Análisis de datos: de una pregunta difusa a una decisión que se puede defender
Analizar no es hacer gráficos. Es convertir una pregunta en evidencia suficiente, explicar sus límites y decidir qué acción merece esa evidencia.
Una herramienta no compensa una pregunta mal definida. Antes de abrir Excel, SQL, Python o Power BI, escribe la decisión, la unidad de análisis, el periodo y el criterio de éxito.
Seis etapas; ninguna empieza por el dashboard.
La secuencia es iterativa: una anomalía puede obligarte a volver a la definición o a la calidad del dato.
Pregunta
Decisión, población, periodo y comparación.
Contrato
Definiciones, propietario, origen y granularidad.
Calidad
Completitud, coherencia, validez y oportunidad.
Análisis
Método proporcional a la pregunta y los datos.
Comunicación
Hallazgo, incertidumbre, impacto y alternativa.
Decisión
Acción, responsable, fecha y aprendizaje.
No tiene que ser un documento complejo. Puede ser una ficha que fija qué significa cada campo, quién lo produce, cuándo se actualiza y qué calidad se espera.
El verbo de la pregunta revela el tipo de análisis.
Selecciona qué intentas conseguir y cuánta evidencia causal existe. Predecir no equivale a explicar; recomendar no equivale a decidir.
Una asociación observada puede orientar una investigación, pero no demuestra por sí sola que una variable causó la otra. Separa “coincide con” de “provoca”.
Una tabla, tres preguntas distintas.
Los ejemplos usan una tabla ficticia ventas. Cambia la pregunta y cambian la agregación, el denominador y la lectura.
Los resultados del laboratorio son didácticos y no describen una empresa real. Sirven para mostrar cómo una pregunta se traduce en consulta y tabla.
La mejor herramienta es la que deja el trabajo repetible.
| Herramienta | Úsala cuando | Fortaleza | Límite a vigilar |
|---|---|---|---|
| Hoja de cálculo | El conjunto es manejable y la exploración es rápida. | Accesible, visual y flexible. | Errores manuales y lógica difícil de auditar. |
| SQL | Los datos viven en una base relacional. | Consulta reproducible cerca de la fuente. | No sustituye modelado estadístico o comunicación. |
| Python / R | Necesitas transformar, modelar o automatizar. | Reproducibilidad y ecosistema analítico. | Requiere control de entorno, código y revisión. |
| BI | Varias personas consultan métricas recurrentes. | Modelo semántico, acceso y actualización. | Un dashboard puede institucionalizar una mala definición. |
| Notebook | Exploras y documentas código, resultados y narrativa. | Une método y explicación. | Orden de ejecución y dependencias ocultas. |
Lo que ocurre entre la pregunta y el gráfico.
Unidad de análisis y granularidad
Antes de calcular, define qué representa una fila: cliente, pedido, sesión o mes. Mezclar granularidades produce duplicados y denominadores falsos. Si unes pedidos con productos, un pedido con tres productos aparecerá tres veces; sumar su importe sin ajustar lo triplicará.
Tipos y calidad
Distingue categorías, números, fechas, texto y booleanos. Una columna numérica no siempre debe promediarse: un código postal es un identificador. Evalúa completitud, validez, coherencia, unicidad y oportunidad. “Limpiar” no significa borrar lo extraño, sino entenderlo y documentar la decisión.
Análisis exploratorio
Empieza con conteos, distribución, percentiles y segmentos. Busca cambios temporales, valores extremos y relaciones plausibles. La exploración genera preguntas; no convierte automáticamente patrones en conclusiones. Separa lo que observaste de la explicación que todavía debes comprobar.
Métricas y denominadores
Una tasa siempre necesita numerador, denominador y ventana. “Conversión” puede significar compras por sesión, por usuario o por lead. Define cancelaciones, bots, devoluciones y zona horaria. Una definición estable vale más que un dashboard vistoso.
Asociación, predicción y causalidad
Dos variables pueden moverse juntas por coincidencia, una causa común o influencia directa. Un modelo predictivo puede acertar sin explicar el mecanismo. Si la decisión requiere saber qué ocurrirá al intervenir, considera experimento, diseño cuasiexperimental o una afirmación más modesta.
Incertidumbre
No todas las diferencias son materialmente importantes. Muestra tamaño de muestra, variabilidad y sensibilidad a supuestos. Una cifra con muchos decimales no es necesariamente precisa. Cuando faltan datos, explica a quién puede dejar fuera el análisis.
Del hallazgo a la decisión
La salida debe contener contexto, evidencia, impacto, alternativas y siguiente acción. Conserva un apéndice con definiciones y método. Después de actuar, mide si la decisión produjo el resultado esperado; así el análisis se convierte en aprendizaje.
Un ejemplo de principio a fin.
Una tienda observa menos pedidos. Define la pregunta: “¿Qué segmentos explican la caída semanal de pedidos confirmados?”. Fija pedido confirmado, semana, canal y dispositivo. Comprueba cambios de tracking y duplicados. Calcula sesiones, conversión y valor medio frente a cuatro semanas comparables.
El análisis detecta que la caída se concentra en móvil después de un cambio de checkout. Esto sigue siendo asociación temporal. La recomendación es revisar errores técnicos y ejecutar una prueba controlada de la versión anterior. El informe incluye impacto estimado, incertidumbre y fecha de revisión. La decisión se mide con pedidos válidos, no con clics.
¿Qué herramienta aprendo primero?
Empieza con la que te permita completar un problema real. Hojas de cálculo para explorar, SQL para consultar, BI para compartir y Python/R para transformar o modelar.
¿Cuándo está terminado un análisis?
Cuando la evidencia y sus límites permiten decidir, existe un responsable y se ha definido cómo comprobar el resultado de la acción.
Documentación antes que atajos virales.
Consulta la selección y agrupación en el tutorial oficial de PostgreSQL, la guía inicial de pandas, la introducción de Microsoft Power BI y el marco de calidad estadística de Eurostat.
Se han eliminado metáforas y porcentajes populares sin una fuente comparable —como “el 80% del tiempo es limpiar” o “el 90% de los datos se creó en dos años”— porque no enseñan a analizar mejor.
Cómo aprender sin acumular cursos inconexos.
Un proyecto, varias iteraciones
Elige una pregunta pequeña y trabaja con una tabla manejable. Primera iteración: define y describe. Segunda: añade segmentos y calidad. Tercera: automatiza la consulta. Cuarta: crea una presentación para una persona concreta. Mantén las versiones para mostrar cómo cambió tu criterio.
Revisión por pares
Pide que otra persona encuentre el origen de una cifra, ejecute el proceso y cuestione una conclusión. Los comentarios sobre claridad y reproducibilidad son tan valiosos como corregir código.
Documentación mínima
Incluye objetivo, fuente, diccionario, pasos, resultados, límites y cómo ejecutar. Guarda consultas y transformaciones. Si existe un paso manual, descríbelo. La documentación evita que un análisis útil se convierta en conocimiento personal imposible de mantener.
Comunicar según la audiencia
Un analista necesita método y detalle; dirección necesita impacto y decisión; operaciones necesita acción y frecuencia. No cambies la verdad, cambia la profundidad y el orden.