Cómo escribir prompts para análisis de datos: guía con ejemplos

Saber usar ChatGPT, Claude o Gemini no es lo mismo que saber escribir buenos prompts. La diferencia entre un prompt mediocre y uno bien construido puede ser la diferencia entre una respuesta genérica y un análisis útil que ahorra horas de trabajo.

En este artículo te explicamos cómo escribir prompts para análisis de datos que realmente funcionen, con ejemplos concretos para SQL, Python, interpretación de resultados y comunicación de insights.

Qué es un prompt y por qué importa tanto en el trabajo con datos

Un prompt es la instrucción que le das a un modelo de inteligencia artificial. Es, en esencia, la forma en que le comunicas qué necesitas. En el trabajo con datos, un buen prompt para análisis de datos define claramente el contexto, el objetivo, el formato de salida esperado y las restricciones relevantes.

La mayoría de personas que usan herramientas de IA cometen el mismo error: escriben prompts demasiado vagos. Por ejemplo, «analiza estos datos» da al modelo demasiada libertad y el resultado suele ser genérico. En cambio, «analiza este dataset de ventas mensuales e identifica los tres productos con mayor caída en el último trimestre, ordenados por porcentaje de bajada» produce un resultado mucho más accionable.

La estructura de un buen prompt para análisis de datos

Los mejores prompts para análisis de datos tienen cuatro componentes:

1. Rol: indica al modelo qué papel debe adoptar. «Actúa como un analista de datos senior» orienta el tono y el nivel de profundidad.
2. Contexto: explica de dónde vienen los datos, qué representan y qué sabes ya sobre ellos.
3. Tarea: describe exactamente qué quieres que haga: analizar, limpiar, visualizar, interpretar, resumir, generar código.
4. Formato de salida: especifica cómo quieres la respuesta: tabla, código Python, lista de puntos, texto ejecutivo, etc.

Ejemplos de prompts para tareas de análisis de datos

Para generar consultas SQL

Prompt vago (evitar): «Escribe una consulta SQL para ver las ventas.»

Prompt efectivo:

Actúa como un analista de datos senior. Tengo una tabla llamada 'ventas' con las columnas: id_pedido, fecha (DATE), cliente_id, producto, categoria, importe (DECIMAL), pais. Escribe una consulta SQL que muestre las ventas totales por categoría y país durante el último trimestre, ordenadas de mayor a menor importe total. Usa sintaxis compatible con PostgreSQL.

Para limpiar datos con Python

Prompt efectivo:

Tengo un DataFrame de pandas llamado 'df' con estas columnas: fecha (object), cliente_id (int), importe (object, con valores como "1.200,50" en formato europeo), y pais (string con algunos valores nulos). Escribe el código Python para: 1) convertir fecha a datetime, 2) convertir importe a float eliminando puntos de miles y reemplazando la coma decimal, 3) rellenar los valores nulos de pais con 'Desconocido'. Añade comentarios explicando cada paso.

Para interpretar resultados estadísticos

Prompt efectivo:

Actúa como un analista de datos explicando resultados a un director de marketing sin perfil técnico. He hecho un test A/B entre dos versiones de una landing page. La versión A tuvo una tasa de conversión del 3,2% con 1.200 visitantes. La versión B tuvo un 4,1% con 1.150 visitantes. El p-valor del test es 0,04. Explica en 3-4 párrafos qué significan estos resultados, si son estadísticamente significativos y qué recomendarías hacer. Usa lenguaje sencillo y evita fórmulas matemáticas.

Para redactar conclusiones ejecutivas

Prompt efectivo:

Actúa como un analista de datos preparando un informe para el equipo directivo. A partir del siguiente resumen de análisis de ventas del Q1 2026: [pega aquí los datos o resultados]. Redacta un párrafo ejecutivo de máximo 150 palabras que resuma los tres hallazgos más importantes, qué los explica y qué acción recomendarías. Tono profesional, sin jerga técnica.

Para crear visualizaciones

Prompt efectivo:

Tengo un DataFrame de pandas llamado 'df' con columnas 'mes' (string) e 'ingresos' (float). Escribe el código Python con matplotlib para crear un gráfico de barras que muestre los ingresos por mes. Añade: título "Ingresos mensuales 2026", etiquetas en el eje X rotadas 45 grados, formato de millones en el eje Y, y una línea horizontal de referencia en el valor medio. Usa colores de la paleta azul corporativa.

Errores comunes al escribir prompts para análisis de datos

• No dar contexto sobre los datos: el modelo no sabe qué significa tu columna «val_1». Describe siempre las columnas relevantes.
• No especificar el formato de salida: si no dices que quieres código Python, puede responderte en lenguaje natural.
• Prompts demasiado largos con múltiples tareas: mejor dividir en prompts separados. Un prompt, una tarea.
• No iterar: el primer prompt rara vez da el resultado perfecto. Refina con «mejora X», «añade Y», «hazlo más conciso».
• No validar el output: el código generado puede tener errores sutiles. Siempre revisa y prueba antes de usar en producción.

Técnicas avanzadas para prompts más efectivos

Una vez dominas la estructura básica, puedes mejorar tus prompts para análisis de datos con estas técnicas:

• Few-shot prompting: da ejemplos de input/output esperado antes de la tarea. El modelo aprende el patrón y lo replica.
• Chain of thought: pide al modelo que «piense paso a paso» antes de dar la respuesta. Mejora la calidad en tareas de razonamiento complejo.
• Pegar datos directamente: en lugar de describir los datos, pega las primeras filas del CSV. El modelo trabaja mejor con ejemplos concretos.
• Definir restricciones: «sin usar librerías externas», «compatible con Python 3.10», «sin bucles for, usa vectorización de pandas». Las restricciones mejoran la calidad del código.

Conclusión

Escribir buenos prompts para análisis de datos es una habilidad que se aprende y se mejora con la práctica. La clave está en dar contexto claro, definir la tarea con precisión y especificar el formato de salida. Con la estructura adecuada, las herramientas de IA generativa se convierten en un multiplicador de productividad real para cualquier analista de datos.

Aprende análisis de datos con IA integrada desde el primer día

En el Data Analyst Bootcamp de Datademia aprendes a usar herramientas de IA en tu flujo de trabajo real: SQL, Python, dashboards y prompts efectivos para cada tarea de análisis.

Formación práctica en español, con proyectos reales para convertirte en analista de datos en menos de tres meses.

Descubre el Data Analyst Bootcamp

Sebastian Tunnell

Fundador de Datademia y formador especializado en análisis de datos, ciencia de datos, ingeniería de datos y negocios.

Ayudo a profesionales a adquirir habilidades prácticas a través de formaciones online en Datademia para impulsar sus carreras. Conecta conmigo en LinkedIn.