Una parte interesada solicita una “lista de clientes limpia” y fiable para una campaña de correo electrónico y la actualización de un panel de control. Dispones de la exportación en hoja de cálculo, pero esta contiene celdas vacías, formatos de fecha variados, nombres de países inconsistentes y registros duplicados. El riesgo no radica en la dificultad de la limpieza en sí, sino en que un paso de limpieza rápido sugerido por la IA altere silenciosamente el recuento de registros o su significado; esto te hace responsable de los fallos posteriores si la campaña se dirige a las personas equivocadas o si los datos del panel se distorsionan.
En este curso, la IA actúa como una herramienta de redacción y aceleración. La utilizarás para proponer transformaciones, fórmulas, scripts (Apps Script o VBA) e identificar posibles problemas de calidad de los datos. No dejarás que la IA decida qué datos descartar, cómo realizar imputaciones o qué constituye un “duplicado”. Los criterios de éxito son las condiciones medibles que definen cuándo los datos están “lo suficientemente limpios” para la tarea empresarial. Debes establecerlos desde el principio para evitar que la limpieza se convierta en un mero ejercicio estético.
Tu regla fundamental es sencilla: cada paso generado por la IA debe poder ejecutarse, revertirse y auditarse en Excel o Google Sheets, contando con evidencias que puedas presentar en una revisión.
Imagina un conjunto de datos denominado customer_contacts_export.xlsx que contiene 18.240 filas, extraídas de un CRM y correspondientes al periodo comprendido entre el 1 de enero de 2025 y el 30 de junio de 2025. Cada fila representa un contacto. Los campos clave incluyen email (correo electrónico), full_name (nombre completo), signup_date (fecha de registro), country (país), phone (teléfono) y source (fuente). Las dimensiones de segmentación que interesan al responsable de marketing son country y source, y la pregunta concreta es qué países registran el crecimiento más rápido en cuanto a altas mensuales.
Analiza cómo se manifiestan los problemas en los datos sin procesar.
Tu entregable no es simplemente “un archivo limpio”. Es un conjunto de elementos que hace que tu trabajo sea reproducible.
Generas una tabla limpia en la que los identificadores críticos están estandarizados y las reglas de análisis son coherentes. Realizas comprobaciones de calidad (QA) que demuestran que no se perdieron filas inadvertidamente ni se crearon valores imposibles. Elaboras un registro de cambios que detalla exactamente qué se modificó, qué se descartó y por qué.
Un LLM (modelo de lenguaje de gran tamaño) genera texto, fórmulas y código basándose en patrones de su entrenamiento y en los datos de entrada que proporcionas. No tiene acceso al estado de tu libro de trabajo a menos que tú se lo facilites. Un prompt es la instrucción y el contexto que ofreces al LLM para generar un resultado tentativo. Una alucinación es una afirmación o regla generada que parece plausible pero que no se basa en tus datos ni en tus restricciones.
Es frecuente incurrir en errores cometidos con total seguridad durante la limpieza de datos, ya que esta tarea requiere definiciones propias del negocio. El modelo puede proponer una clave de deduplicación como email + full_name, pero no puede saber si los correos electrónicos compartidos corresponden a familias, bandejas de entrada compartidas o errores de introducción de datos. Si aceptas su regla y eliminas filas, introduces un sesgo irreversible en todos los recuentos y tasas posteriores.
Identifica qué tareas son seguras para delegar y cuáles requieren verificación obligatoria.