Data Analysis

• Necesitas depurar un KPI, investigar un pico o caída en una métrica, o explicar por qué cambió un número.
• Estás ejecutando una prueba A/B, análisis de cohortes o revisión de embudo y necesitas una interpretación estadísticamente sólida, no solo un número sin procesar.
• Estás preparando un informe ejecutivo o un resumen para partes interesadas y necesitas que los hallazgos se presenten como una decisión, no como un volcado de datos.
• Estás trabajando con SQL, notebooks de Python, hojas de cálculo o exportaciones de herramientas de BI y la parte difícil es el juicio analítico: qué medir, cómo compararlo y qué significa realmente.

• Solo necesitas ayuda con formato mecánico de hojas de cálculo o sintaxis SQL sin ninguna capa analítica — las habilidades complementarias sql o csv pueden ser suficientes.
• Necesitas construir o configurar un panel de control en vivo o una canalización de informes; considera las habilidades dashboard o business-intelligence en su lugar.
• La calidad de los datos es demasiado deficiente o el tamaño de la muestra es demasiado pequeño para respaldar cualquier inferencia confiable — Data Analysis señalará eso y bloqueará conclusiones no respaldadas en lugar de generar una falsa confianza.

Antes de tocar ningún dato, la habilidad de Data Analysis ancla cada análisis a una decisión concreta: quién es el responsable, qué cambiaría si el resultado es X frente a Y, y cuál es el marco temporal relevante. Un análisis sin una decisión clara se considera incompleto.

Cada cálculo está vinculado a un contrato de métrica explícito: entidad, granularidad, numerador, denominador, ventana temporal, zona horaria, filtros, exclusiones y fuente de verdad. Las ambigüedades se identifican antes de presentar los resultados, evitando así la deriva silenciosa de definiciones.

La habilidad de Data Analysis valida la suficiencia del tamaño de la muestra, la equidad de los grupos de comparación, el riesgo de comparaciones múltiples, la significancia práctica frente a la estadística y la cuantificación de la incertidumbre. Los resultados se presentan como rangos (por ejemplo, "un incremento del 12–18%") en lugar de estimaciones puntuales falsas.

La habilidad de Data Analysis asigna preguntas analíticas al método adecuado: pruebas de hipótesis para comparaciones, regresión para predicción, análisis de cohortes para retención, segmentación para diferencias entre grupos y detección de anomalías para patrones inusuales — cada una con los resultados clave correctos.

Cada resultado está estructurado de la siguiente manera: respuesta, evidencia, nivel de confianza, advertencias y acción siguiente recomendada. Los resultados dirigidos a las partes interesadas traducen los hallazgos técnicos en implicaciones de negocio, en lugar de comenzar con la metodología.

La habilidad detecta activamente errores frecuentes en el análisis, como la reutilización de nombres de KPI tras cambios en su definición, la mezcla de niveles de agregación en un mismo gráfico, la presentación de porcentajes sin los recuentos subyacentes y la búsqueda de narrativas a posteriori — antes de que lleguen a distorsionar una decisión.

Después de ejecutar un experimento de producto, utiliza esta habilidad de Data Analysis para validar el tamaño de muestra, verificar efectos de novedad, calcular el tamaño del efecto con intervalos de confianza y producir un informe para las partes interesadas que indique si el resultado está listo para la toma de decisiones o requiere pruebas adicionales.

Cuando una métrica clave se mueve de forma inesperada, la habilidad recorre la verificación del contrato de la métrica, la descomposición por segmentos, la consistencia de la granularidad temporal y las comprobaciones de factores de confusión para identificar si el movimiento es una señal real o un artefacto derivado de problemas de definición o de calidad de los datos.

Convierte resultados brutos de consultas o salidas de notebooks en resúmenes de decisión estructurados — encabezados por la conclusión clave, cuantificando la incertidumbre, indicando lo que los datos no pueden revelar y recomendando la siguiente acción — adecuados para liderazgo directivo o partes interesadas interfuncionales.

Analiza cómo se comportan diferentes cohortes de usuarios a lo largo del tiempo, produce curvas de retención desglosadas por período de adquisición o segmento, e interpreta si las diferencias observadas son estadísticamente significativas o se encuentran dentro del margen de ruido.