Análisis de datos: métodos, herramientas y ejemplos prácticos

1. Qué es el análisis de datos
2. Tipos de análisis de datos
3. Metodología probada: CRISP-DM
4. Arquitectura y pipelines: ETL vs ELT + Fabric/Power BI
5. Calidad de datos
6. Stack recomendado de herramientas y perfiles de equipo
7. Casos de uso de análisis de datos
8. Tutoriales paso a paso
9. Privacidad y cumplimiento en Chile
10. FAQs
11. Plan con XMS

1. Qué es el análisis de datos

 “Análisis de datos” es el proceso de inspeccionar, limpiar, transformar y modelar datos para descubrir información útil, explicar lo ocurrido y apoyar decisiones. Aplica a datos estructurados/no estructurados y a múltiples áreas del negocio. 

En la práctica, tu estrategia combinará analítica descriptiva (¿qué pasó?), diagnóstica (¿por qué pasó?), predictiva (¿qué pasará?) y prescriptiva (¿qué conviene hacer?). 

2. Tipos de análisis de datos

Elegir el tipo correcto evita complejidad innecesaria.

• Descriptivo: resume qué ocurrió (métricas, KPIs, dashboards).
  
• Diagnóstico: explica por qué ocurrió (segmentaciones, cohortes, causalidad plausible).
  
• Predictivo: estima qué ocurrirá (modelos estadísticos/ML).
  
• Prescriptivo: recomienda qué hacer (optimización, simulaciones, reglas).

Consejo: empieza por descriptivo/diagnóstico; añade predictivo/prescriptivo cuando tengas suficiente dato y un caso de uso claro.

3. Metodología probada de análisis de datos: CRISP-DM

Un proceso que ha sido validado en el campo evita “proyectos eternos”. La metodología CRISP-DM estandariza proyectos de minería/análisis de datos en seis fases:

1. Comprensión del negocio
2. Comprensión de los datos
3. Preparación
4. Modelado,
5. Evaluación
6. Despliegue.

Sirve como checklist operativo y lenguaje común entre negocio y datos. 

Usa CRISP-DM como contrato de trabajo: cada fase produce entregables claros (diccionario de datos, métricas de éxito, plan de despliegue). 

4. Arquitectura y pipelines: ETL vs ELT + Fabric/Power BI

La arquitectura determina costo, velocidad y gobierno.

• ETL: extraer → transformar → cargar (transforma fuera del almacén).
  
• ELT: extraer → cargar → transformar (transforma en el destino; escala mejor en big data).

Stack recomendado por XMS:

• Microsoft Fabric como plataforma unificada (integración, ingeniería, ciencia de datos, streaming y BI) con seguridad/gobernanza integradas y experiencias Copilot.
  
• Power BI como capa de visualización y consumo gobernado, integrado a Fabric.

Regla práctica: usa Fabric + Power BI como columna vertebral; añade Spark/ML (Databricks/Azure) solo donde el caso lo pida. 

5. Calidad de datos

Sin datos de calidad, no hay decisiones confiables. La “calidad de datos” mide qué tan bien un dataset cumple criterios como exactitud, completitud, consistencia, validez, unicidad y puntualidad. Estas dimensiones son el estándar más extendido en la industria y constituyen la base de cualquier programa de data governance. 

5.1 Dimensiones clave 

Antes de medir, define umbrales por dominio (ventas, finanzas, operaciones).

• Exactitud (Accuracy): ¿Refleja la realidad?
  • Métrica: % de registros cuya variable clave coincide con fuente de referencia (ej. RUT válido vs padrón).
• Completitud (Completeness): ¿Están presentes los datos requeridos?
  • Métrica: % de campos obligatorios no nulos por tabla/entidad.
• Consistencia (Consistency): ¿Los datos concuerdan entre sistemas?
  • Métrica: % de coincidencia entre “cliente_id” en CRM y ERP.
• Validez (Validity): ¿Cumplen reglas de formato/rango?
  • Métrica: % de fechas válidas, % de emails que pasan regex y verificación de dominio.
• Unicidad (Uniqueness): ¿No hay duplicados?
  • Métrica: ratio de duplicados por clave natural (RUT, N° factura).
• Puntualidad/Actualidad (Timeliness): ¿Llegan a tiempo para decidir?
  • Métrica: % de cargas dentro del SLA (ej. 06:00 AM CLT).

Consejo: no intentes “10 dimensiones” desde el día 1. Empieza con estas seis y madura el análisis de datos según tus riesgos. 

5.2 Cómo medir (del KPI al Data Quality Score)

Convierte definiciones en números comparables.

• Asigna peso por dimensión según el riesgo (p. ej., exactitud 30%, completitud 25%…).
  
• Calcula un DQ Score mensual por dominio: Σ (peso_i × cumplimiento_i).
  
• Define SLA por pipeline (ej. puntualidad ≥ 98%) y SLO por tabla (ej. unicidad ≥ 99,9%).
  
• Publica un tablero de DQ (Power BI) con sparklines y alertas (p. ej., Data Activator/Fabric).

5.3 Reglas de DQ y monitoring

Usa un estándar mínimo en todos los pipelines.

• Rechazo/aislamiento de registros inválidos (zona quarantine).
  
