Tenés las ventas en el TPV, los pedidos en el WhatsApp y los gastos en una hoja que actualiza «el que se acuerda». Datos te sobran; lo que suele faltar es la pregunta. El análisis de datos es el trabajo de convertir esa pregunta en una respuesta útil para decidir: definir qué querés saber, juntar y limpiar los datos, calcular lo justo y explicar hasta dónde llega la conclusión. En España ya lo hace el 47,1 % de las empresas de 10 o más personas, más que la media europea; entre las microempresas, una de cada diez.1 Esta guía te da los fundamentos: el proceso en cinco pasos, los cuatro tipos de análisis, un checklist de calidad y los errores más caros.
Qué es el análisis de datos
Analizar datos es usar registros (ventas, visitas, reseñas, horas) para contestar una pregunta con la evidencia justa y decir hasta dónde llega la respuesta. O sea: el cálculo es la mitad del trabajo; la otra mitad es poder defenderlo cuando alguien pregunta «¿y esto de dónde sale?». La diferencia entre un análisis y un gráfico bonito casi siempre está en la pregunta:
¿Cómo van las ventas?
Cualquier gráfico la «contesta», así que ninguno sirve para decidir.
¿Qué tiendas explican la caída de pedidos confirmados de septiembre, frente a la media de junio, julio y agosto? Decisión: dónde reforzar stock y personal antes de diciembre.
Tiene decisión, población, periodo y comparación.
Una pregunta analizable tiene cuatro piezas: la decisión que depende de ella, la población (qué clientes, qué tiendas), el periodo y contra qué comparás. Si falta una, el análisis se estira como una reunión sin orden del día: todos opinan, nadie decide y se convoca otra.
El proceso de análisis de datos en cinco pasos
Los manuales le ponen nombres distintos, pero el recorrido es este:
- PreguntaQué decisión depende de la respuesta
- DatosDe dónde salen y qué significa cada columna
- CalidadCompletos, sin duplicados y a tiempo
- AnálisisEl método más simple que conteste
- DecisiónQuién hace qué y cuándo se revisa
El paso que más se saltea es el segundo: escribir qué significa cada campo, quién lo carga y cada cuánto se actualiza. En los equipos de datos lo llaman contrato de datos; o sea, el prospecto del medicamento: aburrido, pero te dice qué hay adentro y con qué no mezclarlo. En una pyme alcanza con media página compartida.
El recorrido va y vuelve: si en el paso cuatro aparece un número raro, volvés al dos a preguntar quién cargó ese dato. Y el quinto es el único con nombre y apellido: una persona decide, con fecha de revisión. Si no hay decisión posible, lo que hiciste fue curiosidad. Está bien, pero conviene saberlo antes de dedicarle una semana.
Los cuatro tipos de análisis de datos
La clasificación más usada separa cuatro preguntas. La popularizó la consultora Gartner, que la publicó en 2014 como los «cuatro tipos de capacidad analítica».2
| Tipo | Pregunta | Ejemplo en una pyme | Qué necesitás |
|---|---|---|---|
| Descriptivo | ¿Qué pasó? | Ventas por semana, canal y producto | Definiciones claras y datos limpios |
| Diagnóstico | ¿Por qué pasó? | La caída se concentra en pedidos desde el móvil | Segmentar y descartar otras explicaciones |
| Predictivo | ¿Qué va a pasar? | Cuántos pedidos esperar en diciembre | Historia suficiente y medir cuánto se equivoca |
| Prescriptivo | ¿Qué conviene hacer? | Cuánto stock pedir con esa previsión | Objetivo, restricciones y alguien que asuma el riesgo |
En el dibujo original de Gartner, una franja se achica de arriba abajo: es el aporte humano entre el dato y la decisión. En el descriptivo, una persona interpreta casi todo; en el prescriptivo, la decisión puede quedar automatizada. O sea, cuanto más subís, más confiás en el modelo y más caro sale que se equivoque sin que nadie se entere.
Subir de tipo tampoco es obligatorio: un descriptivo bien hecho cada lunes contesta la mayoría de las preguntas de una pyme. Los tipos de abajo son los que hoy se venden como inteligencia artificial, y en España usa alguna tecnología de IA el 20,3 % de las empresas de 10 o más personas, menos de la mitad de las que analizan datos.3 Tiene lógica: para predecir, primero hay que haber medido.
Predecir y explicar son tareas distintas. Un modelo puede acertar cuántos pedidos vas a tener sin saber por qué. Si la decisión depende del porqué (subir precios, cerrar un canal), hace falta un diagnóstico o una prueba controlada.
