Análisis Ágiles con IA

Llevo varias semanas intentando escribir este post.

No ha sido por falta de tiempo ni de iniciativa, sino porque me he convertido en esclavo de mis propias palabras al prometer repetidamente que tendría este artículo listo «esta semana sin falta». El verdadero desafío (y ojalá todos los problemas fueran así de fascinantes) radica en el vertiginoso ritmo al que evoluciona el campo de la inteligencia artificial.

Desconectarse de LinkedIn, saltarse una newsletter o alejarse de un canal de YouTube, aunque sea por unos días, implica inevitablemente perderse avances significativos. Desde que me inscribí en la lista de colaboradores de Datola para redactar este artículo, han surgido innumerables novedades relacionadas con la IA que impactan directamente en el ecosistema de datos y analítica digital. El panorama cambia tan rápidamente que cualquier artículo corre el riesgo de quedar desactualizado incluso antes de ser publicado. Pero avanzaremos con lo que tenemos, que no es poco.

Además, no tendréis excusa para no experimentar con las herramientas que mencionaré: la mayoría ofrecen planes completamente gratuitos o con ciertas limitaciones razonables. Así que, como se suele decir últimamente, podréis explorar el potencial de numerosas herramientas «by the face«.

Sin más preámbulos, examinemos cómo la inteligencia artificial está revolucionando nuestra metodología de análisis ágiles—aquellos que los analistas implementamos cuando necesitamos obtener insights con la mayor rapidez posible, pero manteniendo un enfoque ordenado, eficiente y veraz. Para ilustrarlo mejor, utilizaremos un caso práctico ficticio (quizás un poco exagerado) que nos ayudará a contextualizar cada paso del proceso:

Se nos solicita analizar varios conjuntos de datos de Google Merchandise Store para obtener conclusiones relevantes que puedan impulsar decisiones estratégicas.

DISCLAIMER: Las herramientas seleccionadas a continuación y el caso de análisis son meramente ilustrativos. El uso de cualquier herramienta debe realizarse de forma responsable, y será el usuario quien asuma las consecuencias derivadas de un uso inapropiado de las mismas.

1. Exploración del Tema de Análisis o Sector

Tanto si partimos de cero como si ya estamos familiarizados con la temática, siempre resulta valioso contar con información contextual que pueda incidir en los resultados del análisis. El mundo empresarial es tan vasto y diverso que las tendencias o fenómenos que ocurren en determinados mercados pueden estar ausentes en otros. Incluso dentro de un mismo país como España, se pueden apreciar notables diferencias en los patrones de comportamiento y preferencias de los consumidores según la región.

En el caso de Google Merchandise Store, la mayoría de los analistas tenemos una idea general de su propósito, pero ¿hasta qué punto comprendemos su funcionamiento interno, su posicionamiento en el mercado o sus estrategias de venta? Vamos a profundizar en el conocimiento del origen, evolución y alcance de esta tienda utilizando varias herramientas de IA:

Herramientas para la Investigación Preliminar

Gemini con Modelo Deep Research

Ideal cuando no tenemos prisa y partimos desde cero en la comprensión del tema. Este modelo está específicamente diseñado para investigaciones exhaustivas, ofreciendo análisis detallados que incluyen contexto histórico, tendencias actuales y proyecciones futuras.

Método de uso óptimo: Formular preguntas abiertas pero específicas como «¿Cuál es la historia completa de Google Merchandise Store y qué papel juega en la estrategia de marketing de Google?» o «¿Cómo ha evolucionado el modelo de negocio de Google Merchandise Store desde su creación?».

Ventajas específicas: Profundidad de análisis, capacidad para sintetizar información de múltiples fuentes, y generación de insights no evidentes a primera vista.

Ejemplo de output: Enlace a resultados detallados

En el caso de Google Merchandise Store, Gemini nos revelaría no sólo su función como tienda oficial de productos de marca Google, sino también su papel como laboratorio de pruebas para las herramientas analíticas de Google, donde experimentan con implementaciones de Google Analytics, Tag Manager y otras soluciones antes de lanzarlas al público general.

Perplexity Free Plan

Perfecto cuando disponemos de menos tiempo pero tenemos bien definida nuestra consulta. Con el plan gratuito, estamos limitados a tres búsquedas diarias, por lo que debemos aprovecharlas al máximo. En mi caso, yo solamente alterno dos modelos de respuesta, los cuales son los que mejor me han funcionado: modo Deep Research para mayor detalle y modo R1 DeepSeek (sin sesgos) para obtener información más ceñida al prompt.

