- Cohorte A: clientes adquiridos en Q1 [pegar datos]
- Cohorte B: clientes adquiridos en Q2 [pegar datos]
- Cohorte C: clientes adquiridos en Q3 [pegar datos]

Para cada cohorte:
1. Retención a 30, 60 y 90 días
2. Revenue acumulado por cliente
3. Tasa de upgrade/downgrade
4. Cohorte con mejor LTV proyectado

Visualiza con tabla comparativa. Identifica qué cambió entre Q1 y Q3
que explique las diferencias.

6-8. Más plantillas

Todos estos prompts usan el framework de 7 componentes. Guárdalos en tu prompt library y versiónalos.

Prompts para limpieza de datos

Antes de analizar datos, casi siempre necesitas limpiarlos. Estos prompts te ayudan a preparar un dataset para análisis:

Eres un data engineer. Revisa este dataset [pegar] y genera
un informe de calidad de datos:

1. Completitud: % de valores nulos por columna
2. Consistencia: formatos diferentes para el mismo tipo de dato
   (ej: "01/03/2025" vs "2025-03-01" vs "1 marzo 2025")
3. Duplicados: filas que parecen repetidas (exactas o fuzzy)
4. Tipos de dato: columnas numéricas con texto, fechas como texto
5. Rangos: valores que caen fuera de rangos razonables

Para cada problema encontrado, sugiere el fix específico.
Formato: tabla con columnas Problema | Columna | Filas afectadas | Fix

Otro prompt útil para estandarizar datos antes de cruzar múltiples fuentes:

Tengo dos datasets que necesito cruzar [pegar ambos o describirlos]:

1. Identifica la clave de unión (columna común)
2. Detecta inconsistencias en la clave (ej: "Empresa S.L." vs "Empresa SL")
3. Sugiere una tabla de mapeo para normalizar valores
4. Indica qué registros del dataset A no tienen match en B y viceversa
5. Propón el schema del dataset combinado

No modifiques los datos: solo diagnostica y sugiere.

Prompts para visualización

Los LLMs no generan gráficos directamente (salvo ChatGPT con Code Interpreter), pero pueden generar el código para crearlos o recomendar el tipo de visualización más adecuado.

Tengo estos datos [pegar]. Necesito presentarlos en un dashboard:

1. Para cada métrica, recomienda el tipo de gráfico más adecuado
   (barras, línea, pie, scatter, heatmap, etc.) y justifica por qué
2. Sugiere agrupaciones o filtros que faciliten la lectura
3. Genera el código Python (matplotlib o plotly) para crear cada gráfico
4. Incluye títulos, labels de ejes, y paleta de colores profesional

Contexto: la audiencia son directivos no técnicos.

Si usas ChatGPT Plus con Code Interpreter, puedes subir el archivo directamente y pedir: "Genera un dashboard visual con estos datos. Incluye gráficos de barras para comparativas, líneas para tendencias y un resumen ejecutivo." El modelo ejecutará código Python internamente y te devolverá los gráficos como imágenes descargables.

Con Claude, puedes generar código para herramientas como Google Sheets, Excel, Plotly o D3.js. Un prompt efectivo:

Con estos datos [pegar], genera las fórmulas de Google Sheets para:
1. Tabla dinámica con revenue por producto y mes
2. Gráfico de líneas con tendencia de los últimos 12 meses
3. Formato condicional: verde si MoM growth >0, rojo si <0
4. Celda con sparkline para cada producto

Formato: instrucciones paso a paso con fórmulas exactas listas para copiar.

Herramientas: dónde usar estos prompts

Cada herramienta de IA tiene fortalezas distintas para análisis de datos:

ChatGPT Plus con Code Interpreter: la opción más completa. Puedes subir archivos Excel, CSV o JSON directamente. El modelo ejecuta código Python en un sandbox, genera gráficos y devuelve archivos procesados. Ideal para análisis exploratorio, visualización y transformación de datos.

Claude (web y API): excelente para análisis de datasets que caben en el contexto (hasta 1M tokens en Opus). Su ventaja es la capacidad de razonamiento largo: puede mantener coherencia analizando documentos extensos. Acepta archivos adjuntos en la versión web. Ideal para análisis que requieren razonamiento complejo o cruzar múltiples documentos.

Gemini con Google Sheets: integración nativa con el ecosistema Google. Puedes usar Gemini directamente dentro de Sheets para analizar datos in-situ. Ventaja: no necesitas copiar datos, trabaja directamente sobre tu hoja de cálculo. Ideal para equipos que ya viven en Google Workspace.

Claude Code (terminal): si tus datos están en archivos locales o bases de datos, Claude Code puede leerlos directamente, ejecutar análisis y generar código. Con MCP de PostgreSQL puedes consultar bases de datos en tiempo real. Ideal para equipos técnicos que prefieren trabajar en terminal.

Preguntas frecuentes