Analizar datos con IA sin programar (módulo 1 gratis)

Ya no hace falta saber SQL ni Python para sacar conclusiones de una hoja de datos. Lo que sí hace falta es saber qué preguntar y saber si la respuesta es creíble. Esta guía es el primer módulo completo de nuestro curso de análisis de datos con IA: qué hace bien y qué hace mal (incluido por qué a veces se inventa los números), qué herramienta usar según tu caso, qué análisis responde cada pregunta y cómo trabajar con datos de clientes sin saltarte el RGPD.

Estás leyendo gratis el primer módulo del curso IA para el Análisis de Datos: Decisiones sin Programar. No hace falta registrarse.

Contenido de esta página

• Bienvenida: analizar datos sin ser técnico
• Qué puede y qué no hacer la IA con datos
• Herramientas para analizar datos con IA
• Tipos de datos y de análisis
• Hacer las preguntas correctas a tus datos
• Privacidad y datos sensibles

Bienvenida: analizar datos sin ser técnico

El analista que no sabe programar

Durante años, sacar conclusiones de una base de datos exigía saber SQL, Python o al menos manejarse con soltura en tablas dinámicas. Eso creaba un cuello de botella: quien tenía las preguntas de negocio no podía responderlas, y quien sabía hacerlo no siempre entendía el negocio.

La IA ha roto ese cuello de botella. Hoy puedes subir un archivo, preguntar en castellano y obtener el análisis, el gráfico y la explicación. Lo que sigue siendo tuyo —y es lo que enseña este curso— es saber qué preguntar y saber si la respuesta es creíble.

Para quién es

• Responsables de área que reciben informes y quieren poder hurgar ellos mismos.
• Autónomos y pequeñas empresas sin departamento de datos.
• Marketing, ventas y operaciones que viven de hojas de cálculo.
• Cualquiera que tenga datos y no sepa qué hacer con ellos.

No hace falta programar. Sí hace falta saber lo que es una fila, una columna y un porcentaje.

Lo que la IA cambia y lo que no

Antes	Ahora
Necesitabas saber SQL o Python	Preguntas en lenguaje natural
Horas limpiando datos	Minutos, con supervisión
Gráficos a mano	Generados al pedirlos
Depender de un analista	Autonomía para explorar
Saber qué preguntar	Sigue siendo tuyo
Saber si el resultado tiene sentido	Sigue siendo tuyo

El riesgo nuevo

Antes, si no sabías analizar, no analizabas. Ahora puedes obtener un análisis equivocado, con un gráfico bonito y una explicación convincente, y llevarlo a una reunión. La barrera de entrada ha bajado, pero la barrera de la responsabilidad no. Por eso este curso dedica un módulo entero a verificar resultados.

Qué vas a saber hacer al terminar

1. Preparar y limpiar un conjunto de datos para que sea analizable.
2. Formular preguntas de negocio que se puedan responder con los datos que tienes.
3. Obtener análisis descriptivos, comparativas, evolución temporal y segmentaciones.
4. Detectar cuándo un resultado es sospechoso y comprobarlo.
5. Construir gráficos que comuniquen, no que decoren.
6. Presentar conclusiones que lleven a una decisión.
7. Hacerlo cumpliendo la normativa de protección de datos.

Ejercicio 1: inventario de tus datos

1. Lista todos los conjuntos de datos a los que tienes acceso: ventas, clientes, web, contabilidad, encuestas, soporte.
2. Para cada uno anota: dónde está, en qué formato, con qué frecuencia se actualiza y si contiene datos personales.
3. Escribe tres preguntas de negocio que llevas tiempo queriendo responder.
4. Marca cuáles de esas preguntas podrías responder con los datos que ya tienes.

Qué deberías tener al acabar: un inventario y tres preguntas. Si alguna pregunta no se puede responder con los datos actuales, eso ya es un hallazgo: te dice qué deberías empezar a medir.

Qué puede y qué no hacer la IA con datos

Lo que hace bien

• Limpiar y normalizar. Detectar duplicados, unificar formatos de fecha, corregir mayúsculas, separar columnas mal montadas. Es lo más tedioso del trabajo con datos y donde más tiempo ahorra.
• Análisis descriptivo. Totales, medias, medianas, distribuciones, comparativas entre grupos, evolución temporal.
• Segmentar. Encontrar grupos con comportamientos distintos dentro de tus datos.
• Visualizar. Generar el gráfico adecuado y ajustarlo conversando.
• Explicar. Traducir un resultado estadístico a lenguaje de negocio, que es media batalla en una reunión.
• Escribir el código por ti si hace falta ir más allá, sin que tengas que saber escribirlo.