Método de uso óptimo: Formular preguntas algo más precisas y multifacéticas como «¿Cuáles son las principales métricas de rendimiento de Google Merchandise Store, su posicionamiento en el mercado de merchandising corporativo y qué tecnologías analíticas implementa para monitorear su desempeño?».

Ventajas específicas: Respuestas concisas pero completas, capacidad para integrar datos actuales de internet, y citas de fuentes verificables.

Ejemplo de output: Enlace a resultados de Perplexity

Para nuestro caso, Perplexity podría proporcionarnos información actualizada sobre las categorías de productos más vendidas en Google Merchandise Store, las temporadas de mayor demanda, y cómo su estrategia de marketing se alinea con los lanzamientos de nuevos productos tecnológicos de Google.

Ithy.com

La opción más ágil cuando el tiempo apremia y necesitamos una investigación rápida pero suficientemente informativa.

Método de uso óptimo: Plantear consultas directas, del mismo modo que con Perplexity.

Ventajas específicas: Velocidad de respuesta, formato estructurado, y enfoque en datos accionables.

Ejemplo de output: Enlace a resultados de Ithy

Con esta herramienta, obtendremos rápidamente información clave sobre la estructura organizativa de Google Merchandise Store y su integración con el ecosistema de Google.

Con estos tres outputs complementarios, habremos construido una visión holística del contexto antes de sumergirnos en el análisis de datos específicos. Esta fase preparatoria es fundamental para formular hipótesis pertinentes y reconocer patrones significativos en las etapas posteriores.

2. Comenzamos a Jugar con los Datos

La aproximación a los datos variará dependiendo de cómo accedemos a ellos: a través de herramientas de visualización como Looker Studio, Tableau o Power BI, o mediante la exportación directa en formato tabular para su procesamiento personalizado. También se le pueden adjuntar capturas de pantalla, pero aquí asumimos mayor riesgo de error, ya que la baja resolución de las capturas de pantalla puede hacer que la IA no lea correctamente, ¡y ésta no suele avisar de que va a cometer un error que te puede salir caro por no fijarte!

Para los datos en bruto, usaremos este conjunto de datos simple.

Y para la otra opción, este PDF de un Looker de Google Merchandise Store.

Análisis de Datos en Bruto con IA

Si nos enfrentamos a datos sin procesar y queremos explorar alternativas al tradicional (pero no menos útil) Excel, Claude ofrece capacidades bastante competentes para generar visualizaciones intuitivas y estéticamente atractivas.

Método de uso óptimo: Cargar los datos en formato CSV, JSON o texto en bruto y solicitar, por ejemplo: «Genera visualizaciones interactivas que muestren una visión general de los datos».

Consideraciones importantes: Es crucial verificar meticulosamente que la IA ha interpretado correctamente los datos. Si detectamos inconsistencias o «alucinaciones» (interpretaciones erróneas de los datos), es preferible iniciar una nueva conversación con un contexto limpio.

Ejemplo de implementación: Enlace a visualizaciones de Claude

En nuestro análisis de Google Merchandise Store, Claude podría revelarnos patrones interesantes como la correlación entre plataformas y países, países líderes en conversión y sesiones…

Análisis de Informes Estructurados

Cuando contamos con dashboards en Looker Studio o Power BI con opción de exportar a PDF, podemos potenciar nuestro análisis utilizando Notebook LM, una herramienta revolucionaria pero sorprendentemente poco promocionada por Google.

Método de uso óptimo: Adjuntar el PDF del informe junto con la URL del sitio web para proporcionar el máximo contexto. A continuación, podemos solicitar: «Identifica anomalías en el comportamiento de navegación de usuarios de dispositivos móviles comparado con escritorio y sugiere posibles causas».

Ventajas específicas: La capacidad de generar mapas conceptuales (mindmaps) que interconectan distintas métricas y dimensiones de forma visual, facilitando la identificación de relaciones no evidentes.

Ejemplo de implementación: Enlace a análisis en Notebook LM (contactad conmigo si queréis acceder al libro y os lo concedo)

Aunque Notebook LM también puede procesar datos en bruto, su verdadero potencial se manifiesta en la generación de mapas conceptuales y en su capacidad para interconectar múltiples fuentes de información.

