Mejores Prompts de IA para Análisis de Datos

Escribe una consulta SQL para la siguiente tarea: Tarea: [describe lo que necesitas, ej. encontrar todos los usuarios que se registraron en los últimos 30 días y realizaron al menos una compra] Tablas y columnas relevantes: [describe tu esquema o pega las sentencias CREATE TABLE] Base de datos: [ej. PostgreSQL, MySQL, BigQuery] Devuelve la consulta con comentarios explicando cada paso clave.

Esta consulta SQL se ejecuta muy lentamente. Ayúdame a optimizarla. Consulta: [pega la consulta aquí] Base de datos: [ej. PostgreSQL, MySQL] Tamaño de las tablas: [ej. pedidos tiene 50M de filas, usuarios tiene 2M de filas] Índices existentes: [enuméralos o pega la salida de EXPLAIN] Identifica los cuellos de botella, sugiere modificaciones de índices y reescribe la consulta si es necesario. Explica cada optimización realizada.

Explica esta consulta SQL en un lenguaje sencillo y accesible. Analízala paso a paso: qué hace cada cláusula, qué datos produce y qué representa el resultado final: [pega la consulta aquí]

Diseña un esquema de base de datos para el siguiente caso de uso: Caso de uso: [describe tu aplicación o funcionalidad, ej. un SaaS multiinquilino con proyectos, tareas y roles de usuario] Base de datos: [ej. PostgreSQL] Incluye: nombres de tablas, columnas con tipos y restricciones, claves primarias/foráneas, índices y una explicación de las decisiones de diseño y posibles compromisos (trade-offs).

Tengo un conjunto de datos y quiero realizar un análisis exploratorio de datos (EDA). Crea un plan paso a paso. Descripción del dataset: [describe columnas, tipos de datos, tamaño aproximado y sector, ej. pedidos de ecommerce con ID de cliente, producto, precio, fecha] Pregunta de negocio que intento resolver: [descríbela] Incluye: comprobaciones de calidad del dato, análisis univariante, relaciones a explorar, visualizaciones a generar y posibles señales de alerta a vigilar.

Ayúdame a elegir e interpretar la prueba estadística adecuada para mi análisis. Qué estoy comparando: [ej. tasas de conversión entre dos grupos de usuarios] Tipo de datos: [ej. resultados binarios, mediciones continuas] Tamaños de muestra: [ej. Grupo A: 1.200, Grupo B: 1.400] Resultados actuales: [ej. Grupo A: 4,2 %, Grupo B: 5,1 %] Recomienda la prueba adecuada, expón los supuestos previos, muestra el cálculo o código y explica cómo interpretar el p-valor y el intervalo de confianza en un lenguaje comprensible.

Ayúdame a diseñar e interpretar un análisis de cohortes. Objetivo: [ej. medir retención a 30/60/90 días por mes de registro] Datos disponibles: [describe tablas y columnas, ej. tabla de usuarios con fecha_registro, tabla de eventos con user_id y fecha_evento] Base de datos / herramienta: [ej. BigQuery, pandas] Escribe la consulta o código para construir la tabla de cohortes, explica cómo leer la salida y señala posibles errores de interpretación habituales.

Estoy observando una tendencia en mis datos y necesito ayuda para interpretarla. Métrica: [ej. usuarios activos semanales] Qué observo: [ej. caída del 15 % en las últimas 6 semanas tras un crecimiento sostenido] Contexto: [eventos conocidos, cambios de producto, estacionalidad o factores externos] Ayúdame a: identificar causas probables, descartar anomalías o artefactos en los datos, sugerir análisis adicionales para confirmar la causa raíz y recomendar siguientes pasos.

Recomienda el mejor tipo de gráfico para mi caso de uso y explica por qué. Qué quiero mostrar: [ej. cómo se desglosan los ingresos por categoría de producto y cómo varían mes a mes] Audiencia: [ej. equipo directivo en una reunión de revisión trimestral] Forma de los datos: [ej. 12 meses x 6 categorías, valores entre 10.000 € y 2.000.000 €] Herramienta: [ej. Tableau, matplotlib, Looker Studio] Sugiere de 2 a 3 opciones, ordénalas por preferencia y explica las ventajas e inconvenientes de cada una.