Lo que hace mal (y hay que vigilar)

1. Calcular «de cabeza»

Este es el punto crítico. Un modelo de lenguaje, si no ejecuta código, estima los números en vez de calcularlos, y se equivoca. Si le pegas una tabla en el chat y le pides la media, puede darte un número plausible y falso.

La regla: usa siempre una herramienta que ejecute código sobre el archivo (el intérprete de análisis de datos del asistente, o la IA integrada en tu hoja de cálculo). Y comprueba un par de cifras a mano la primera vez.

2. Confundir correlación con causalidad

Te dirá alegremente que las ventas suben cuando sube la inversión en publicidad. Puede ser causa, o puede ser que ambas suban en Navidad. El criterio es tuyo.

3. No conocer el contexto

Un pico de ventas en marzo puede ser una promoción, un error de registro o un cliente que compró una vez. La IA ve el número; tú sabes qué pasó.

4. Dar por buenos datos malos

Si tu conjunto tiene duplicados, valores imposibles o un cambio de criterio a mitad de año, la IA analizará esa basura sin quejarse. La calidad del dato es responsabilidad tuya.

5. Extrapolar y predecir con ligereza

Hacer una predicción seria requiere método y validación. Una proyección hecha sobre doce datos mensuales no es una previsión: es una raya.

La regla de las tres comprobaciones

Antes de dar por bueno cualquier resultado:

1. ¿Cuadra el total? Si la suma de tus ventas no coincide con lo que sabes que facturaste, algo está mal en la base.
2. ¿Tiene sentido la magnitud? Un 340% de crecimiento suele ser un error de datos, no un éxito.
3. ¿Puedo explicar por qué? Si no encuentras explicación de negocio para un resultado, investígalo antes de contarlo.

Qué le tienes que decir siempre

Cuando le pases datos, dale contexto que no está en el archivo: qué significa cada columna, en qué unidades, qué periodo cubre, si hay valores que significan «sin dato», y qué anomalías conocidas hay. Sin eso, interpretará por su cuenta.

Ejercicio 2: pilla un error a propósito

1. Coge un archivo de datos pequeño del que ya conozcas alguna cifra exacta (por ejemplo, la facturación total de un mes).
2. Pégalo en un chat sin usar herramienta de cálculo y pide esa cifra. Anota lo que responde.
3. Ahora súbelo como archivo a una herramienta que ejecute código y pide lo mismo.
4. Compara ambos resultados con el valor real que ya conocías.

Qué deberías tener al acabar: la experiencia directa de ver una cifra inventada. Es la lección que mejor se aprende viéndola, y la que te va a evitar un disgusto en una reunión.

Herramientas para analizar datos con IA

Cuatro caminos según de dónde vengas

1. Asistentes con ejecución de código

ChatGPT, Claude o Gemini con su función de análisis de datos. Subes un archivo (CSV, Excel), y la herramienta escribe y ejecuta código para responder. Es la opción más potente y flexible para alguien no técnico.

Qué puedes hacer: limpiar, cruzar tablas, calcular cualquier cosa, generar gráficos, y pedirle el código para reutilizarlo. Límites habituales: tamaño de archivo, y que cada conversación empieza de cero.

2. IA dentro de tu hoja de cálculo

Excel y Google Sheets incorporan asistentes que generan fórmulas, explican qué hace una fórmula ajena, detectan patrones y crean tablas dinámicas a partir de una petición en lenguaje natural.

Ventaja: los datos no salen de tu entorno y trabajas donde ya estás. Es el camino recomendado si tus datos son sensibles.

3. IA en herramientas de visualización

Power BI, Looker Studio o Tableau permiten preguntar en lenguaje natural sobre un modelo de datos ya montado. Muy bueno para informes recurrentes; requiere que alguien haya montado el modelo antes.

4. IA dentro de tus aplicaciones de negocio

Tu CRM, tu ERP, tu plataforma de comercio o tu herramienta de analítica web ya llevan funciones de IA. Suelen ser limitadas pero tienen todo el contexto y no exigen exportar nada. Míralo antes de contratar nada.

