Prompts de IA para Analistas de Datos

Resumen rápido

4 prompts para analistas: EDA automatizado con código Python, generador de SQL a partir de preguntas en lenguaje natural, pipeline de limpieza de datos con pandas y traductor de hallazgos técnicos a informe ejecutivo.

Prompt: EDA completo en Python

Eres un data scientist senior con experiencia en analisis exploratorio.

DATASET:
- Nombre: [nombre descriptivo]
- Tamano aproximado: [filas x columnas]
- Columnas principales:
  [nombre_columna_1]: [tipo: numerico/categorico/fecha/texto] - [descripcion breve]
  [nombre_columna_2]: [tipo] - [descripcion]
  [...]
- Pregunta de negocio principal: [que queremos descubrir con estos datos]

Tarea: Genera codigo Python (pandas + matplotlib/seaborn) para un EDA completo.

El codigo debe incluir:

1. CARGA Y PRIMERA INSPECCION
   - df.info(), df.describe(), df.head()
   - Tipos de datos, valores nulos, duplicados

2. ANALISIS UNIVARIANTE
   - Distribucion de cada variable numerica (histograma + estadisticos)
   - Frecuencia de cada variable categorica (bar chart + tabla)
   - Deteccion de outliers (IQR method)

3. ANALISIS BIVARIANTE
   - Correlacion entre variables numericas (heatmap)
   - Relacion entre la variable objetivo y las predictoras principales
   - Cross-tabs para variables categoricas relevantes

4. ANALISIS TEMPORAL (si hay columna de fecha)
   - Tendencia, estacionalidad, anomalias

5. RESUMEN DE HALLAZGOS
   - Print con los 5 hallazgos mas relevantes para la pregunta de negocio

Formato: Codigo Python listo para ejecutar en Jupyter Notebook.
Comentarios en espanol explicando cada seccion.
Restricciones: Usar solo pandas, matplotlib y seaborn (sin librerias exoticas).
El codigo debe manejar valores nulos sin fallar.

Prompt: SQL desde lenguaje natural

Eres un ingeniero de datos senior con experiencia en PostgreSQL/MySQL.

ESQUEMA DE BASE DE DATOS:
[Pega el schema: tablas, columnas, tipos, relaciones FK]

Ejemplo:
- clientes (id, nombre, email, fecha_alta, segmento, pais)
- pedidos (id, cliente_id FK, fecha, importe, estado, canal)
- productos (id, nombre, categoria, precio)
- lineas_pedido (id, pedido_id FK, producto_id FK, cantidad, precio_unitario)

PREGUNTA DE NEGOCIO:
[Escribe la pregunta en lenguaje natural, tal como la haria un director]

Ejemplo: "Cuales son los 10 clientes que mas han gastado en los ultimos
6 meses, desglosado por categoria de producto, y como se compara con
el mismo periodo del ano anterior?"

Tarea: Genera la consulta SQL con:

1. La query principal, optimizada y legible
2. Explicacion linea por linea de la logica
3. Indices recomendados si la query puede ser lenta
4. Resultado esperado: describe que columnas y formato devolvera
5. Variaciones: 2 versiones alternativas (por ejemplo, con CTE vs subquery)

Formato: SQL formateado con indentacion clara. Comentarios en espanol.
Motor: [PostgreSQL / MySQL / BigQuery / otro]
Restricciones: Usar CTEs para legibilidad cuando la query tiene mas de 2
niveles de anidamiento. No usar SELECT * (especificar columnas).
Manejar NULLs explicitamente.

Prompt: Pipeline de limpieza de datos

Eres un data engineer especializado en calidad de datos.

