Un modelo resulta realmente útil en el análisis de datos para escribir código que después ejecutas y para cuestionar un análisis ya realizado. Es menos fiable en aquello que más se le suele confiar: interpretar qué significa un resultado.
Estos 20 prompts cubren seis etapas, desde revisar un conjunto de datos bruto hasta someter a crítica el análisis final. Cada uno explica por qué funciona y requiere que pegues la estructura o los datos reales en vez de describirlos vagamente.
Funcionan en ChatGPT y modelos comparables. Si aún no tienes clara la pregunta que plantean los datos, empieza con nuestros prompts de IA para análisis de datos; para mejorar la técnica general, consulta la guía principal de prompts de ChatGPT.
Cómo usar prompts de ChatGPT para análisis de datos con fiabilidad
No puede ver datos que no has compartido. Pega una muestra o el esquema; de lo contrario, analizará un conjunto de datos imaginario.
Ejecuta el código generado; no confíes en él sin probarlo. Comprueba el número de filas antes y después de cada transformación.
No sabe cuántas pruebas hiciste. Indica el número de comparaciones; un único valor p dice muy poco sin ese contexto.
Correlación no implica causalidad. Conserva la aclaración en lenguaje sencillo del prompt 6.
Revisa críticamente antes de presentar. Usa el prompt 20 mientras todavía puedas actuar sobre la respuesta.
Cuatro prompts para la etapa que determina si todo lo posterior tiene sentido. Todos requieren una muestra pegada, no una descripción, y GPT-5.6 Sol maneja bien los scripts de limpieza largos y de varios pasos.
Prompt 1: Auditoría inicial de datos
Tengo un conjunto de datos con estas columnas y filas de ejemplo: [pega una muestra]. Actúa como analista de datos sénior. Audítalo e indica: (1) qué representa probablemente cada columna, (2) qué columnas tienen problemas de calidad como valores nulos, inconsistencias o posibles errores, (3) qué preguntas puede y no puede responder con fiabilidad, y (4) qué pasos de limpieza debo realizar antes del análisis.
Prompt 2: Código para limpiar datos
Escribe código Python con pandas para limpiar este conjunto de datos: [pega una muestra o su estructura]. Debe: (1) tratar valores ausentes de [columnas] mediante [estrategia: eliminar / imputar mediana / imputar moda / arrastrar valor anterior], (2) normalizar valores inconsistentes de [columna], por ejemplo [inconsistencias conocidas], (3) convertir [columna] al tipo correcto y (4) eliminar filas duplicadas usando [columnas clave]. Añade comentarios que expliquen cada paso.
Prompt 3: Detección de valores atípicos
Tengo datos con columnas numéricas [lista]. Escribe código Python para: (1) detectar valores atípicos con IQR y puntuación Z, (2) mostrar cuántos casos señala cada método en cada columna y (3) explicar sus diferencias y cuándo usar cada uno. El conjunto tiene [número] filas y representa [descripción].
Prompt 4: Ingeniería de variables
Analizo datos sobre [tema: transacciones, sesiones web, empleados]. Las columnas son [lista]. Sugiere entre 5 y 8 variables nuevas derivadas de las actuales que sirvan para [objetivo: predecir abandono, patrones estacionales, segmentar clientes]. Explica qué captura cada variable y escribe el código pandas para crearla.
Cuatro prompts para descubrir qué contienen los datos. Vincula cada uno a una pregunta de negocio: explorar sin objetivo produce resultados, pero no respuestas. Para estadísticas y diseño de estudios más rigurosos, consulta prompts de ChatGPT para análisis de datos cuantitativos.
Prompt 5: Plan de análisis exploratorio
Empiezo un análisis exploratorio de datos sobre [tema]. Mi pregunta de negocio es [pregunta]. Las columnas y sus tipos son [lista]. Prepara un plan estructurado con: (1) análisis univariante de columnas clave, (2) análisis bivariante de relaciones relevantes, (3) gráficos que conviene crear y por qué, y (4) hipótesis que debo contrastar. Después escribe código Python para ejecutarlo.
Prompt 6: Análisis de correlación
Mi conjunto tiene estas columnas numéricas: [lista]. La variable objetivo es [columna]. Escribe código Python para: (1) calcular la matriz de correlaciones, (2) identificar las cinco variables más correlacionadas con el objetivo, (3) crear un mapa de calor con seaborn y (4) explicar de forma sencilla qué significan las correlaciones, incluido lo que una correlación alta dice y no dice sobre causalidad.