Quién analiza datos en España: el tamaño manda
España supera a la media de la UE en todos los tamaños con datos comparables (42,5 % frente a 35,1 % en las pequeñas, 65,2 % frente a 59,8 % en las medianas), pero dentro del país la distancia entre una micro y una grande es de casi ocho veces.1
| Tamaño | España 2025 |
|---|---|
| Micro | 10,6 |
| Pequeña | 42,5 |
| Mediana | 65,2 |
| Grande | 83,2 |
Fuente: Eurostat (isoc_eb_das), datos de 2025 actualizados el 27-02-2026. Sin agricultura, minería ni sector financiero.
¿Por qué tan poco en las micro? La encuesta no lo pregunta, así que va una hipótesis: en una empresa de cinco personas nadie tiene como trabajo mirar los números, y el dueño los mira de noche, en el móvil, sin ganas. Otra diferencia con Europa: acá se terceriza más. El 20,0 % de las empresas españolas de 10 o más personas analiza datos con un proveedor externo; en la UE, el 13,9 %.1
El INE, que hace esta encuesta en España, publica que el 41,4 % de las empresas de 10 o más empleados analiza datos con su propio personal y que el 21,1 % usa IA.4 Eurostat, con esos mismos datos, da 39,5 %1 y 20,3 %.3 Se calculan distinto: el INE divide por las empresas con Internet y cuenta asalariados; Eurostat usa el total de empresas y las personas ocupadas. Uso Eurostat para comparar con la UE.
Qué datos se analizan: empezá por los aburridos
Cuando se habla de análisis de datos uno imagina sensores y satélites. Las empresas que analizan datos miran sobre todo sus ventas y sus pagos:5
| Tipo de dato | España | UE |
|---|---|---|
| Ventas y pagos | 35,1 | 26,2 |
| Clientes | 27,1 | 17,6 |
| Redes sociales | 17,5 | 11,4 |
| Web | 11,9 | 10,8 |
| Ubicación de móviles o vehículos | 11,3 | 7,1 |
| Datos abiertos públicos | 8,3 | 7,3 |
| Sensores y aparatos conectados | 7,6 | 5,9 |
| Satélite | 4,7 | 3,6 |
Fuente: Eurostat (isoc_eb_dan2), 2025. «Ventas y pagos»: registros de transacciones. «Clientes»: compras, preferencias o reseñas.
Los sensores (7,6 %) y el satélite (4,7 %) quedan muy atrás. Para una pyme es una buena noticia: los datos más usados ya están en la caja, el banco y el CRM, o en la libreta que hace de CRM. Si no sabés por dónde empezar: ventas por semana, canal y producto, siempre con la misma definición.
¿Tu dato está listo para analizar?
Antes de calcular, mirá qué representa una fila. Se llama granularidad; o sea, el tamaño del grano: una fila puede ser un pedido, un producto dentro de un pedido o un cliente. Si mezclás granos, los totales mienten con total seguridad, como cuando cruzás pedidos con sus productos y sumás después el importe del pedido:6
-- Ejemplo: 3 pedidos de 100, 200 y 150 € con 3, 2 y 1 productos
SELECT SUM(p.importe) AS ventas
FROM pedidos p
JOIN lineas l ON l.pedido_id = p.id; -- cada pedido se repite una vez por producto
SELECT SUM(importe) AS ventas
FROM pedidos; -- una fila = un pedidoAdemás del grano, revisá que el dato esté completo, sea válido (una edad de 240 años no lo es), coherente entre sistemas, sin duplicados y a tiempo. Y una regla que ahorra discusiones: un vacío no es un cero.
¿Tu dato está listo para analizar?
Cinco errores que arruinan un análisis
En los cinco, el número está bien calculado y la conclusión está mal.
| Error | Cómo se ve (ejemplo) | Antídoto |
|---|---|---|
| Tasa sin denominador | «La conversión subió». ¿Sobre sesiones, usuarios o contactos? | Escribí numerador, denominador y ventana de tiempo |
| La media sola | Dos pedidos enormes suben el ticket medio de todo el mes | Mirá también la mediana y la distribución |
| Coincidencia tomada por causa | Cambiaste el logo y bajaron las ventas (también empezó agosto) | Buscá otra explicación y, si podés, probá con un grupo de control |
| Precisión de mentira | «Conversión del 3,4721 %» con 200 visitas | Redondeá y decí sobre cuántos casos calculaste |
| El total que esconde segmentos | El total sube mientras tu canal principal cae | Segmentá antes de concluir |
El tercero es el más tentador. En verano suben las ventas de helado y las picaduras de mosquito, y nadie propone vender menos helado para que piquen menos. En un negocio cuesta más verlo, porque siempre hay un cambio reciente al que culpar. Si la decisión importa, probá con la mitad del tráfico en cada versión. Con la media pasa algo parecido: si en una mesa de cuatro uno se tomó seis cervezas y los demás ninguna, el promedio dice una y media por cabeza. Técnicamente cierto, y no describe a nadie.
