Datos y BI con IA — Módulo 8 del Curso IA Marketing gratis
El nuevo rol del marketer es hablar con datos
La IA no sustituye al analista de datos. Lo que hace es democratizar el análisis: cualquier persona con buenos prompts puede hacer consultas SQL, generar dashboards, hacer forecasting y encontrar insights que antes requerían un data team.
Con análisis fácil llegan conclusiones erróneas. Validar siempre. Un insight de IA sin validación puede hacerte lanzar una campaña sobre una hipótesis falsa.
1. Stack del marketer data-driven
- Fuente: GA4, Search Console, CRM, Sheets, Airtable, APIs.
- Almacenamiento: BigQuery, Snowflake, PostgreSQL, Airtable, Sheets.
- Transformación: SQL, Python (pandas, numpy), dbt.
- Visualización: Looker Studio, Power BI, Tableau, Metabase.
- Análisis con IA: GPT, Claude + Python, Copilot de Power BI.
2. SQL generativo: preguntar en español, consultar en SQL
El caso de uso donde más brilla la IA: convertir preguntas de negocio en SQL. Ejemplo:
Prompt: "¿Cuáles son las 10 páginas con más clics orgánicos pero CTR menor al 2% en los últimos 90 días?"
SQL resultante (BigQuery):
SELECT
page,
SUM(clicks) AS clicks,
SUM(impressions) AS impressions,
SUM(clicks)/SUM(impressions) AS ctr
FROM `project.searchconsole.searchdata_url`
WHERE data_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 90 DAY)
AND query IS NULL -- agregado por página
GROUP BY page
HAVING ctr < 0.02
ORDER BY clicks DESC
LIMIT 10Valida siempre el SQL antes de ejecutarlo en producción. La IA puede inventar nombres de columnas. Si tu tabla tiene 200 columnas, dale el DDL como contexto en el system prompt. Resultado: SQL correcto el 90% de las veces.
3. Análisis exploratorio con Python + IA
Con pandas + un LLM en Colab puedes:
- Cargar un CSV/Excel.
- Pedir al LLM que escriba el código para resumirlo.
- Pedir visualizaciones automáticas.
- Detectar outliers.
- Generar reporte en Markdown.
4. Forecasting con Prophet y LLMs
Prophet es la librería de Meta para forecasting de series temporales. Fácil de usar, robusta.
from prophet import Prophet
import pandas as pd
df = pd.read_csv("tráfico_mensual.csv") # ds, y
m = Prophet(yearly_seasonality=True)
m.fit(df)
future = m.make_future_dataframe(periods=12, freq='MS')
forecast = m.predict(future)
m.plot(forecast)Cuándo Prophet vs un LLM
- Prophet: series temporales con estacionalidad clara (tráfico, ventas, leads).
- LLM: cuando el forecast depende de muchas variables externas que no tienes en dataset.
- Híbrido: Prophet te da el baseline, el LLM interpreta y explica.
5. Looker Studio + IA
Looker Studio (antes Data Studio) se conecta con:
- BigQuery para datasets complejos.
- GA4, Search Console, Ads, HubSpot con conectores nativos.
- Sheets para tableros sencillos.
La IA ayuda en:
- Generar cálculos personalizados (custom metrics).
- Crear fórmulas para campos calculados.
- Generar descripciones narrativas de gráficos.
- Recomendar visualizaciones según la data.
6. Power BI con Copilot
Power BI de Microsoft integra Copilot. Permite:
- Generar visualizaciones desde lenguaje natural.
- Escribir medidas DAX automáticamente.
- Resumir dashboards en texto.
- Detectar anomalías en series temporales.
7. Segmentación inteligente
Casos típicos donde la IA segmenta mejor que reglas fijas:
- Audiencias similares a tu mejor cliente (lookalike).
- Leads fríos vs tibios vs calientes (lead scoring con LLM).
- Churn prediction (predicción de bajas).
- Next-best-action (qué ofrecer a quién en cada momento).
8. Análisis cualitativo con IA
No todo es número. La IA destaca analizando texto:
- Sentimiento en miles de comentarios.
- Temas recurrentes en respuestas abiertas de encuestas.
- Categorización de tickets de soporte.
- Detección de objeciones en llamadas de ventas (con Whisper + GPT).
9. Errores comunes
- Confiar en SQL sin validar. La IA a veces inventa nombres.
- Prophet con datos insuficientes. Mínimo 2 ciclos completos (24 meses para series mensuales).
- Confundir correlación con causalidad. La IA no sabe.
- Dashboards bonitos con métricas inútiles. Pensar en acción, no en visualización.
- No guardar datasets limpios. Documentar transformaciones.
10. Resumen ejecutivo
- SQL generativo: preguntar en español, ejecutar SQL.
- Python + LLM en Colab para análisis exploratorio.
- Prophet para forecasting de series con estacionalidad.
- Looker Studio + Copilot en Power BI para dashboards.
- Segmentación inteligente con IA (lookalike, lead scoring).
- Análisis cualitativo (sentimiento, temas) con LLMs.
- Validación humana siempre. La IA no sabe causalidad.
- Sé hacer SQL generativo útil con GPT/Claude.Y valido antes de ejecutar.
- Sé montar un forecast con Prophet.Y entender cuándo usarlo.
- Tengo un dashboard en Looker Studio con datos reales.Y lo reviso semanalmente.
- Hago análisis cualitativo de tickets / encuestas con IA.Sentimiento + temas principales.
- Valido cada insight antes de tomar decisiones.No me creo las correlaciones como causa.
Cuando hayas terminado el módulo, márcalo como completado para acceder al siguiente.