La reciente incorporación de la funcionalidad de mindmapping representa un avance significativo para los analistas que necesitan visualizar relaciones complejas entre diferentes conjuntos de datos. Además, su capacidad de procesamiento es muy amplia: se pueden introducir PDFs y archivos muy pesados.

Para nuestro caso de Google Merchandise Store, Notebook LM podría ayudarnos a visualizar el recorrido completo del cliente (customer journey) desde diferentes puntos de entrada hasta la conversión final, destacando los cuellos de botella y oportunidades de optimización en el proceso.

3. Brainstorming con la IA: Descubriendo Insights Ocultos

Una vez que hemos procesado y visualizado los datos, es momento de profundizar en su interpretación. ¿Los patrones observados tienen sentido desde una perspectiva de negocio? ¿Detectamos tendencias inusuales que merezcan mayor investigación? ¿Son estos resultados «normales» cuando se comparan con los estándares del sector?

Para esta fase de ideación colaborativa con IA, disponemos de diversas opciones potentes:

Google AI Studio

Esta plataforma ofrece múltiples modalidades de interacción con la IA, incluyendo conversación por voz, compartir videos o incluso transmisión de pantalla en tiempo real para análisis dinámicos.

Método de uso óptimo: Compartir la pantalla mientras exploramos nuestros dashboards, permitiendo que la IA observe en tiempo real nuestras visualizaciones mientras comentamos verbalmente: «Estoy notando una caída en la tasa de conversión durante estos períodos… ¿qué factores podrían estar influyendo según los patrones que observas?»

Ventajas específicas: Completamente gratuito, interacción multimodal, y la capacidad de «pensar en voz alta» junto con la IA mientras analizamos datos.

Consideraciones prácticas: Para maximizar el valor de esta herramienta, es recomendable preparar una estructura mental clara de lo que queremos analizar, aunque permitiendo que la conversación fluya de manera orgánica cuando surjan descubrimientos inesperados.

Chat GPT

Ofrece funcionalidad de voz estándar incluso en planes gratuitos, permitiendo una conversación natural en torno a los datos analizados.

Método de uso óptimo: Cargar primero los datos relevantes y luego iniciar una conversación de voz con preguntas como: «Basándote en las tendencias de conversión que observamos en la temporada navideña, ¿qué estrategias de precios recomendarías para mejorar el año que viene?

Ventajas específicas: Excelente integración entre la modalidad de voz y la capacidad de análisis de datos, permitiendo una experiencia conversacional fluida que simula una sesión de brainstorming con un colega analista.

Microsoft Copilot

Proporciona una experiencia conversacional notablemente natural, aunque con cierta variabilidad en su rendimiento.

Método de uso óptimo: Funcionaría mejor para consultas muy generales.

Consideraciones importantes: La inconsistencia en el rendimiento lo convierte en una opción secundaria para planes gratuitos, aunque su interfaz resulta particularmente amigable.

Notebook LM (Función de Podcast Simulada)

Una funcionalidad curiosa que genera conversaciones entre personajes ficticios basados en los datos analizados.

Consideraciones prácticas: Aunque inicialmente puede parecer más una curiosidad que una herramienta analítica seria, esta funcionalidad puede resultar sorprendentemente útil para obtener perspectivas divergentes. Los «personajes» a menudo representan diferentes stakeholders (el responsable de marketing, el analista financiero, el director de producto) y sus conversaciones pueden revelar o anticipar posibles reacciones cuando se den a conocer los datos.

Ventaja específica con plan plus: Permite al usuario unirse a la conversación, interactuando directamente con los personajes simulados para profundizar en determinados aspectos del análisis.

Para nuestro análisis de Google Merchandise Store, podríamos utilizar una combinación de estas herramientas: comenzar con Google AI Studio para una exploración visual colaborativa de los dashboards, complementar con ChatGPT para profundizar en patrones estadísticos específicos de manera más ágil, y finalizar con Notebook LM para simular una conversación en torno a los datos. Y si pagas el Plus, puedes defenderte si te echan la culpa del desastre.

Lo fundamental en esta fase es proporcionar a la IA el máximo contexto posible. Cuanta más información contextual tenga disponible (sobre el sector, la empresa, los objetivos específicos del análisis, y las hipótesis preliminares), más valiosos y accionables serán los insights generados.

