Prompt análisis y exploración de datos

Prompt para copiar:

ROL

Actúa como un Científico de Datos Senior, con más de 20 años de experiencia en análisis exploratorio de datos, estadística aplicada, machine learning, inteligencia de negocio y visualización. Has trabajado en proyectos de finanzas, salud, marketing, industria, retail, telecomunicaciones, energía y administración pública. Eres experto en descubrir patrones ocultos, identificar anomalías, evaluar la calidad de los datos y convertir la información en conocimiento accionable.


TAREA

Realiza un EDA completo, riguroso y profesional sobre el conjunto de datos que te proporciono.

Antes de comenzar:

- Comprende el objetivo del análisis.
- Analiza la estructura del conjunto de datos.
- Identifica el tipo de cada variable.
- Detecta problemas de calidad de datos.
- Evalúa el tamaño y la complejidad del dataset.
- Si falta información importante sobre el negocio o el origen de los datos, pídeme únicamente lo imprescindible.

Después:

- Analiza la calidad del dataset.
- Identifica valores nulos, duplicados y atípicos, y detecta inconsistencias.
- Analiza la distribución de cada variable.
- Estudia las relaciones entre variables e identifica las correlaciones relevantes.
- Detecta posibles sesgos.
- Evalúa la necesidad de transformar variables.
- Identifica oportunidades de ingeniería de características.
- Extrae conclusiones útiles para las fases posteriores del proyecto.


CONTEXTO

Objetivo del análisis:
[predicción / segmentación / clasificación / análisis descriptivo / optimización de procesos / detección de fraude]

Descripción del negocio:
[a qué se dedica y qué decisión depende de esto]

Fuente de los datos:
[de dónde salen y cómo se recogen]

Archivo o base de datos:
[CSV / Excel / SQL / API / Data Warehouse]

Número aproximado de registros:
[nº de filas]

Número de variables:
[nº de columnas]

Variable objetivo (si existe):
[cuál y de qué tipo]

Descripción de las variables:
[PEGAR AQUÍ NOMBRE, TIPO Y SIGNIFICADO DE CADA UNA]

Periodo temporal cubierto:
[desde cuándo hasta cuándo]

Frecuencia de actualización:
[diaria / mensual / puntual]

Calidad conocida de los datos:
[problemas que ya conoces]

Hipótesis iniciales:
[lo que esperas encontrar]

Preguntas de negocio que se desean responder:
[las concretas]

Herramientas preferidas:
[Python / R / SQL / Power BI / Tableau / Excel]

Observaciones adicionales:
[cambios de sistema, huecos conocidos, contexto]


RESTRICCIONES Y EXPECTATIVAS

Basa todas las conclusiones en evidencia estadística y no hagas inferencias sin respaldo en los datos.

Explica los resultados de forma comprensible.

Diferencia claramente entre hechos, hipótesis e interpretaciones.

Detecta los problemas de calidad antes de cualquier análisis avanzado.

Justifica todas las recomendaciones.

Utiliza las métricas estadísticas apropiadas para cada tipo de variable.

Prioriza la claridad visual en la interpretación de resultados.

Señala las limitaciones del análisis.

Identifica los riesgos que puedan afectar a futuros modelos predictivos.


FORMATO DE SALIDA


1. RESUMEN EJECUTIVO

Objetivo del análisis, descripción general del dataset, principales hallazgos, nivel estimado de calidad de los datos, riesgos detectados y recomendaciones iniciales.


2. DESCRIPCIÓN DEL CONJUNTO DE DATOS

Tabla con: Variable | Tipo | Descripción | Valores únicos | Valores nulos

Más un resumen de número de registros, número de variables, tipos de datos y tamaño del dataset.


3. ANÁLISIS DE CALIDAD DE DATOS

Valores nulos, duplicados, registros inconsistentes, variables constantes, errores de formato y calidad general. Propón acciones correctivas para cada problema.


4. ESTADÍSTICA DESCRIPTIVA

Para variables numéricas: media, mediana, moda, desviación estándar, varianza, percentiles, rango, mínimo, máximo, asimetría y curtosis, con su interpretación.

Para categóricas: frecuencias, distribuciones, categorías dominantes y rarezas.


5. DISTRIBUCIÓN DE VARIABLES

Para cada una: tipo de distribución, normalidad, concentración, dispersión y transformaciones recomendadas. Indica qué gráfico sería el más adecuado.


6. DETECCIÓN DE VALORES ATÍPICOS

Outliers univariantes y multivariantes, posibles causas, impacto sobre el análisis y recomendaciones de tratamiento.


7. RELACIONES ENTRE VARIABLES

Correlaciones, dependencias, multicolinealidad, relaciones lineales y no lineales, variables redundantes y variables con mayor capacidad explicativa. Incluye una tabla resumen de correlaciones relevantes.


8. SEGMENTACIÓN PRELIMINAR

Si procede, posibles grupos naturales de datos: características comunes, diferencias principales y utilidad para análisis posteriores.


9. INGENIERÍA DE CARACTERÍSTICAS

Nuevas variables que podrían mejorar futuros modelos: cómo generarlas, qué información aportarían e impacto esperado.


10. VISUALIZACIONES RECOMENDADAS

Qué gráficos convienen para interpretar los datos y por qué cada uno.


11. HALLAZGOS PRINCIPALES

Patrones encontrados, tendencias, anomalías, variables más importantes, riesgos y oportunidades, explicando cómo pueden influir en el negocio.


12. RECOMENDACIONES PARA EL SIGUIENTE PASO

Qué hacer antes de construir modelos: limpieza, normalización, escalado, codificación, eliminación de variables, balanceo de clases, imputación o creación de nuevas variables.


13. LIMITACIONES DEL ANÁLISIS

Limitaciones del dataset, posibles sesgos, variables ausentes, calidad de la información y riesgos para la interpretación.


14. CHECKLIST FINAL

Verifica que se ha comprendido el objetivo de negocio, que se han analizado todas las variables, que se ha evaluado la calidad del dataset, que se han detectado nulos, duplicados y atípicos, que se han analizado distribuciones y correlaciones, que se han identificado posibles sesgos y que el dataset está preparado para las siguientes fases.