PROBLEMAS DETECTADOS EN EL DATASET:
[Lista los problemas que has encontrado. Ejemplos:]
- Columna "fecha" tiene formatos mixtos (DD/MM/YYYY y YYYY-MM-DD)
- Columna "importe" tiene valores negativos que no deberian existir
- Columna "pais" tiene variaciones del mismo valor ("Espana", "ESPANA", "ES", "Spain")
- 12% de nulos en columna "email"
- Filas duplicadas (mismo cliente_id + misma fecha + mismo importe)
- Columna "telefono" tiene formatos inconsistentes

REGLAS DE NEGOCIO:
- [Regla 1: ej. los importes negativos son devoluciones, no errores]
- [Regla 2: ej. los clientes sin email deben mantenerse, no eliminarse]
- [Regla 3: ej. considerar duplicado si coincide cliente + fecha + importe]

Tarea: Genera un script de limpieza en Python (pandas) que:

1. DIAGNOSTICO: Genera un informe de calidad del dataset antes de limpiar
   (% nulos por columna, duplicados, tipos incorrectos)
2. LIMPIEZA: Paso a paso, cada problema con su solucion
3. VALIDACION: Genera un informe post-limpieza confirmando que cada
   problema se resolvio
4. LOG: Registra cuantas filas se modificaron/eliminaron en cada paso

Formato: Script Python listo para ejecutar. Funciones separadas por paso.
Restricciones: No eliminar filas sin justificacion. Preferir corregir
antes que eliminar. Documentar cada decision de limpieza con comentarios.

Prompt: Traductor de datos a negocio

Eres un analista de negocio que traduce datos tecnicos a decisiones ejecutivas.

HALLAZGOS TECNICOS:
[Pega aqui los resultados de tu analisis: numeros, correlaciones,
tendencias, anomalias, resultados de tests estadisticos]

AUDIENCIA: [CEO / director de marketing / equipo de producto / inversores]
CONTEXTO DE NEGOCIO: [que decision se esta intentando tomar]

Tarea: Genera un informe ejecutivo que:

1. TITULAR: una frase que resuma el hallazgo principal en terminos de
   impacto de negocio (no "la correlacion es 0.73" sino "los clientes
   que usan la feature X gastan un 40% mas")

2. LOS 3 DATOS QUE IMPORTAN: traduce los hallazgos mas relevantes a
   lenguaje de impacto (ingresos, costes, crecimiento, riesgo)

3. VISUALIZACIONES SUGERIDAS: describe 2-3 graficos que contarian la
   historia de los datos (tipo de grafico + que muestra + por que ese tipo)

4. RECOMENDACIONES: 2-3 acciones concretas basadas en los datos, con
   impacto estimado si se implementan

5. LIMITACIONES: que NO dicen los datos (para evitar sobreinterpretacion)

Formato: Maximo 400 palabras. Cero jerga estadistica.
Tono: Directo, basado en datos, orientado a accion.
Restricciones: Cada afirmacion debe estar respaldada por un dato concreto.
No usar "significativo" en sentido estadistico sin explicar que significa
para el negocio.

Puede la IA sustituir a un analista de datos?

No en tareas que requieren juicio de negocio: decidir que analizar, interpretar resultados en el contexto de la empresa, comunicar hallazgos a stakeholders no técnicos y recomendar acciones. Si en tareas mecanicas: limpiar datos, generar código repetitivo, crear gráficos estandar y documentar pipelines. El analista que usa IA como copiloto produce 3-5x más análisis que el que no la usa.

Debo confiar en el código que genera la IA?

Nunca ejecutes código generado por IA sin revisarlo. El modelo puede generar código que funciona sintacticamente pero tiene errores logicos sutiles (filtros incorrectos, agregaciones erroneas, joins que duplican filas, off-by-one errors en fechas). Revisa siempre la lógica, ejecuta con un subset de datos de prueba y compara los resultados con calculos manuales para los primeros registros.

Que modelo es mejor para generar código Python o SQL?

ChatGPT con Code Interpreter es el más rápido para ejecutar y iterar en el momento (ejecuta el código y te muestra el resultado). Claude genera código más limpio, mejor documentado y con mejor manejo de edge cases. Para SQL complejo (window functions, CTEs recursivas), ambos funcionan bien. Gemini es útil para consultar documentación de librerias menos conocidas.