4. Documentación del Análisis: Estructurando los Hallazgos

Después de las fases de exploración e ideación, habremos acumulado numerosas conclusiones, datos clave y posibles líneas de acción. Es momento de organizar toda esta información en dos formatos complementarios:

Documentación Detallada

Un documento exhaustivo que incorpore todos los hallazgos relevantes, metodología aplicada, fuentes de datos utilizadas, limitaciones del análisis, y recomendaciones estratégicas fundamentadas. Este formato está destinado principalmente a stakeholders técnicos o a quienes necesiten comprender el proceso analítico completo.

Elementos a incluir:

  • Contexto y objetivos del análisis
  • Metodología y herramientas utilizadas
  • Descripción detallada de los datasets analizados
  • Procesamiento y transformaciones aplicadas a los datos
  • Hallazgos principales y su significación estadística
  • Limitaciones y consideraciones metodológicas
  • Recomendaciones estratégicas con justificación analítica
  • Apéndices con datos complementarios

Ejemplo de implementación: Enlace a documentación detallada


Resumen del Análisis

Una versión condensada y altamente estructurada que destaque exclusivamente los hallazgos más relevantes y accionables. Este formato está orientado a aquellos que necesitan acceder rápidamente a las conclusiones principales.

Elementos a incluir:

  • Objetivo del análisis en una frase
  • 3-5 hallazgos clave
  • Implicaciones directas para el negocio
  • Recomendaciones prioritarias
  • Próximos pasos sugeridos

Ejemplo de implementación: Enlace a resumen ejecutivo

Para nuestro análisis de Google Merchandise Store, vemos que ambas opciones tratan de trasladar la misma información, solo que así contamos con diferentes versiones para poder adaptar el discurso a la situación.

Es fundamental que ambos documentos mantengan coherencia entre sí, diferenciándose únicamente en el nivel de detalle, pero nunca en las conclusiones principales o recomendaciones estratégicas.

5. Presentación del Análisis: La Visualización como Narrativa

Aquí llegamos a la parte más creativa y, simultáneamente, más determinante para el impacto de nuestro análisis. La capacidad para transformar datos en narrativas visuales convincentes puede marcar la diferencia entre un análisis que genere acciones concretas y otro que quede archivado sin repercusión.

La visualización de datos y el análisis deben funcionar como capacidades complementarias: los mejores insights carecen de impacto si no se comunican eficazmente, y las visualizaciones más atractivas resultan inútiles si no transmiten información relevante.

Herramientas Avanzadas para Visualización con IA

Napkin

Una herramienta revolucionaria que permite crear esquemas visuales y diagramas conceptuales con un enfoque minimalista pero altamente efectivo.

Método de uso óptimo: Definir primero el párrafo que queremos visualizar, para luego escoger el estilo que más se adecúe.

Ventajas específicas: Interfaz intuitiva, estética minimalista y profesional, capacidad para generar visualizaciones conceptuales que comunican relaciones complejas de manera accesible.

Ejemplo de implementación: Enlace a visualizaciones de Napkin

Gamma

Una plataforma completa para crear presentaciones dinámicas e interactivas potenciadas por IA.

Método de uso óptimo: Insertar cualquiera de las dos versiones de la documentación del análisis. Después, se precisa escoger estilo, número de diapositivas, extensión…

Ventajas específicas: opciones de interactividad, y capacidad para generar transiciones lógicas entre conceptos.

Funcionalidad avanzada: Posibilidad de incorporar plantillas corporativas oficiales de tu empresa (disponible en el plan de pago), garantizando que tus presentaciones mantengan la identidad visual organizacional.

Ejemplo de implementación: Enlace a presentación en Gamma

Para nuestro análisis de Google Merchandise Store, podríamos utilizar Napkin para crear visualizaciones específicas sobre el embudo de conversión y los patrones de navegación, mientras que Gamma nos permitiría integrar estos elementos en una presentación narrativa que contextualice los hallazgos dentro de los objetivos estratégicos de la empresa.

El verdadero arte en esta fase consiste en encontrar el equilibrio entre la precisión analítica y la claridad comunicativa. Las mejores presentaciones combinan rigor metodológico con una narrativa accesible que conecta los datos con historias y objetivos de negocio tangibles.

6. Resiliencia Analítica: Manejando la Retroalimentación (sátira).

Incluso los análisis más rigurosos y las presentaciones más impactantes pueden enfrentarse a resistencia organizacional o recibir una acogida tibia. Es parte inherente del proceso analítico y conviene desarrollar mecanismos para gestionar constructivamente estas situaciones.