Prompt 7: Segmentación y agrupación
Quiero entender cómo cambia [métrica: ingresos, interacción, tasa de abandono] entre segmentos. Las variables de agrupación son [columnas categóricas]. Escribe código Python para: (1) calcular [métrica] por cada variable, (2) calcularla por las combinaciones de dos variables más relevantes, (3) marcar segmentos significativamente por encima o debajo de la media y (4) crear una tabla clara de resultados.
Prompt 8: Exploración de series temporales
Tengo datos de serie temporal con una columna de fecha [nombre] y una métrica [nombre]. Cubren [rango] y la métrica representa [descripción]. Escribe código Python para: (1) remuestrear por día, semana y mes, (2) graficar cada tendencia, (3) calcular y mostrar medias móviles de 7 y 30 días, (4) señalar los cinco máximos y mínimos principales en el gráfico y (5) describir patrones visibles y posibles explicaciones.
Escribe la pregunta de negocio antes de empezar y mantenla visible. Si tus datos son entrevistas o texto abierto, en lugar de números, encajan mejor estos prompts de ChatGPT para análisis cualitativo.
Tres prompts para consultas. Aquí el modelo es especialmente útil porque puedes ejecutar el código y verificarlo. Indica siempre el dialecto SQL; un modelo orientado a programación como Claude Sonnet 4.6 o DeepSeek V4 Pro puede ser una buena opción.
Prompt 9: Consulta de agregación compleja
Trabajo con una base SQL cuyo esquema es [describe tablas y columnas clave o pega CREATE TABLE]. Escribe una consulta para [cálculo deseado: ingresos mensuales por categoría, variación intermensual y media móvil de tres meses]. Usa [dialecto: PostgreSQL / BigQuery / MySQL / Snowflake]. Comenta cada sección y señala cualquier suposición sobre el esquema.
Prompt 10: Consulta de análisis de cohortes
Escribe una consulta SQL de cohortes con mis tablas [esquema]. Quiero: (1) agrupar usuarios por el mes de su primera [acción: compra, registro], (2) seguir qué porcentaje vuelve en los meses 1, 2, 3, 6 y 12 y (3) obtener una matriz de retención exportable a una hoja de cálculo. Usa [dialecto SQL]. Explica cómo funciona el análisis y qué debo observar.
Prompt 11: Optimización de consultas
Esta consulta SQL tarda demasiado: [pega consulta]. Mi base usa [dialecto SQL] y las tablas tienen aproximadamente [número de filas]. Revísala para: (1) identificar posibles cuellos de botella, (2) reescribirla de forma eficiente, (3) sugerir índices útiles y (4) explicar qué cambiaste y por qué mejora el rendimiento.
Tres prompts en la etapa que requiere más cuidado. El modelo explicará con soltura incluso un resultado estadístico irrelevante. Antes de pedir una interpretación, indica cuántas comparaciones hiciste y cómo diseñaste la prueba. Claude Sonnet 5 suele señalar limitaciones, y la calculadora matemática con IA ayuda a comprobar fórmulas.
Prompt 12: Prueba de hipótesis
Quiero comprobar si [hipótesis, por ejemplo, quienes recibieron un descuento gastan más por pedido]. Mis datos incluyen [columnas relevantes y tamaños de muestra]. Recomienda una prueba estadística apropiada y justifica la elección, escribe código Python para ejecutarla e interpreta los resultados en lenguaje sencillo, incluido lo que el valor p implica para la decisión de negocio.
Prompt 13: Análisis de una prueba A/B
Realicé una prueba A/B: tamaño del grupo de control [n], tratamiento [n], tasa de conversión de control [%], tratamiento [%], duración [días]. Analiza: (1) si el resultado es estadísticamente significativo y con qué nivel de confianza, (2) su importancia práctica y si el efecto importa para el negocio, (3) problemas de diseño que podrían invalidarlo y (4) el siguiente paso recomendado.
Prompt 14: Análisis de regresión
Quiero saber qué impulsa [variable objetivo]. Las variables predictoras son [columnas]. Escribe código Python para: (1) ejecutar una regresión lineal con [objetivo] como variable dependiente y [lista] como independientes, (2) comprobar linealidad, homocedasticidad, normalidad de residuos y multicolinealidad, (3) interpretar coeficientes de forma sencilla y (4) detectar variables con mayor poder predictivo y las que convendría eliminar.
Explica qué hiciste, no solo qué encontraste: si detuviste una prueba antes de tiempo, cuántas métricas revisaste y si los datos proceden de un experimento. Para profundizar en estas pruebas, consulta prompts de ChatGPT para análisis cuantitativo.
Tres prompts para comunicar los resultados. Definir el público cambia mucho la respuesta, y el resumidor de IA puede condensar notas extensas antes de redactar.