• Asserts de esquema: tipos, rangos, llaves, nullability, dominios permitidos.
  
• Pruebas de regresión de datos en cada deploy (antes de producir).
  
• Anomalías: detector estadístico (control charts, IQR) en métricas críticas.
  
• Linaje: captura de orígenes, transformaciones y responsables.

5.4 Gobierno, ownership y RACI (Responsible, Accountable, Consulted, Informed)

La calidad de datos es gestión, no solo tecnología. Estos son los perfiles críticos en tu equipo:

• Data Product Owner (DPO): define reglas y umbrales por dominio.
  
• Data Engineer: implementa tests, monitors y retries.
  
• BI/Analytics: validan KPIs y documentación de negocio.
  
• RACI por incidente (quién responde, aprueba, consulta e informa).

5.5 Playbook de 90 días

Te proponemos un plan para pasar de cero a visible en 3 meses:

• Día 0–7 (Arranque): inventario de tablas/pipelines, prioriza 10 tablas “críticas”. Define 3–5 reglas por tabla (exactitud, completitud, unicidad).
• Día 8–30 (Implementación): instrumenta tests automáticos (Power Query/SQL/notebooks) y monitors con alertas. Publica tablero de DQ en Power BI.
• Día 31–60 (Cierre de brechas): corrige fuentes, unifica catálogos, agrega linaje y SLA tracking.
• Día 61–90 (Escala): extiende a 30–50 tablas, añade anomalías y adopta “aprobación de datos” antes de modelos/BI.

6. Stack recomendado de herramientas y perfiles de equipo

Empieza simple y escala por necesidad.

• Herramientas: Excel/SQL para análisis tabular; Power BI para BI gobernado; Fabric para integración/lakehouse/warehouse; Python/R para ML y automatizaciones.
• Perfiles: Analista de datos/BI (modelado/visualización), Ingeniería de datos (pipelines, calidad, performance), Ciencia de datos (modelos ML y experimentación).

7. Casos de uso de análisis de datos

Los mejores casos nacen de dolores claros y datos accesibles.

• Finanzas/Operaciones: forecast de demanda, control de inventario, pricing dinámico, anomalías de costo.
  
• Marketing/Ventas: atribución multicanal, cohortes, LTV, propensión a compra.
• Sector público/Salud: tiempos de espera, series temporales epidemiológicas, auditoría de coberturas.

8. Tutoriales paso a paso

Tutorial 1: Crear un reporte básico en Power BI desde un CSV

Idea: importar un CSV de ventas y publicar un panel con KPIs.

Pasos (resumen): 1) Power BI Desktop → Obtener datos (CSV). 2) Limpiar tipos/fechas. 3) Crear medidas (ingresos, margen). 4) Visuales (línea, barras, tarjetas). 5) Publicar en servicio y compartir (espacios/permisos). 

Tutorial 2: Pipeline ELT en Microsoft Fabric (origen → Lakehouse → Warehouse)

Idea: copiar datos a tu Lakehouse y modelar para BI.

Pasos (resumen): 1) En Fabric, crear Data Pipeline. 2) Conector de origen → Lakehouse. 3) Programar/monitorizar. 4) Modelar tablas en Warehouse. 5) Conectar Power BI. 

Tutorial 3: Notebook de análisis exploratorio (EDA) con Spark

Idea: explorar a escala, preparar “silver” y servir a BI/ML.

Pasos (resumen): 1) Workspace/cluster (o serverless). 2) Montar origen (lake/ADLS). 3) Notebook PySpark: lectura, describe(), nulos/outliers. 4) Guardar tablas “silver”. 5) Conectar a Power BI. (El patrón aplica con Spark administrado en Azure/Fabric.) 

9. Privacidad y cumplimiento en Chile

Cumplir la normativa es parte del análisis de datos. En Chile rige la Ley N° 19.628 sobre protección de la vida privada (datos personales). En 2024 se publicó normativa que crea la Agencia de Protección de Datos Personales y actualiza el marco; revisa vigencia y reglamentos asociados al momento de implementar. 

Prácticas mínimas: base legal y finalidad específicas, minimización, controles de acceso, auditoría y retención; integra gobernanza y etiquetado en Fabric/Power BI desde el inicio. 

10. FAQ

¿Qué es exactamente “análisis de datos”?

Proceso de inspección, limpieza, transformación y modelado para hallar información útil y apoyar decisiones (ver tipologías clásicas). 

¿Cuáles son los 4 tipos clásicos?

Descriptivo, diagnóstico, predictivo y prescriptivo; responden qué, por qué, qué pasará y qué conviene hacer. 

¿ETL o ELT?

ETL transforma antes de cargar; ELT carga primero y transforma en el destino (lake/warehouse). Para grandes volúmenes, ELT suele ser más eficiente y simple de operar. 

¿Qué herramientas recomienda XMS?

Microsoft Fabric + Power BI como base; añade Spark/ML cuando el caso lo pida. 

¿Cómo mido la calidad de mis datos?

Define y monitorea exactitud, completitud, consistencia, validez, unicidad y puntualidad con reglas, umbrales y un DQ Score por dominio. 

11. Asesoría con XMS

💡 Agenda tu evaluación con XMS.

Nota de Daniela Lalanne (Directora de Marketing XMS)