Ayúdame a diseñar una estructura de panel o dashboard eficaz. Propósito: [ej. supervisión de operaciones diarias para un equipo de soporte] Métricas clave a mostrar: [enuméralas, ej. tickets abiertos, tiempo de resolución, puntuación CSAT, volumen de tickets por canal] Audiencia y forma de uso: [ej. los jefes de equipo lo consultan al inicio de cada turno] Herramienta: [ej. Metabase, Tableau, Grafana] Propón un diseño con secciones, tipos de gráficos para cada métrica y mejores prácticas de experiencia de usuario para una lectura rápida y clara de un vistazo.

Ayúdame a transformar estos datos en una narrativa clara y convincente para una presentación. Hallazgos clave: [enumera de 3 a 5 conclusiones principales de tu análisis] Audiencia: [ej. interesados o directivos no técnicos, comité de dirección] Objetivo de la presentación: [ej. conseguir aprobación para invertir en mejoras de retención] Redacta un arco narrativo que comience con la conclusión más importante, la respalde con datos y finalice con una recomendación clara. Mantenlo conciso y sin tecnicismos innecesarios.

Ayúdame a redactar anotaciones para este gráfico para que sea autoexplicativo. Tipo de gráfico: [ej. gráfico de líneas] Qué muestra: [ej. ingresos mensuales durante los últimos 2 años] Momentos clave a destacar: [ej. lanzamiento del producto en marzo, cambio de precios en agosto, caída en diciembre] Audiencia: [ej. inversores en un pitch deck] Redacta de 3 a 5 etiquetas de anotación breves y contundentes, junto con un título y subtítulo de una sola línea para el gráfico.

Genera una lista de control (checklist) exhaustiva de limpieza de datos para mi conjunto de datos. Descripción del dataset: [describe columnas, tipos de datos, origen y ámbito] Problemas conocidos: [enumera problemas ya identificados, ej. filas duplicadas, formatos de fecha inconsistentes, valores ausentes en columnas clave] Uso posterior: [ej. alimentar un modelo de machine learning, construir un dashboard] Organiza la lista por orden de prioridad e incluye las comprobaciones concretas a ejecutar y cómo resolver cada anomalía.

Ayúdame a decidir cómo tratar los valores ausentes (nulos) en mi conjunto de datos. Columna con valores ausentes: [nombre de la columna y qué representa] Porcentaje de datos faltantes: [ej. 18 %] Tipo de dato: [ej. numérico, categórico, fecha y hora] Uso posterior de la columna: [ej. es una variable predictora en un modelo de regresión] Compara las opciones (eliminar filas, imputar con media/mediana/moda, imputación basada en modelos, etiquetar como categoría separada) y recomienda el enfoque más apropiado con justificación.

Ayúdame a detectar y gestionar valores atípicos (outliers) en mi conjunto de datos. Columna: [nombre de la columna y qué representa] Tipo de dato: [numérico / fecha y hora] Estadísticos de la muestra: [ej. mín.: 0, máx.: 99.000, media: 450, mediana: 380, desviación estándar: 1.200] Contexto: [ej. valor de pedidos en euros; importes muy altos podrían ser pedidos legítimos al por mayor o errores en los datos] Sugiere métodos de detección apropiados (rango intercuartílico/IQR, z-score, Isolation Forest, etc.), proporciona código en [Python/SQL] y aconseja sobre cómo tratar los valores atípicos confirmados.

Ayúdame a estandarizar valores inconsistentes en esta columna. Nombre de la columna: [ej. país] Muestra de valores desordenados: [ej. 'USA', 'United States', 'US', 'u.s.a', 'America'] Formato de salida deseado: [ej. códigos de país ISO 3166-1 alfa-2] Herramienta: [ej. Python pandas, SQL, dbt] Escribe el código para mapear y estandarizar estos valores, gestionar casos extremos y marcar aquellos valores que no puedan asociarse de forma automática.

Escribe un pipeline de datos con pandas para la siguiente tarea: Entrada: [describe la fuente de datos, ej. un archivo CSV con columnas: user_id, event_type, timestamp, revenue] Transformaciones requeridas: 1. [ej. filtrar solo eventos de compra] 2. [ej. agregar ingresos por usuario por mes] 3. [ej. calcular tasa de crecimiento intermensual] Salida: [describe el resultado esperado, ej. un DataFrame con una fila por usuario y por mes] Escribe código limpio y legible con comentarios. Utiliza encadenamiento de métodos (method chaining) donde aporte mayor claridad.

