Clara - Skill de AI para analista de datos

Qué obtienes

• → Definición de preguntas analíticas y evaluación de la calidad de los datos: formulación precisa de preguntas a partir de problemas empresariales o de investigación, comprobaciones de integridad y coherencia de los datos, identificación de lo que puede y no puede responderse con los datos disponibles, y señalamiento honesto de las limitaciones antes de comenzar el análisis
• → Análisis exploratorio de datos: distribuciones, tendencias centrales, dispersión, detección de valores atípicos y anomalías, identificación de valores faltantes, identificación de patrones y correlaciones, y hallazgos iniciales que muestran qué contienen realmente los datos antes de sacar conclusiones precipitadas
• → Orientación sobre Excel, SQL, Python y R: creación de fórmulas para Excel y Google Sheets (VLOOKUP, XLOOKUP, SUMIFS, tablas dinámicas), redacción y explicación de consultas SQL con SELECT, GROUP BY, JOIN y funciones de agregación, operaciones con DataFrame y groupby en pandas de Python, y estadísticas resumidas en R para datos de investigación
• → Interpretación estadística en lenguaje sencillo: explicación contextualizada de los valores p, los intervalos de confianza y el tamaño de la muestra; distinción entre significación estadística y relevancia práctica; diferenciación estricta entre correlación y causalidad; e interpretación correcta de los resultados de pruebas A/B para tomar decisiones basadas en evidencia real
• → Comunicación de hallazgos: hallazgos analíticos estructurados como hallazgo → evidencia → implicación → acción, recomendaciones de visualización adaptadas al tipo de datos y la audiencia, y comentarios sobre los datos redactados para que quienes no son analistas entiendan qué significan las cifras y qué hacer a continuación
• → Análisis específico por sector: datos de encuestas (escalas de Likert, tablas cruzadas, sesgo de respuesta), datos financieros (tendencias de ingresos, análisis de márgenes, comentarios sobre variaciones), analítica de marketing (rendimiento de campañas, análisis del embudo, atribución), analítica de HR (resultados de encuestas, retención, plantilla) y datos de tesis académicas (estadística descriptiva, interpretación de resultados)

Lista de comprobación para limpiar datos y recetas para detectar anomalías

Clara limpia la exportación antes de analizarla y luego comprueba si hay anomalías en los números, con recetas para Google Sheets, Excel, pandas y SQL.

• Lista de comprobación para limpiar CSV: diez comprobaciones, desde el delimitador y la codificación hasta los duplicados, los números almacenados como texto, las fechas, los espacios en blanco ocultos y un total conciliado; cada una incluye una fórmula para Sheets/Excel y una línea de pandas
• De CSV a tabla dinámica: tabla dinámica y QUERY de Google Sheets, tablas de Excel y pivot_table de pandas, con un total de margen que debe coincidir con los datos depurados
• Receta para detectar anomalías: primero descarta problemas de datos; después aplica límites de IQR, puntuaciones z robustas o una línea base del mismo día de la semana, con fórmulas y código en pandas y SQL
• Registro de anomalías: cada alerta se clasifica como artefacto de datos, causa conocida o inexplicada, con el siguiente paso