Cómo elegir

Situación	Opción recomendada
Archivo suelto, análisis puntual	Asistente con ejecución de código
Datos sensibles que no pueden salir	IA en tu hoja de cálculo o solución local
Informe que repites cada mes	Herramienta de visualización con modelo montado
Datos que ya viven en una aplicación	La IA de esa aplicación
Volumen grande (millones de filas)	Base de datos + IA que genere SQL

Formatos: cómo preparar el archivo

La mitad de los problemas se evitan con un archivo bien montado:

• Una sola fila de encabezados, en la primera fila. Nada de títulos ni logos encima.
• Una fila por registro, sin filas de subtotales intercaladas.
• Nombres de columna claros y sin caracteres raros.
• Fechas en formato consistente, idealmente AAAA-MM-DD.
• Números como números, sin el símbolo de euro dentro de la celda ni puntos de millar mezclados.
• Celdas combinadas: ninguna. Son el enemigo número uno.
• Un solo criterio para «sin dato»: vacío, y no «N/A», «-«, «0» y «desconocido» mezclados.

Lo que sigue siendo mejor sin IA

Para cosas simples —un total, un filtro, un porcentaje— la hoja de cálculo de siempre es más rápida y no puede equivocarse. Usa la IA cuando la tarea sea tediosa, repetitiva o requiera un análisis que no sabrías montar.

Ejercicio 3: prepara tu conjunto de datos

1. Elige el conjunto de datos de tu inventario que más te interese.
2. Pásale la lista de comprobación de formato de arriba, punto por punto.
3. Arregla lo que falle. Si es tedioso, pídeselo a la IA: es justo lo que hace bien.
4. Escribe un pequeño diccionario: qué significa cada columna, en qué unidades y qué periodo cubre.

Qué deberías tener al acabar: un archivo limpio y su diccionario. Ese diccionario es lo que le pasarás a la IA como contexto en todos los análisis del curso, y multiplica la calidad de las respuestas.

Tipos de datos y de análisis

Saber qué tienes delante

Antes de preguntar nada conviene identificar qué tipo de datos tienes, porque determina qué análisis tienen sentido.

Tipos de datos

Tipo	Qué es	Ejemplo	Qué puedes hacer
Numérico continuo	Cantidades medibles	Importe, peso, duración	Medias, sumas, distribuciones
Numérico discreto	Recuentos	Nº de pedidos, unidades	Totales, frecuencias
Categórico	Etiquetas sin orden	País, producto, canal	Agrupar, comparar entre grupos
Ordinal	Categorías con orden	Satisfacción 1-5, talla	Medianas, distribuciones
Temporal	Fechas y horas	Fecha de pedido	Evolución, estacionalidad
Texto libre	Frases	Comentarios, reseñas	Clasificar, extraer temas y sentimiento

El texto libre merece una nota: hasta hace poco era prácticamente inanalizable sin herramientas caras. Hoy la IA lo clasifica, resume y detecta temas recurrentes con mucha soltura. Si tienes miles de comentarios de clientes sin explotar, ahí hay oro.

Los cuatro niveles de análisis

1. Descriptivo: ¿qué pasó? Es el 80% de lo que necesita una empresa. Ventas del trimestre, clientes por canal, evolución mensual. Aburrido y utilísimo.
2. Diagnóstico: ¿por qué pasó? Segmentar y comparar hasta encontrar dónde está la diferencia. «Las ventas cayeron un 12%, y todo viene de un canal y un producto concretos.»
3. Predictivo: ¿qué va a pasar? Requiere método, datos suficientes y validación. Se puede hacer, pero con cuidado.
4. Prescriptivo: ¿qué hago? La decisión. Esta la tomas tú; los datos solo la informan.

Consejo práctico: casi todo el valor está en los niveles 1 y 2. La gente quiere saltar al 3 sin haber hecho bien el 1, y ahí es donde se pierde el tiempo.

Los análisis que resuelven la mayoría de preguntas

• Evolución temporal. Cómo cambia algo en el tiempo. Ojo con confundir estacionalidad con tendencia.
• Comparación entre grupos. Qué canal, producto o comercial rinde mejor.
• Distribución. No solo la media: también cómo se reparten los valores. Una media de 50 puede esconder dos grupos en 10 y 90.
• Concentración. Qué porcentaje de tus ingresos viene de qué porcentaje de clientes. Suele ser revelador y a veces preocupante.
• Cohortes. Comparar grupos según cuándo entraron. Es la forma correcta de ver si retienes mejor o peor que antes.
• Embudo. Cuánta gente pasa de una etapa a la siguiente y dónde se cae.