Escribe código en Python para generar la siguiente visualización: Tipo de gráfico: [ej. mapa de calor, gráfico de barras agrupadas, serie temporal con intervalo de confianza] Datos: [describe la estructura del DataFrame, ej. df tiene columnas: mes, categoría, valor] Requisitos de estilo: [ej. fondo oscuro, paleta accesible para personas con daltonismo, sin bordes de gráfico] Salida: [ej. guardar como PNG a 300 DPI] Usa matplotlib y/o seaborn. Incluye título adecuado, etiquetas en los ejes y leyenda. Déjalo listo para publicación o presentación.

Sugiere ideas de ingeniería de variables para mi conjunto de datos de machine learning. Objetivo de predicción: [ej. si un usuario se dará de baja (churn) en los próximos 30 días] Variables brutas disponibles: [enuméralas con sus tipos, ej. signup_date (fecha), last_login (fecha), num_sessions (entero), plan_type (categórica)] Granularidad de los datos: [ej. una fila por usuario] Sugiere de 10 a 15 variables derivadas, explica la intuición detrás de cada una y proporciona el código en pandas para crearlas.

Escribe un script de validación de datos en Python para mi conjunto de datos. Dataset: [describe columnas, tipos y origen] Reglas de validación a aplicar: 1. [ej. user_id debe ser no nulo y único] 2. [ej. event_date debe estar comprendido entre 2020-01-01 y hoy] 3. [ej. revenue debe ser >= 0] 4. [ej. status debe ser uno de: activo, inactivo, pendiente] El script debe imprimir un resumen de las infracciones detectadas en lugar de detenerse en el primer error. Utiliza pandas o Great Expectations.

Escribe un resumen ejecutivo basado en las siguientes conclusiones extraídas de los datos. Contexto: [ej. revisión de rendimiento del Q1 2026 para un producto SaaS] Métricas clave: - [métrica 1]: [valor y variación respecto al periodo anterior] - [métrica 2]: [valor y variación] - [métrica 3]: [valor y variación] Eventos relevantes: [ej. lanzamiento de la funcionalidad X en febrero, pérdida de una cuenta importante en marzo] Escribe un resumen ejecutivo de entre 150 y 200 palabras. Comienza con la conclusión más importante, sé directo con los problemas identificados y finaliza con las 2 o 3 prioridades clave para el próximo trimestre.

Escribe un informe semanal de métricas conciso para los siguientes datos. Equipo / producto: [ej. equipo de Crecimiento, app móvil] Semana: [ej. semana del 17 de marzo de 2026] Métricas de esta semana: - [métrica]: [valor] frente a [valor de la semana anterior] - [métrica]: [valor] frente a [valor de la semana anterior] Logros destacados: [victorias o eventos notables] Preocupaciones: [caídas o anomalías] Formátalo como una actualización corta para Slack o correo: 3 a 5 puntos, lenguaje claro y sin jerga técnica. Marca los puntos que requieran atención inmediata.

Escribe un resumen claro de los resultados de mi prueba A/B orientado a una audiencia no técnica. Nombre del experimento: [ej. nuevo flujo de pago / checkout] Hipótesis: [ej. simplificar el proceso a 2 pasos aumentará la conversión] Control frente a variante: [describe el cambio] Resultados: - Métrica principal: [ej. tasa de conversión] — Control: [X %], Variante: [Y %], incremento relativo: [Z %] - Significancia estadística: [ej. p=0,03, IC 95 %: +1,2 % a +4,8 %] - Métricas secundarias: [métricas de control/guarda y sus resultados] Duración de la prueba: [ej. 14 días, 25.000 usuarios por grupo] Explica qué significan los resultados, si se recomienda lanzar el cambio y posibles advertencias a tener en cuenta.

Escribe un diccionario de datos para la siguiente tabla o conjunto de datos. Nombre de la tabla: [ej. pedidos] Columnas: - [nombre_columna]: [tipo de dato, ej. INT] — [breve descripción de su contenido] - [nombre_columna]: [tipo de dato] — [descripción] - [añadir más según corresponda] Audiencia: [ej. nuevos analistas de datos que se incorporan al equipo] Para cada columna incluye: nombre, tipo de dato, descripción, valores de ejemplo, si admite nulos y cualquier peculiaridad o advertencia conocida. Dale formato de tabla limpia en markdown.