Conexión con la Sesión Anterior

La sesión pasada aprendimos a:

• Nivel 3: Comunicar → Prompt engineering con rol y contexto
• Nivel 4: Evaluar → LLM-as-a-Judge para validar calidad
• Nivel 5: Orquestar → Diseñar agentes que usan herramientas

Ahora vamos a aplicar esas habilidades a:

Explorar un dataset real en Sheets,
con IA como asistente, no como reemplazo

Dataset para Hoy

Productos de E-commerce (dataset real de productos tecnológicos)

Descargar aquí: https://edatos.consorciomadrono.es/dataset.xhtml?persistentId=doi:10.21950/JTIQQ5

Analizaremos productos y sus características para encontrar insights de mercado.

Nota: Los campos rating y reviews tienen valores NULL en la mayoría de filas, pero algunos productos sí tienen datos.

Actividad 1: Pregunta de Negocio

En grupos:

1. Miran el dataset en Sheets

2. Planteen: ¿Qué pregunta de negocio queremos responder?

   • Ej: "¿Qué categorías tienen mejores precios promedio?"
   • Ej: "¿Qué marcas dominan cada segmento de mercado?"
   • Ej: "¿Cómo se relacionan rating y número de reseñas?"

3. Definen rol del LLM: ¿En qué nos ayudará ChatGPT?

   • Sugerir análisis posibles
   • Identificar patrones de mercado
   • Ayudar a redactar conclusiones de negocio

Prompt Base para el LLM

Copien y peguen este prompt en ChatGPT/Claude:

Eres analista de datos. Tengo un dataset de productos e-commerce con:
- price, brand, rating, reviews, platform, categorías

Pregunta negocio: "[PEGA TU PREGUNTA AQUÍ]"

Sugiere 3 análisis para Sheets (sin código) que respondan esta pregunta.

Actividad 2: Mini-EDA

Dividido en 3 micro-fases:

2.1 Elegir 2 vistas clave

• Ejecutan 2 sugerencias en Sheets (tablas dinámicas, gráficos)

2.2 Crear columna de segmentación

• Usan LLM para diseñar reglas de segmentación
• Aplican reglas manualmente en Sheets (ej: rango de precios, nivel de popularidad)

2.3 Cruce con nueva columna

• Tabla dinámica: segmento_precio vs Macro-Category-ES
• Tabla dinámica: nivel_popularidad vs platform

Fase 2.1: Elegir Vistas Clave

El LLM propone, ustedes deciden
El modelo sugiere acciones, pero ustedes eligen cuál es más útil

Ejemplos de vistas que pueden aparecer:

• Precio promedio por macro-categoría
• Distribución de ratings por plataforma
• Top 10 marcas por número de productos
• Relación entre precio y número de reseñas
• Evolución de precios por categoría en el tiempo

Ejecuten 2 en Sheets:

• Tablas dinámicas
• Gráficos de barras/líneas

Fase 2.2: Segmentación Manual Asistida

Conexión con ejercicio anterior:

La vez pasada clasificamos una reseña.
Hoy diseñamos reglas para segmentar muchos productos.

Flujo:

1. Identifiquen 2-3 criterios útiles para segmentar:
   • Rango de precios (bajo/medio/alto)
   • Nivel de popularidad (pocas/muchas reseñas)
   • Nivel de satisfacción (rating bajo/medio/alto)

2. Prompt al LLM:

Voy a segmentar productos de e-commerce usando estos datos:
- price (rango: 1.2 a 5405 EUR)
- reviews (rango: 0 a 105080)
- rating (escala 1-5)

Para cada criterio (precio, reviews, rating):
1) sugiere 3 segmentos lógicos
2) define los rangos numéricos para cada segmento
3) nombra cada segmento (ej: "Económico", "Popular")

Ejemplo de formato:
PRECIO:
- Bajo: < 50 EUR
- Medio: 50-200 EUR  
- Alto: > 200 EUR

Fase 2.2: Aplicar Reglas (continuación)

3. Usen las sugerencias del LLM para definir reglas simples:

   • Ejemplo: price < 50 → ECONÓMICO
   • Ejemplo: reviews > 1000 → POPULAR
   • Ejemplo: rating >= 4 → ALTA_SATISFACCIÓN

4. Añadan columnas en Sheets:

   • segmento_precio
   • nivel_popularidad
   • nivel_satisfaccion
   • Usen filtros/fórmulas para marcar cada fila

Mensaje clave:

El LLM ayudó a diseñar la segmentación,
pero ustedes deciden qué criterios usar.
Eso es Data Science.

Fase 2.3: Cruce Simple

Tabla dinámica básica:

• segmento_precio (filas) vs Macro-Category-ES (columnas)
• nivel_popularidad (filas) vs platform (columnas)
• nivel_satisfaccion (filas) vs brand (columnas)

Conexión con Nivel 4 (Evaluar):

La sesión pasada usamos LLM-as-a-Judge para evaluar salidas.
Hoy están evaluando su propia segmentación:
¿Tiene sentido que la categoría X tenga más productos económicos?

Actividad 3: Insight Final con LLM

3.1 Hallazgos en Bruto

Escriban en un doc:

• Pregunta inicial
• 2-3 hallazgos numéricos claros:
  • "En Electrodomésticos, 60% de productos son de precio alto (>200EUR)"
  • "Amazon tiene 2x más productos que las otras plataformas combinadas"
  • "Productos con rating >4 tienen 2.5x más reseñas promedio"

Actividad 3: Insight Final (continuación)

3.2 LLM como Editor de Comunicación

Prompt sugerido:

Actúa como analista de datos que prepara un resumen
para un gerente de e-commerce.

Nuestra pregunta era:
"[PREGUNTA]"

Nuestros hallazgos en bruto son:
- [bullet 1]
- [bullet 2]
- [bullet 3]

Redacta un párrafo de 4-5 líneas que:
1) responda la pregunta de forma clara
2) mencione los datos sin jerga estadística
3) termine con 1 recomendación accionable

No inventes números nuevos; usa solo los que di.

Mini-Presentaciones

Cada grupo comparte:

• Pregunta de negocio
• 1 hallazgo clave (número + contexto)
• Párrafo final (conclusión + recomendación)

No hay que explicar todo el análisis
Solo: pregunta → insight → acción

Cierre:

¿Qué reutilizamos hoy?

Referencias

Prompt Engineering

• Prompt Engineering Best Practices - LaunchDarkly
• OpenAI Prompt Engineering Guide

Data Science Aplicado

• Project-Based Learning - NC State
• Data Science Applications 2026 - TechTarget

Datasets de Práctica

• Kaggle Datasets
• Google Dataset Search