La media miente más de lo que parece

Es el error más común de todos. Si el 90% de tus clientes gasta 30 € y el 10% gasta 500 €, tu «cliente medio» gasta 77 € y no existe. Pide siempre, junto a la media, la mediana y la distribución. En muchos negocios la mediana cuenta una historia completamente distinta.

Ejercicio 4: clasifica y elige

1. Coge tu archivo limpio del ejercicio anterior y clasifica cada columna por tipo de dato.
2. Para cada una de tus tres preguntas de negocio, identifica de qué nivel es: descriptiva, diagnóstica o predictiva.
3. Elige el tipo de análisis que responde a cada una.
4. Comprueba: ¿tienes las columnas necesarias? Si no, apunta qué te falta.

Qué deberías tener al acabar: tus preguntas emparejadas con un análisis concreto. Si alguna es predictiva, plantéate reformularla como diagnóstica: casi siempre da más valor y es mucho más fiable.

Hacer las preguntas correctas a tus datos

La pregunta es el trabajo

Ahora que responder es fácil, el valor se ha desplazado por completo a preguntar bien. Una pregunta mal formulada da una respuesta correcta y completamente inútil.

Cómo es una pregunta mala

• Demasiado vaga: «¿Cómo van las ventas?» No lleva a ninguna decisión.
• Sin marco temporal: «¿Cuántos clientes tenemos?» ¿Activos? ¿Alguna vez? ¿Este año?
• Sin comparación: «Hemos vendido 40.000 €.» ¿Es bueno? ¿Comparado con qué?
• Que no se puede responder con tus datos: «¿Por qué la gente no compra?» Eso lo contestan encuestas, no tu tabla de pedidos.
• Que ya lleva la respuesta dentro: «Demuéstrame que la campaña funcionó.» Vas a encontrar lo que buscas, y eso es peor que no mirar.

La estructura de una buena pregunta

Métrica + segmento + periodo + comparación + decisión asociada.

Mala: «¿Cómo va el negocio?»
Buena: «¿Cuál fue el ticket medio por canal en el primer semestre de 2026 frente al mismo periodo de 2025, y hay algún canal que haya caído más de un 10%?»

La segunda lleva a una acción concreta. La primera lleva a un gráfico que nadie mira.

La pregunta que hay que hacerse antes

«¿Qué haría distinto según la respuesta?»

Si no hay ninguna decisión que dependa del resultado, no gastes tiempo en el análisis. Este filtro elimina la mitad de los informes que se hacen en las empresas.

Cómo pedírselo a la IA

Un buen encargo de análisis incluye:

1. El contexto del negocio: a qué te dedicas, qué significa cada columna, qué periodo cubre.
2. La pregunta concreta, con su comparación.
3. Qué quieres de salida: tabla, gráfico, o ambos, y qué formato.
4. La instrucción de honestidad: «si los datos no permiten responder esto, dímelo en vez de estimarlo».
5. La verificación: «muéstrame el código que has usado y los totales de control».

Ese último punto es el que separa a quien usa esto con criterio de quien se traga cualquier número.

Explora antes de concluir

Una secuencia que funciona muy bien:

1. «Descríbeme este conjunto de datos: filas, columnas, tipos, valores ausentes y rango de fechas.»
2. «¿Qué anomalías o valores raros detectas?»
3. «Dame los cinco datos descriptivos más relevantes.»
4. Ahora sí, tus preguntas concretas.
5. «¿Qué otra pregunta debería estar haciéndome con estos datos y no te he hecho?»

El paso 5 sorprende a menudo: como la IA no tiene tus prejuicios sobre el negocio, propone ángulos que uno no se plantea.

Cuidado con buscar solo lo que confirma

Si vas a analizar algo que has decidido tú, tienes un conflicto de interés. Antídoto: escribe antes qué resultado esperas y qué resultado te haría cambiar de opinión. Si el segundo campo lo dejas en blanco, no estás analizando: estás justificando.

Ejercicio 5: convierte preguntas en encargos

1. Coge tus tres preguntas de negocio y reescríbelas con la estructura métrica + segmento + periodo + comparación.
2. Para cada una, escribe qué decisión tomarías según el resultado.
3. Descarta las que no lleven a ninguna decisión.
4. Redacta el encargo completo a la IA para la que quede en primer lugar, con los cinco elementos.
5. Ejecútalo y añade al final la pregunta «¿qué debería estar preguntándome y no te he preguntado?».