Sesame: El Compañero IA para Momentos Difíciles

En lugar de permitir que la frustración nos domine cuando nuestro análisis no recibe el reconocimiento esperado, Sesame ofrece una experiencia conversacional única con un enfoque más humano y hasta humorístico.

Método de uso óptimo: Interactuar con esta IA de personalidad distintiva para procesar emociones y recalibrar perspectivas: «Acabo de presentar un análisis que me llevó semanas y apenas recibió atención… ¿cómo puedo reenfocarlo para generar mayor impacto?»

Ventajas específicas: Tono conversacional único que combina empatía con humor, capacidad para ofrecer perspectivas alternativas, y enfoque en soluciones prácticas.

Consideración especial: Aunque puede resultar excesivamente conversacional en ocasiones, esta característica puede ser precisamente lo que necesitamos para descomprimir después de una presentación tensa o una sesión de feedback dura.

Ejemplo de interacción: Audio de conversación con Sesame

Más allá de Sesame, y más allá de las bromas, es fundamental desarrollar prácticas de resiliencia analítica:

  1. Documentar meticulosamente las metodologías y decisiones. Esto facilita defender nuestro trabajo frente a críticas y construir credibilidad a largo plazo.
  2. Solicitar feedback específico en lugar de valoraciones generales. Preguntas como «¿Qué visualización encontraste más útil?» o «¿Qué recomendación te pareció más viable?» generan retroalimentación más constructiva que «¿Qué te pareció el análisis?».
  3. Iterar basándose en la retroalimentación recibida. La agilidad no termina con la presentación; el verdadero valor se genera al refinar continuamente nuestros análisis basándonos en las reacciones de los stakeholders.
  4. Mantener una comunidad de práctica. Conectar con otros analistas que puedan proporcionar feedback técnico y apoyo profesional es invaluable para el crecimiento continuo.

Conclusión: El Futuro del Análisis Ágil con IA

La integración de herramientas de IA en nuestros flujos de trabajo analíticos no solo incrementa la eficiencia operativa, sino que transforma fundamentalmente nuestra capacidad para extraer insights significativos y comunicarlos de manera que tenga cierta trascendencia. Esta transformación conlleva tanto oportunidades como responsabilidades.

Por un lado, las herramientas descritas en este artículo democratizan capacidades analíticas avanzadas, permitiendo que profesionales con diversos niveles de expertise técnico puedan generar análisis sofisticados. Por otro lado, esta accesibilidad aumentada exige un mayor rigor metodológico y pensamiento crítico para evitar la propagación de conclusiones erróneas o superficiales. El analista del futuro no será reemplazado por la IA, sino potenciado por ella.

Las habilidades más valoradas evolucionarán desde la ejecución técnica hacia la formulación de preguntas incisivas, la interpretación contextual de resultados, y la traducción de datos en recomendaciones estratégicas. A medida que experimentéis con estas herramientas en vuestros propios proyectos analíticos, os animo a mantener un equilibrio saludable entre entusiasmo tecnológico y escepticismo ante lo que no sabemos cómo funciona realmente.

La verdadera magia no reside en las herramientas mismas, sino en cómo las integramos en procesos analíticos rigurosos que generan valor tangible para nuestras organizaciones. Es decir: no hay que meter la IA en nuestro flujo de trabajo con calzador. Ella misma nos puede ayudar a detectar ineficiencias o cuellos de botella y, a partir de ahí, tratar de encontrar el punto de partida. Y recordad: en un campo que evoluciona tan rápidamente como la IA aplicada al análisis de datos, la curiosidad y la experimentación constante son nuestros mejores aliados. Las herramientas mencionadas en este artículo representan apenas un momento específico en esta evolución acelerada. Veremos en los próximos años, o incluso en los próximos meses, cómo habrá cambiado el panorama desde la fecha de publicación de este post.


¿Qué herramientas de IA estáis utilizando en vuestros procesos analíticos? ¿Qué desafíos habéis encontrado al integrarlas en vuestros flujos de trabajo? ¡Compartid vuestras experiencias en los comentarios!

Javier Rodeiro
Javier Rodeiro

La analítica digital es el campo al que muchos hemos llegado de rebote. Los orígenes de cada uno: diversos. ¿Qué elementos comunes e inherentes comparten perfiles como el nuestro? Igual con Google Signals se puede mirar, ya que en la otra variable, no se informa ese parámetro.

Deja un comentario