El ciclo de análisis de datos explicado con un caso real

"Analizar datos" suena a una sola actividad, pero en la práctica es un proceso de 6 etapas — y saltarse cualquiera de ellas (sobre todo las dos primeras, que nadie quiere hacer) es la razón número uno por la que un análisis "se ve bien" pero lleva a una decisión equivocada. Vamos a recorrer las 6 con un caso real: una tienda que quiere entender por qué bajaron sus ventas el trimestre pasado.

1. Definir la pregunta (la etapa que casi todos se saltan)

"Analizar las ventas" no es una pregunta, es un tema. Una pregunta real se puede responder con sí/no, un número o una lista concreta: "¿Qué categoría de producto explica la mayor parte de la caída en ventas de julio comparado con junio?" Sin esta etapa, es fácil pasar tres días explorando datos interesantes que no responden nada útil para quien va a tomar la decisión.

2. Recolección: juntar los datos que existen (no los que quisieras tener)

En este caso: exportar las ventas de junio y julio del sistema de punto de venta, más el catálogo de productos con su categoría. Es normal que falte algo — quizás no hay dato de "canal de venta" (tienda física vs. online) y hubiera sido útil. Se documenta como limitación y se sigue con lo que sí hay, en vez de bloquear todo el análisis esperando el dato perfecto.

3. Limpieza: la etapa que se lleva el 60-70% del tiempo real

Los datos crudos casi nunca están listos para analizar. En el caso de la tienda, una revisión rápida encuentra:

• Duplicados: algunas ventas aparecen dos veces por un reintento del sistema de pago.
• Categorías inconsistentes: "Ropa", "ropa" y "ROPA " (con espacio) se tratan como tres categorías distintas si no se normalizan.
• Valores imposibles: una venta con monto negativo que en realidad era una devolución mal registrada.

Nada de esto se "arregla a ojo" en el reporte final — se corrige en los datos, con una regla documentada (ej. "todo texto de categoría se pasa a minúsculas y se recorta espacios"), para que el análisis sea reproducible si se vuelve a correr con datos de agosto.

4. Exploración (EDA): mirar los datos antes de sacar conclusiones

Antes de buscar la respuesta a la pregunta original, vale la pena mirar el panorama general: ¿cuántas ventas hay por día?, ¿hay algún día con cero ventas que indique un error de carga en vez de una caída real?, ¿cómo se distribuyen los montos? Esta etapa evita la trampa más común: construir una conclusión elaborada sobre un problema de datos que un vistazo simple hubiera detectado en segundos.

5. Análisis: ahora sí, responder la pregunta

Con los datos limpios y ya explorados, se agrupan las ventas por categoría y mes para comparar junio contra julio:

SELECT categoria,
       SUM(CASE WHEN mes = 'junio' THEN monto ELSE 0 END) AS junio,
       SUM(CASE WHEN mes = 'julio' THEN monto ELSE 0 END) AS julio
FROM ventas
GROUP BY categoria
ORDER BY (junio - julio) DESC;

Supongamos que el resultado muestra que "Calzado" cayó un 40% mientras las demás categorías se mantuvieron estables. Ya hay una respuesta concreta a la pregunta del paso 1 — no "las ventas bajaron", sino qué bajó y cuánto.

6. Comunicación: de la tabla a una decisión

Un hallazgo que solo vive en una tabla dinámica rara vez cambia algo. La última etapa es traducirlo a algo que quien decide pueda entender en 10 segundos: un gráfico de barras simple con las dos barras de calzado muy distintas, una frase clara ("Calzado explica el 70% de la caída de julio") y, si es posible, una hipótesis accionable ("revisar si hubo quiebre de stock en ese mes"). Este es exactamente el tipo de storytelling con datos que separa un análisis técnico correcto de uno que realmente influye en una decisión.

Errores comunes en el ciclo completo

• Saltarse el paso 1: explorar datos sin una pregunta concreta produce hallazgos interesantes que nadie pidió y que no resuelven el problema real.
• Limpiar "en el camino": corregir datos directamente en la hoja de resultados en vez de en el origen — el análisis deja de ser reproducible la próxima vez.
• Confundir correlación con causa: que "Calzado" haya caído junto con una campaña de precios de la competencia no prueba que esa sea la causa — es una hipótesis a validar, no una conclusión.

Siguiente paso

Estas 6 etapas son las mismas sin importar la herramienta — Excel, SQL, Python o Power BI solo cambian cómo se ejecuta cada una. El curso de Análisis de Datos Profesional en ZENTIX recorre el ciclo completo con casos reales, incluyendo limpieza de datos sucios de verdad y la etapa de comunicación que la mayoría de cursos técnicos se saltan.