La IA puede escribir código, limpiar datos, probar modelos y crear dashboards. Pero para que el resultado sea útil y defendible necesitas algo más importante: un método que te diga qué hacer, en qué orden y qué debes validar antes de avanzar.
La Inteligencia Artificial ha cambiado completamente la forma en la que podemos trabajar con datos.
Hoy puedes pedirle que escriba código en Python o R, inspeccione un Excel, limpie datos, construya gráficos, pruebe modelos estadísticos, entrene algoritmos de Machine Learning, cree un dashboard e incluso convierta todo el análisis en una aplicación.
Y muchas de estas cosas pueden hacerse en horas.
Pero hay algo que no ha cambiado:
Una cosa es que la IA pueda ejecutar un análisis.
Y otra muy diferente es que ese análisis responda a un problema importante, utilice los datos adecuados, aplique técnicas coherentes, genere conclusiones defendibles y termine en algo útil.
Por eso llevo años trabajando con un método.
El método ya existía antes de ChatGPT, Claude y compañía.
Lo que ha cambiado es la capacidad que tenemos ahora para ejecutarlo.
La IA hace gran parte del trabajo operativo. Nosotros dirigimos y validamos.
El mapa completo: 7 fases, pero no tienes que hacerlas todas
Un proyecto completo puede recorrer siete grandes fases:
Para mí hay cuatro partes prácticamente obligatorias:
Estrategia → Limpieza y validación → Descriptivo → Entregable final.
Eso sería el mínimo viable de un proyecto de datos serio.
Después añadimos inferencia, Machine Learning o IA integrada cuando las preguntas lo requieren.
No porque estén de moda.
Porque aportan valor.
Estrategia: antes de tocar los datos, define el proyecto
Esta es probablemente la fase que más se salta.
Alguien me pasa un Excel y dice:
“Jordi, quiero analizar estos datos.”
Mi primera pregunta no es qué algoritmo quiere utilizar.
Es:
Para mí la estrategia tiene cuatro piezas.
Qué queremos entender, resolver o mejorar.
Cómo troceamos el problema en preguntas analizables.
Qué tenemos, qué significa y qué nos falta.
Cómo responderemos cada pregunta.
El problema
Puede ser entender por qué cae el margen del negocio, identificar qué factores están relacionados con un resultado clínico o anticipar qué pedidos tienen mayor riesgo de reclamación.
Las preguntas
Troceamos ese problema en preguntas concretas.
Por ejemplo, si queremos entender el margen:
- ¿Cómo evoluciona?
- ¿Qué clientes generan más margen?
- ¿Qué productos venden mucho pero dejan poco?
- ¿Existen diferencias por zona o segmento?
- ¿Qué factores están relacionados con esas diferencias?
Los datos y variables
Después revisamos qué tenemos, qué significa cada variable, qué representa una fila y qué información necesitaríamos pero todavía no tenemos.
El plan analítico
Finalmente decidimos cómo vamos a responder cada pregunta.
No estamos ejecutando todavía.
Estamos diseñando el proyecto.
La estrategia debería quedar escrita. Así la IA tiene contexto, tú sabes hacia dónde vas y cada análisis posterior tiene una razón de ser.
Limpieza y validación: no analices datos que todavía no conoces
Tenemos estrategia.
Ahora sí podemos entrar en los datos.
Pero todavía no quiero sacar conclusiones.
Primero necesitamos inspeccionarlos: duplicados, ausencias, categorías inconsistentes, valores extremos, errores de codificación, fechas extrañas, unidades diferentes y variables cuyo significado no está tan claro como parecía.
Aquí la IA es espectacular
Puede ayudarte a inspeccionar el dataset, detectar incoherencias, generar el código de limpieza, revisar el resultado y documentar los cambios.
Pero vuelve a aparecer nuestra regla:
Siempre que sea posible, me gusta que este proceso quede en código.
Python o R, por ejemplo.
Porque así es reproducible.
Hoy recibes un Excel. Lo limpias. Dentro de un mes llegan 10.000 registros nuevos. Ejecutas el pipeline y vuelves a tener los datos preparados.
Datos limpios + pipeline reproducible + registro de cambios.
Descriptivo / EDA: antes de explicar o predecir, entiende qué está pasando
Tenemos una estrategia.
Tenemos datos limpios.
Ahora sí podemos empezar a mirar.
Este es el primer nivel del análisis.
Queremos responder:
Distribuciones, evolución, segmentos, valores atípicos, relaciones visuales, KPIs y comparaciones iniciales.
Aquí me gusta mucho crear ya un primer dashboard.
Pero no un dashboard lleno de gráficos puestos porque sí.
La estrategia nos dice qué tenemos que visualizar.
Una primera página puede ofrecer la visión global. Y después, cada página o bloque puede responder una de las preguntas definidas al inicio.
PREGUNTA → DATO → GRÁFICO → INFORMACIÓN ÚTIL
Y aquí ocurre algo importante:
el proyecto ya empieza a tener valor aunque todavía no hayamos aplicado técnicas avanzadas.
Inferencia y modelos: pasar de “qué ocurre” a preguntas más profundas
Ya sabemos qué tenemos.
Ahora aparecen preguntas como:
- ¿Estos dos grupos son realmente diferentes?
- ¿Existe relación entre estas variables?
- ¿Qué factores ayudan a explicar el resultado?
- ¿Qué ocurre cuando controlamos simultáneamente varios factores?
Aquí entran la estadística inferencial y los modelos.
Y aquí aparece una razón muy importante por la que necesitas criterio estadístico aunque utilices IA.
