La solicitud llega a las 4:20 p. m. Un interesado necesita un KPI de ingresos diarios desglosado por canal correspondiente a los últimos 90 días, y lo quiere recibir por Slack antes de la reunión diaria de seguimiento de mañana.
Un asistente de IA puede redactar rápidamente una primera versión de la consulta SQL. Sin embargo, tú sigues siendo el responsable de la cifra final entregada. Si la consulta duplica el recuento de ingresos debido a una unión de tipo “muchos a muchos” (many-to-many join), el error resultante es tuyo, no del modelo. La estrategia profesional consiste en utilizar la IA para ganar velocidad en situaciones donde equivocarse tiene un coste bajo, y mantener filtros de verificación allí donde equivocarse resulta costoso.
Explora las etapas principales del proceso.
Emplea la IA para generar propuestas de código SQL siempre que el resultado sea verificable. Es una buena opción para redactar la estructura de una consulta, traducir una pregunta a una cláusula GROUP BY o crear consultas de validación, ya que puedes ejecutarlas y comparar los resultados obtenidos.
Un ejemplo práctico: tienes una tabla fact_orders con 12,4 millones de filas que abarcan desde el 2024-01-01 hasta el 2024-06-30, y una tabla dim_channel vinculada mediante channel_id. La consulta solicitada es: “ingresos netos diarios por canal durante los últimos 90 días”. La IA puede redactar las uniones (joins) y el filtro de fechas; luego, tú verificas la granularidad de las filas y la cardinalidad de las uniones antes de confiar en los totales.
No utilices la IA en tareas que requieran autoridad. La definición de KPI, el alcance de las métricas y las reglas de negocio no son meros ejercicios de redacción; son decisiones. La IA puede reformular tu definición, pero tú debes decidir si por “ingresos” se entienden los ingresos brutos, los netos (tras deducir reembolsos o descuentos) o los ingresos reconocidos; además, tú asumes las consecuencias si las partes interesadas actúan basándose en una definición incorrecta.
Compara el nivel de riesgo de las distintas tareas.
A lo largo de este curso, utilizarás un único flujo de trabajo. Una etapa de verificación es un paso en el que no se avanza hasta tener pruebas de que la consulta es correcta según la definición establecida.
Comienza con una especificación concreta. Redacta la definición de la métrica, la ventana temporal, el nivel de granularidad y las dimensiones de segmentación en lenguaje sencillo.
A continuación, genera el código. La IA redacta el SQL y también las comprobaciones que utilizarás para verificarlo. Tú mismo ejecutas todo el proceso en tu almacén de datos (data warehouse).
La validación no consiste simplemente en que la consulta “devuelva filas”. Valida mediante triangulación: compara los resultados con una cifra conocida de un panel de control para un día concreto, verifica los totales antes y después de realizar la unión (join) y confirma el nivel de granularidad contando las claves únicas. Si el valor de SUM(revenue) cambia al unir la tabla dim_channel, es una señal de alerta que debes resolver antes de compartir los resultados.
La documentación forma parte de la fase de finalización. Guarda el SQL definitivo, las suposiciones y las consultas de validación. Si otro analista no puede reproducir tu resultado mañana, significa que aún no has terminado.
Prueba el flujo de trabajo que seguirás en este curso.