La IA generativa puede ayudar a formular preguntas, documentar métricas, preparar consultas, proponer visualizaciones y explicar resultados. Su valor no consiste en decidir por el equipo, sino en acelerar el trabajo manteniendo visibles las fuentes, los cálculos, los límites y la incertidumbre.
Este curso recorre el ciclo analítico completo: gobierno y calidad del dato, definición de métricas, preparación y consulta, análisis exploratorio, visualización, narrativa y flujos controlados. Aprenderás a distinguir entre dato, cálculo, interpretación, hipótesis, recomendación y decisión.
La formación es práctica e independiente de proveedor. Las actividades utilizan datos ficticios, sintéticos, anonimizados o expresamente autorizados. La IA propone fórmulas, consultas, gráficos e interpretaciones; una persona competente verifica la fuente, la granularidad, los filtros, el cálculo y la causalidad, y aprueba cualquier publicación o decisión de negocio.
Al finalizar dispondrás de un inventario de casos de uso, un contrato de pregunta analítica, un diccionario de métricas, un cuaderno de consultas y pruebas, un informe exploratorio, un prototipo de dashboard y un plan de adopción responsable de 30 días.
- No se requieren conocimientos de programación.
- Se necesita manejo básico de hojas de cálculo y comprensión elemental de tablas y gráficos.
- Es necesario disponer de ordenador, internet y un asistente autorizado por la organización.
- Las prácticas deben usar datos ficticios, sintéticos, anonimizados o expresamente autorizados.
- Se recomienda asistir con una pregunta de negocio y un conjunto de datos no sensible sobre el que trabajar.
- Duración: 24 horas distribuidas en seis módulos prácticos.
- Ciclo completo: gobierno, métricas, consultas, análisis, visualización y decisión.
- Enfoque independiente: prácticas transferibles entre hojas de cálculo, SQL, Python y herramientas BI.
- Práctica guiada: doce ejercicios y un proyecto final aplicado.
- Uso responsable: permisos, calidad, linaje, pruebas, trazabilidad y revisión humana.
- Resultado tangible: diccionario de métricas, cuaderno de pruebas, dashboard y plan de 30 días.
Esta formación está dirigida a profesionales que producen, revisan o consumen análisis de datos:
- Analistas de datos, negocio y BI en etapas iniciales o intermedias.
- Responsables de cuadros de mando, reporting y modelos semánticos.
- Data stewards, propietarios de métricas y equipos de calidad del dato.
- Profesionales de producto, operaciones, marketing o servicio que necesitan formular mejores preguntas.
- Consultores, autónomos y pymes que quieran profesionalizar sus análisis.
Módulo 1. IA responsable, gobierno y calidad del dato — 4 horas
- Dato, métrica, análisis, inferencia, recomendación y decisión.
- Datos personales, sensibles, comerciales y conocimiento interno.
- Finalidad, minimización, exactitud, permisos y entornos autorizados.
- Calidad según el uso: relevancia, precisión, actualidad, coherencia y claridad.
- Linaje, propietario, fuente, transformación, versión y fecha de corte.
- Práctica 1: inventario de casos de uso, datos y autoridad de decisión.
- Práctica 2: ficha de tratamiento, calidad, acceso y trazabilidad.
Módulo 2. De la pregunta de negocio a la métrica — 4 horas
- Decisión que se quiere informar y pregunta que puede responderse con datos.
- Unidad de análisis, población, período, filtros y comparaciones.
- Numerador, denominador, granularidad y reglas de agregación.
- Glosario de negocio, capa semántica y nombres no ambiguos.
- Criterios de aceptación y ejemplos positivos, negativos y límite.
- Práctica 3: contrato de una pregunta analítica.
- Práctica 4: diccionario de métricas con responsables y pruebas.
Módulo 3. Preparación, exploración y consulta de datos — 4 horas
- Perfilado: tipos, nulos, duplicados, rangos, categorías y claves.
- Unión de fuentes sin duplicar filas ni cambiar la granularidad.
- Instrucciones para hojas de cálculo, SQL y Python independiente de proveedor.
- Consultas de solo lectura, conjuntos pequeños y entornos de prueba.
- Pruebas de totales, filtros, joins y casos límite antes de reutilizar código.
- Práctica 5: plan de limpieza y transformación con evidencia.
- Práctica 6: consulta asistida, revisada y comparada con un resultado conocido.
Módulo 4. Análisis exploratorio y razonamiento estadístico — 4 horas
- Distribuciones, segmentos, tendencias y estacionalidad.
- Detección preliminar de anomalías y explicación de criterios.
- Tamaño de muestra, sesgo, datos ausentes e incertidumbre.
- Correlación, causalidad y explicaciones alternativas.
- Diferencia entre resultado observado, hipótesis y previsión.
- Práctica 7: informe exploratorio con hallazgos y límites.
- Práctica 8: revisión crítica de una conclusión aparentemente plausible.
Módulo 5. Visualización, cuadros de mando y narrativa — 4 horas
- Elegir gráfico según comparación, distribución, relación o evolución.
- Escalas, ejes, color, accesibilidad y contexto suficiente.
- Cuadros de mando orientados a audiencia, pregunta y acción.
- Apoyo para fórmulas y modelos semánticos con verificación independiente.
- Narrativa: afirmación, evidencia, incertidumbre y siguiente pregunta.
- Práctica 9: rediseño de una visualización engañosa o confusa.
- Práctica 10: prototipo de dashboard y resumen ejecutivo trazable.
Módulo 6. Flujos analíticos controlados y proyecto final — 4 horas
- Flujo: solicitud, dato autorizado, consulta, prueba, revisión y publicación.
- Preguntas en lenguaje natural sobre modelos semánticos gobernados.
- Criterios de parada, escalado y alternativa manual.
- Registro de instrucciones, consultas, resultados, cambios y aprobaciones.
- Seguimiento de exactitud, utilidad, incidencias y deriva de definiciones.
- Práctica 11: lista de validación previa a publicación.
- Práctica 12: expediente de recomendación y decisión humana documentada.
- Proyecto final: sistema analítico reproducible y plan de adopción de 30 días.