Un análisis de principio a fin
Así se ve el proceso en un caso típico de tienda online:
Pregunta
¿Qué explica la caída de pedidos confirmados de esta semana frente a la media de las cuatro anteriores? En juego: mantener o revertir el checkout nuevo.
Definiciones
Pedido confirmado: pagado y sin cancelar a las 48 horas. Semana: de lunes a domingo.
Calidad
¿Cambió la medición de la web? ¿Hubo pedidos duplicados esos días?
Análisis
Por canal y dispositivo, la caída se concentra en el móvil y empieza el día del cambio.
Decisión
Hay coincidencia en el tiempo, sin causa probada: se revisan los errores del checkout y se prueba la versión anterior con la mitad del tráfico dos semanas, con responsable y fecha.
Caso inventado para mostrar el método, sin datos de ninguna empresa. Termina en una prueba con fecha porque con esos datos no se podía afirmar más, y el éxito se mide en pedidos válidos.
Qué herramienta aprender primero
La mejor herramienta es la que te deja repetir el análisis la semana que viene sin rehacerlo a mano.
| Herramienta | Usala cuando | Ojo con |
|---|---|---|
| Hoja de cálculo | Los datos entran en una hoja y querés explorar rápido | Fórmulas que nadie revisa y pasos manuales que no se pueden repetir |
| SQL | Los datos viven en una base de datos | Los JOIN que duplican filas |
| Power BI, Looker Studio u otra herramienta de BI | Varias personas miran las mismas métricas cada semana | Un dashboard vistoso puede volver oficial una mala definición |
| Python o R | Hay que limpiar mucho, automatizar o modelar | Entornos, versiones y código que nadie más revisa |
Para ver el proceso entero con datos reales, en tu primer análisis con Python lo hacemos con los salarios del INE. Si querés trabajar de esto, mirá cómo está el mercado de analista de datos en España; y para explicarle el resultado a quien decide, cómo presentar resultados a un CEO que no entiende de datos.
Eurostat puede contar cuántas empresas analizan datos. Lo que ninguna encuesta mide es cuántas cambiaron una decisión por eso. Si el informe del mes pasado no movió ninguna, probá algo radical antes de comprar otra herramienta: mandalo una semana tarde y fijate si alguien lo reclama.
Un análisis termina cuando alguien decide algo distinto por haberlo leído.
Preguntas frecuentes
¿Qué es el análisis de datos y para qué sirve?
Es el proceso de convertir una pregunta en una respuesta basada en datos: definir qué querés saber, reunir y limpiar la información, calcular y explicar los límites de la conclusión. Sirve para decidir con más evidencia y menos intuición: qué producto reponer, qué canal recortar o qué clientes cuidar primero.
¿Cuáles son los 4 tipos de análisis de datos?
Descriptivo (qué pasó), diagnóstico (por qué pasó), predictivo (qué va a pasar) y prescriptivo (qué conviene hacer). La clasificación la popularizó Gartner. Cada tipo pide más datos y más confianza en el modelo que el anterior, y la mayoría de las decisiones de una pyme se resuelven con los dos primeros.
¿Se puede aprender análisis de datos sin saber programar?
Sí. Con una hoja de cálculo podés hacer análisis descriptivos y diagnósticos serios: tablas dinámicas, filtros y segmentos. SQL y Python llegan después, cuando los datos ya no entran en una hoja o querés repetir el trabajo sin hacerlo a mano. Lo que no se puede saltear es el criterio: pregunta, definiciones y límites.
¿Qué diferencia hay entre análisis de datos y ciencia de datos?
El análisis de datos contesta preguntas concretas con datos que ya existen, casi siempre descriptivas o diagnósticas. La ciencia de datos suma estadística avanzada y programación para construir modelos que predicen o automatizan decisiones. Se solapan mucho: un buen científico de datos analiza, y un buen analista termina programando.
Fuentes
- Eurostat. Data analytics by size class of enterprise (isoc_eb_das). Datos de 2025, actualizados el 27 de febrero de 2026.
- Gartner. Gartner Says Advanced Analytics Is a Top Business Priority. Nota de prensa, 21 de octubre de 2014.
- Eurostat. Artificial intelligence by size class of enterprise (isoc_eb_ai). Datos de 2025, actualizados el 15 de junio de 2026.
- INE. Encuesta sobre el uso de TIC y del comercio electrónico en las empresas. Año 2024, primer trimestre de 2025. Nota de prensa, 22 de octubre de 2025.
- Eurostat. Data analytics by NACE Rev. 2 activity (isoc_eb_dan2). Datos de 2025, actualizados el 27 de febrero de 2026.
- PostgreSQL. Joins Between Tables. Documentación oficial.
