Estás creando un panel ejecutivo para una empresa de comercio electrónico que necesita responder a tres preguntas cada lunes: ¿variaron los ingresos?, ¿cambió la tasa de conversión? y ¿estamos reteniendo a los clientes? El conjunto de datos consta de 2,4 millones de pedidos realizados entre el 1 de enero de 2024 y el 30 de junio de 2024, vinculados a tablas de sesiones y clientes, y segmentados por canal, tipo de dispositivo y cliente nuevo frente a recurrente.
La IA puede ayudarte a redactar el código SQL, proponer opciones de gráficos, resumir los cambios semanales y sugerir reglas de alerta. Ninguno de estos resultados está listo para la toma de decisiones por sí solo, ya que la responsabilidad de cualquier fallo posterior recae sobre ti, no sobre el modelo. Si los ingresos se calculan incorrectamente debido a duplicidades en las uniones de tablas (joins), la empresa tomará decisiones basadas en una cifra errónea.
El enfoque profesional de este curso es sencillo: la IA acelera la creación de borradores o propuestas de trabajo. El analista verifica las definiciones, valida los cálculos frente a la fuente de datos oficial y da el visto bueno final a lo que se publica.
Un panel de BI es sólido y fiable cuando cada fase tiene un responsable claro y un punto de verificación. Las fases son: definición de métricas, modelado de datos, visualización, publicación y monitoreo. La IA resulta más útil en tareas generativas y reversibles, y menos adecuada cuando el trabajo implica definir conceptos o establecer normas de gobernanza.
La IA puede generar propuestas de definición de métricas y ejemplos de código SQL. Sin embargo, el analista debe decidir qué métrica utilizar, ya que una métrica conlleva una interpretación del negocio. Por ejemplo, definir la tasa de conversión (conversion_rate) como pedidos divididos por sesiones no equivale a dividir pedidos por visitantes únicos, y esta elección altera la clasificación de los canales.
La IA puede proponer rápidamente distintos tipos de gráficos. El analista debe validar la elección del gráfico en función de la pregunta y la audiencia, ya que elegir una visualización implica interpretar datos, no simplemente decorar. La IA puede redactar una narrativa inicial, pero el analista debe aportar el contexto para la toma de decisiones, dado que una narrativa genérica es un resumen, no un análisis.
Explora cómo se articulan todas las etapas del flujo de trabajo de principio a fin.
La verificación es el conjunto de comprobaciones que determina si un resultado coincide con los datos subyacentes y con la definición prevista. Cuando la IA genera código SQL, el analista concilia los resultados con una referencia conocida, como el extracto de ingresos financieros para el mismo periodo y los mismos filtros. Cuando la IA genera un gráfico, el analista verifica su fidelidad, incluyendo la escala de los ejes, el periodo de tiempo y la coherencia del denominador entre los distintos segmentos. Un eje Y truncado que exagera una variación del 1 % no es una cuestión de estilo; es una distorsión de la realidad.
Cuando la IA genera una narrativa para un panel de control, el analista comprueba que cada afirmación se base en un valor calculado y en una comparación específica, como la variación semanal para channel=Paid Search y device_type=Mobile. Cuando la IA genera reglas de monitoreo, el analista valida la lógica de las alertas utilizando datos históricos, ya que la sensibilidad y los falsos positivos implican costos para el negocio que usted debe asumir.
Vea cómo los distintos resultados de la IA se corresponden con comprobaciones específicas que usted debe realizar.
La gobernanza es el conjunto de restricciones que determina qué datos pueden utilizarse, quién puede hacerlo, con qué finalidad y bajo qué registro de auditoría. El uso de IA modifica la gobernanza, ya que los proveedores pueden registrar, almacenar en caché o reproducir las instrucciones (prompts) y los resultados generados; esto puede comprometer la confidencialidad, incluso si el panel de control es de uso interno.
La información de identificación personal (PII) constituye el límite evidente, pero no es el único. Datos financieros confidenciales, métricas de productos aún no lanzados y cohortes a nivel de cliente pueden estar sujetos a restricciones normativas, aun cuando no incluyan nombres ni correos electrónicos. El analista debe verificar si la herramienta de IA está autorizada para la clasificación de datos correspondiente, si la retención de información está desactivada y si el acceso se rige por el principio de privilegios mínimos.
La documentación forma parte del control. Se conservan la definición de la métrica, la versión de la consulta, las pruebas de validación y la identidad de quien aprobó el proceso, de modo que cualquier discrepancia futura permita identificar una causa raíz trazable.
Es necesario determinar qué solicitudes son seguras y cuáles suponen una infracción de las políticas.