Claude para Análisis de Datos: Qué Delegar, Qué Retener

Entregue un CSV a Claude y pídale que "analice esto" y obtendrá algo rápidamente: algunos promedios, un gráfico, un párrafo de observaciones. Si algo de esto es seguro para presentar a un stakeholder es otra cuestión. El comportamiento predeterminado es confiado, independientemente de si la aritmética subyacente es correcta, y una hoja de cálculo con 40,000 filas oculta bien sus errores.

Operamos SkillProof, un catálogo donde cada skill se instala en una máquina limpia y se prueba con trabajo real antes de publicar un veredicto. Esta guía cubre la categoría de datos: qué delegan realmente los analistas a Claude una vez que la skill correcta está instalada, qué permanece manual por muy buenas que sean las herramientas, y un ejemplo completo de un export desordenado a una narrativa sobre la que alguien puede actuar.

Qué delegan realmente los analistas

Tres tareas constituyen la mayor parte del valor, y ninguna de ellas es "haz el análisis por mí".

Limpieza. Los exports reales llegan con formatos de fecha mixtos, IDs de cliente duplicados de una fusión de CRM, y unidades que cambian entre filas porque alguien editó la hoja de origen manualmente. Esto es mecánico, tedioso, y exactamente el tipo de trabajo donde un analista cansado introduce nuevos errores mientras corrige los antiguos. También es el mayor consumidor de tiempo antes de que comience cualquier análisis real.

Escritura de consultas. Traducir "qué clientes abandonaron después de su segunda renovación pero antes de la tercera" en una consulta correcta con window-function contra un esquema que apenas recuerdas. Claude es bueno en SQL. Es menos bueno conociendo las peculiaridades de tu esquema a menos que se lo digas, que es la verdadera habilidad en esta categoría: lograr que el modelo pregunte sobre foreign keys y convenciones de nulos en lugar de adivinar.

Convertir números en una narrativa. Un dashboard te dice que el número se movió. No te dice por qué, o si a alguien debería importarle. Escribir "los registros cayeron un 12% esta semana, concentrados en el embudo móvil, coincidiendo con la actualización de la App Store el martes" a partir de un export de métricas es escritura, no matemáticas, y la escritura es para lo que están construidos los modelos de lenguaje.

Lo que no se delega a Claude, incluso con una buena skill instalada: decidir qué métrica importa, juzgar si un resultado es prácticamente significativo versus meramente estadísticamente significativo, y cualquier inferencia que se base en suposiciones sobre cómo se recopilaron los datos. Una skill puede calcular un p-value correctamente. No puede decirte si tu muestra fue realmente aleatoria, porque eso es un hecho sobre tu proceso, no sobre tu dataset.

El stack de datos probado

Cada skill a continuación fue instalada limpiamente y ejecutada contra un archivo real, no un CSV de demostración creado para que la skill se viera bien. Las puntuaciones son sobre 10, ponderadas según los criterios de instalación, activación, salida y documentación. El método completo está en nuestra página de metodología. Si nunca ha instalado una skill antes, nuestra guía de instalación cubre la configuración de dos comandos para cada superficie.

Data Cleaning (8.8/10, pass) es la primera que debe instalar si sus datos provienen de cualquier lugar que no sea una base de datos interna limpia. Nuestra prueba le lanzó un export de 60,000 filas con formatos de fecha mixtos, claves duplicadas e inconsistencias de unidades entre columnas que deberían haber coincidido. Corrigió las tres categorías y, lo que es más importante, produjo un change log que listaba cada transformación que realizó. Ese log es la diferencia entre confiar en un archivo limpio y esperar que esté bien. Sin él, "Claude limpió tus datos" significa "un proceso opaco alteró tus números", lo cual no es algo que puedas defender en una reunión cuando alguien pregunta por qué un total cambió.

SQL Query Writer (9.2/10, pass) es la puntuación más alta en la categoría. Lo probamos contra un esquema de 12 tablas con el tipo de consulta que hace que los analistas se quejen: cohort buckets con window functions y manejo correcto de zonas horarias. Verificamos la salida fila por fila contra un equivalente escrito a mano y coincidió. La puntuación de activación es un perfecto 5, lo que significa que se activa de forma fiable en solicitudes naturales como "muéstrame la retención semanal de cohortes" sin que tengas que nombrar la skill o recordarle qué es una window function.

Statistical Analysis (8.8/10, pass) ejecutó pruebas de significancia y una regresión contra un dataset de marketing en nuestra prueba. El resultado a destacar: cuando le pedimos que sacara una conclusión causal que los datos no podían respaldar, se negó y explicó por qué, en lugar de producir un párrafo que sonara confiado de todos modos. Esa negativa es el propósito principal de la existencia de esta skill. Una herramienta que siempre te da una respuesta es peor que una que a veces dice que la pregunta es irrespondible con lo que tienes, porque la primera te entrena para dejar de verificar.