La IA puede ejecutar el test, estimar el modelo, calcular el intervalo de confianza y redactar una interpretación.
Pero tú necesitas entender para qué sirve la técnica y cuándo tiene sentido utilizarla.
Los modelos estadísticos pueden ayudarnos a explicar asociaciones y controlar factores. Hablar de causalidad exige, además, un diseño y unos supuestos que realmente permitan defenderla.
Los tres niveles del análisis de datos
Machine Learning: solo cuando la pregunta lo necesita
Aquí entramos en predicción, clasificación, segmentación, recomendadores y reconocimiento de patrones.
Pero Machine Learning no debería aparecer porque:
“Quiero utilizar Machine Learning.”
Debería aparecer porque una pregunta lo necesita.
Supervisado
Aprendemos de casos históricos donde conocemos la respuesta.
- Predicción de demanda
- Probabilidad de reclamación
- Clasificación
- Estimaciones
No supervisado
Buscamos estructura cuando no tenemos una variable objetivo concreta.
- Segmentación de clientes
- Clustering
- Reglas de asociación
- Recomendadores
La estrategia vuelve a mandar.
Porque ahora ya sabemos por qué estamos entrenando el modelo.
Y después toca algo fundamental:
La IA puede generar el código, probar algoritmos, calcular métricas, comparar alternativas y construir gráficos.
Pero la decisión final no puede ser:
“Este modelo es bueno porque la IA me lo ha dicho.”
IA integrada: no solo ayuda a crear el análisis, puede formar parte del producto
Hasta aquí hemos hablado principalmente de utilizar IA para ayudarnos a hacer el análisis.
Pero existe otra posibilidad mucho más interesante:
Imagina un dashboard donde el usuario pueda preguntar:
“Explícame qué está ocurriendo este mes.”
O:
“¿Qué clientes deberíamos revisar esta semana?”
La IA puede utilizar resultados del análisis para interpretar, explicar y activar acciones.
Incluso podemos conectar resultados con agentes o automatizaciones.
Una analítica detecta una oportunidad → un modelo la prioriza → la IA la interpreta → se prepara una acción.
Aquí dejamos de hablar únicamente de análisis.
Empezamos a construir productos inteligentes basados en datos.
Informe, dashboard, aplicación o producto: el proyecto tiene que terminar en algo
Cada proyecto debería acabar en un entregable.
No en una conversación con ChatGPT.
No en 25 notebooks abandonados.
No en una carpeta llena de gráficos.
En algo que pueda utilizarse.
Además, me gusta que cada fase vaya dejando entregables intermedios.
- Después de estrategia → documento de estrategia.
- Después de limpieza → datos limpios y pipeline reproducible.
- Después del descriptivo → dashboard inicial.
- Después de inferencia → respuestas justificadas a nuevas preguntas.
- Después de Machine Learning → modelo validado y, si tiene sentido, herramienta predictiva.
- Al final → producto completo.
Así cada paso aporta valor.
No necesitas hacerlo todo
Cuando ves el método completo puedes pensar que el proyecto es enorme.
No.
Este es el mapa completo.
| Siempre | Cuando aporta valor |
|---|---|
| Estrategia | Inferencia / modelos |
| Limpieza y validación | Machine Learning |
| Descriptivo / EDA | IA integrada |
| Informe o producto | Automatizaciones / agentes |
Un proyecto sencillo puede terminar perfectamente después de un buen descriptivo y un informe.
Otro necesitará modelos estadísticos.
Otro requerirá predicciones.
Y otro acabará convertido en una aplicación que incorpora IA.
La regla transversal a todo el método: validar
Esta probablemente sea la parte más importante.
No quiero utilizar IA para dejar de pensar.
Quiero utilizar IA para poder hacer muchísimo más sin perder el control del análisis.
¿Y qué herramientas utilizo?
La herramienta importa bastante menos de lo que parece.
Puedes utilizar una IA como copiloto, Python o R para hacer reproducible el análisis, Google Colab para ejecutar código sin complicarte con instalaciones, HTML para crear dashboards y una aplicación o API si el producto lo necesita.
Pero mañana las herramientas serán diferentes.
Eso no me preocupa demasiado.
Lo que realmente quiero que aprendas es a mirar un proyecto nuevo y pensar:
- ¿Cuál es el problema?
- ¿Qué preguntas tengo que responder?
- ¿Qué datos necesito?
- ¿Qué nivel de análisis tiene sentido?
- ¿Cómo voy a validarlo?
- ¿Qué debería quedar al final?
Si sabes responder eso, la IA deja de ser una herramienta que te devuelve cosas que parecen interesantes.
Se convierte en una capacidad brutal que puedes dirigir.
Puedes empezar a aplicar el método en tu próximo proyecto
La próxima vez que tengas delante un Excel, una base de datos, una tesis o una pregunta de negocio, no empieces preguntando:
“¿Qué análisis puedo hacer?”
Empieza por:
Construye la estrategia.
Limpia y valida.
Haz tu primer descriptivo.
Y añade complejidad solamente cuando tus preguntas la necesiten.
Eso es lo que para mí significa actualmente analizar datos con Inteligencia Artificial.
No dejarle el análisis a la IA.
Sino utilizarla para recorrer muchísimo más rápido un camino que tú entiendes y controlas.
¿Quieres verlo aplicado paso a paso?
En el Training gratuito AD + IA te enseño este mismo método de forma visual y con proyectos reales: desde la estrategia y la limpieza hasta modelos más avanzados y la integración de IA dentro de la analítica.
La idea no es que te fíes ciegamente de la IA. Es que aprendas a dirigirla y validar lo que produce.