Prompt 15: Selección de gráficos y código
Quiero visualizar [distribución de edades por categoría, ingresos semanales, relación entre inversión publicitaria y conversiones]. Las columnas relevantes son [lista]. Recomienda el gráfico más adecuado para cada caso y explica por qué. Escribe código Python con matplotlib y seaborn, títulos, etiquetas de ejes y colores aptos para una presentación de negocio.
Prompt 16: Plan de diseño de dashboard
Estoy creando un dashboard para [público: dirección comercial, marketing, consejo]. Su pregunta principal es [pregunta]. Dispongo de [datos y métricas]. Diseña: (1) de 3 a 5 KPI principales arriba, (2) gráficos y desgloses de apoyo, (3) filtros y controles necesarios, y (4) distribución y jerarquía visual. Justifica cada elemento.
Prompt 17: Narrativa de insights
Terminé un análisis sobre [tema] y obtuve estos resultados: [pega hallazgos o estadísticas]. Redacta un resumen ejecutivo para [público: director financiero, producto, consejo]. Debe: (1) abrir con el hallazgo principal, (2) explicar su impacto de negocio sin tecnicismos, (3) incluir 2 o 3 hallazgos de apoyo, (4) señalar la incertidumbre o limitación más importante y (5) cerrar con una recomendación clara. Menos de 300 palabras.
Mantén el punto 4 del prompt 17 en cada resumen: una conclusión presentada sin su principal limitación acabará citándose sin ella. Para informar sobre búsquedas, consulta prompts de ChatGPT para SEO.
Los tres últimos. El prompt 20 es especialmente valioso porque cuestiona tus conclusiones. Para más ideas de negocio e informes, consulta prompts de IA para análisis de datos.
Prompt 18: Segmentación de clientes
Quiero segmentar clientes por comportamiento. Mis variables por cliente son [gasto, frecuencia de compra, días desde la última compra, categorías, etc.]. Escribe código Python para: (1) normalizarlas, (2) aplicar K-means para crear entre 3 y 6 grupos, (3) determinar el número óptimo con el método del codo, (4) describir qué diferencia a cada segmento y (5) proponer nombre y acción comercial para cada uno.
Prompt 19: Detección de anomalías
Necesito detectar anomalías en [datos: transacciones diarias, tiempos de servidor, ventas semanales]. El conjunto tiene [estructura y periodo]. Escribe código Python para: (1) aplicar Isolation Forest, (2) representar puntos normales y anómalos, (3) mostrar los diez registros más anómalos con sus valores y (4) explicar qué anomalías detecta bien este método y cuáles puede pasar por alto.
Prompt 20: Revisión crítica del análisis
He realizado este análisis: [pega análisis, metodología y hallazgos]. Actúa como revisor crítico. Identifica: (1) debilidades metodológicas o supuestos inválidos, (2) explicaciones alternativas que olvidé, (3) variables de confusión no controladas, (4) conclusiones no respaldadas o exageradas y (5) análisis adicionales que fortalecerían o cuestionarían mis conclusiones.
Comparte estructura real en lugar de describirla. El esquema, diez filas de ejemplo, nombres exactos de columnas y recuentos de filas cambian por completo el resultado. Oculta o sustituye primero los datos sensibles: los prompts no necesitan nombres reales de clientes o empresas.
Para SQL y Python, pasar la misma consulta por dos modelos ayuda a detectar errores lógicos antes de que lleguen al dashboard. Si pegas una exportación grande o un esquema largo, Gemini 3.5 Flash puede mantener más contexto a la vez.
Puedes probar gratis todos los prompts de esta página en el chat de IA de Chat Smith.
Y el hábito principal: ejecuta el código, comprueba el número de filas y explica al modelo lo que hiciste antes de preguntarle qué significa. Saltarse uno de esos pasos origina errores graves.
Son instrucciones que le piden al modelo resolver una tarea sobre un conjunto de datos: reglas de limpieza, una fórmula, una consulta, código para un gráfico o la interpretación de resultados que ya tenés. Los que sirven describen tus columnas y tu pregunta en vez de pedir consejos generales.
El equipo editorial de Chat Smith está formado por entusiastas de la IA, investigadores y creadores de contenido apasionados por hacer que la inteligencia artificial sea más accesible y práctica. A través del blog de Chat Smith, compartimos las últimas tendencias de IA, reseñas de herramientas, análisis del sector y guías prácticas para ayudar a personas y empresas a obtener más valor de la IA. Nuestra misión es simple: ofrecer contenido claro, confiable y fácil de entender que ayude a los lectores a mantenerse informados, ser más productivos y mantenerse a la vanguardia en el dinámico mundo de la IA.