Qué deberías tener al acabar: un análisis real hecho y, probablemente, una pregunta nueva que no se te había ocurrido. En el módulo 3 aprenderás a comprobar que ese resultado es correcto antes de contárselo a nadie.

Privacidad y datos sensibles

Analizar datos personales tiene reglas

En cuanto tus datos incluyen información sobre personas identificables —clientes, empleados, usuarios— entra en juego el RGPD. Y subir esos datos a una herramienta de IA es un tratamiento con particularidades.

Aviso: orientación general, no asesoramiento jurídico. Consulta con un profesional para tu caso.

Qué se considera dato personal

Más de lo que la gente cree: nombre, correo, teléfono, DNI, dirección, IP, identificador de cliente, matrícula. Y también las combinaciones: un código postal, una edad y una profesión pueden identificar a una persona en un pueblo pequeño.

Aparte están las categorías especiales —salud, ideología, religión, afiliación sindical, orientación sexual, datos biométricos y genéticos—, con un régimen mucho más estricto.

La técnica que resuelve casi todo: anonimiza antes de subir

Para la inmensa mayoría de análisis de negocio no necesitas saber quién es cada persona. Necesitas patrones. Así que antes de subir el archivo:

• Elimina las columnas identificativas: nombre, correo, teléfono, DNI, dirección exacta.
• Sustituye el identificador de cliente por un código interno que solo tú puedas revertir.
• Agrupa lo que sea muy específico: la fecha de nacimiento pasa a franja de edad; la dirección, a provincia.
• Redondea lo que pueda identificar por su singularidad: un importe extraordinariamente alto señala a un cliente concreto.

Si después de esto el análisis sigue siendo posible —y casi siempre lo es—, has eliminado el problema de raíz.

Cuidado con la reidentificación

Quitar el nombre no siempre basta. Si tienes una tabla con «mujer, 34 años, código postal 48008, compró un producto de 4.200 € el 3 de marzo», esa persona es identificable aunque no aparezca su nombre. La prueba: ¿podría alguien de mi empresa saber de quién se trata? Si sí, sigue siendo dato personal.

Si necesitas trabajar con datos identificables

1. Usa herramientas empresariales con contrato de encargo de tratamiento firmado y compromiso de no entrenar con tus datos.
2. Comprueba dónde se tratan los datos. Si salen del Espacio Económico Europeo, hacen falta garantías adicionales.
3. Registra el tratamiento en tu registro de actividades, indicando la herramienta como encargado.
4. Valora si hace falta evaluación de impacto, especialmente con datos de categorías especiales o tratamientos a gran escala.
5. Aplica minimización: solo las columnas y las filas necesarias para esta pregunta concreta.

Errores frecuentes que conviene evitar

• Subir el export completo del CRM «por si acaso» cuando solo necesitas tres columnas.
• Usar una cuenta personal gratuita con datos de clientes de la empresa.
• Dejar el archivo con datos personales guardado en el historial de la herramienta.
• Compartir el enlace de una conversación que contiene datos de clientes.
• Sacar conclusiones sobre personas concretas a partir de un análisis agregado.

El sesgo también es un riesgo

Si usas datos históricos para decidir sobre personas —a quién contratar, a quién dar crédito, a quién ofrecer un descuento— puedes estar reproduciendo discriminaciones pasadas. El Reglamento Europeo de IA es especialmente exigente con este tipo de usos. Si tu análisis va a afectar a personas, revisa el sesgo y garantiza que hay una persona decidiendo de verdad, no solo firmando lo que dice el sistema.

Ejercicio 6: prepara una versión segura

1. Coge tu conjunto de datos y marca todas las columnas que contengan datos personales.
2. Pregúntate, columna a columna: ¿necesito esto para responder mi pregunta? Elimina las que no.
3. Genera una versión anonimizada del archivo aplicando las técnicas de arriba.
4. Haz la prueba de reidentificación: ¿podrías saber de quién es una fila concreta?
5. Comprueba en tu herramienta si guarda historial y si usa tus datos para entrenar.

Qué deberías tener al acabar: un archivo de trabajo anonimizado. A partir de aquí, todos los ejercicios del curso los harás con él, y podrás trabajar sin preocuparte.