Dashboard Builder (8.0/10, pass) convierte un CSV en un dashboard interactivo autocontenido. Nuestra prueba utilizó un CSV de ingresos y obtuvo tipos de gráficos correctos sin chartjunk, legibles de un vistazo. Obtuvo una puntuación más baja que las otras principalmente en la documentación, un 3 de 5, porque el README subestima lo que necesita de usted antes de la primera ejecución: una fila de encabezado limpia y una decisión sobre qué columna es el eje de tiempo.

Metrics Review (7.2/10, funciona con configuración) es la base del caso de uso de narrativa semanal mencionado anteriormente, y la narrativa que produjo, con anomalías señaladas, fue genuinamente útil en las pruebas. El inconveniente: necesita su exportación de métricas o una conexión MCP de análisis configurada primero, y ese paso de configuración no es opcional. Prevea veinte minutos antes de la primera ejecución real, y espere responder algunas preguntas sobre qué métricas son realmente importantes para su equipo.

Chart Critic todavía está en nuestra cola de pruebas. Lo estamos ejecutando contra un conjunto de gráficos deliberadamente engañosos para ver qué detecta realmente antes de publicar un veredicto. Vale la pena seguirlo si la honestidad de los gráficos es un problema recurrente en su equipo, pero aún no es algo que podamos garantizar.

Un flujo de trabajo completo: del export a la narrativa

Así es como se ve el stack encadenado, usando una revisión semanal de ingresos como ejemplo.

1. Export desordenado. Finanzas entrega un CSV extraído de tres sistemas de facturación después de una adquisición. Las fechas están en dos formatos diferentes según el sistema que exportó la fila, un sistema usa cents y el otro usa dólares, y alrededor de 200 customer IDs aparecen dos veces debido a una migración fallida.

2. Dataset limpio. Data Cleaning normaliza los formatos de fecha, señala la falta de coincidencia de unidades y pregunta qué convención de moneda estandarizar en lugar de adivinar, y elimina los customer IDs duplicados utilizando el propio mapeo de claves de la migración. Obtiene un archivo limpio y un change log. Lea el log antes de continuar. Este es el punto de control donde detecta una suposición errónea antes de que se propague a cada número posterior.

3. SQL. Con los datos limpios cargados, SQL Query Writer construye la agregación real: ingresos por cohorte, por nivel de plan, semana tras semana, con manejo correcto de las actualizaciones a mitad de mes. Aquí es donde se responde con precisión, en lugar de aproximadamente, a la pregunta "qué clientes realmente renovaron".

4. Narrativa semanal. Metrics Review toma la salida de la consulta y los números de la semana anterior y escribe el resumen: qué se movió, cuánto y qué coincidió con ello. "Los ingresos del nivel Enterprise se mantuvieron estables, pero el número de asientos cayó un 8%, consistente con el cambio de precios que entró en vigor el día 3".

Cuatro pasos, cuatro tipos diferentes de trabajo, y cada uno se beneficia de una skill construida específicamente para ello en lugar de una sola skill que intenta hacer los cuatro mal. Esta es la misma razón por la que no recomendamos una única skill de "hacer análisis de datos": la limpieza, las consultas, las estadísticas y la escritura de narrativas son disciplinas diferentes que comparten una hoja de cálculo.

El problema de la confianza

El hecho incómodo sobre los modelos de lenguaje y los números: un modelo puede producir una cifra plausible, bien formateada y completamente errónea, y nada en su tono le dirá qué tipo de respuesta obtuvo. Esto no es un error menor que se pueda parchear. Es una propiedad estructural de cómo estos modelos generan texto, y es la razón por la que "Claude dijo que el número es X" nunca debería ser la última línea de verificación en nada que vaya en una presentación a la junta.

Lo que realmente mitiga esto, por lo que hemos visto en las pruebas, no es un modelo más inteligente. Es un rastro de auditoría. Data Cleaning obtuvo su 8.8 en parte porque su change log le permite verificar cada transformación contra el archivo fuente. Statistical Analysis se ganó su confianza de la misma manera: no porque siempre tenga razón, sino porque cuando no está segura, lo dice en lugar de llenar el vacío con un número que suene plausible.

La regla que sugeriríamos, y la que seguimos nosotros mismos: nunca envíe una cifra sin verificar. Si un número va a un informe, una presentación o un correo electrónico a alguien que tomará una decisión basándose en él, rastréelo hasta la consulta o el paso de limpieza que lo produjo. Esa es una verificación de cinco minutos contra una hoja de cálculo que puede abrir usted mismo. Es mucho más barato que la reunión donde alguien pregunta de dónde vino el número y la respuesta honesta es "Claude lo dijo".

Donde Excel y los documentos se cruzan

Gran parte del análisis real no termina en un dashboard. Termina en una hoja de cálculo que otra persona abre, edita y reenvía. Aquí es donde la xlsx skill importa, obteniendo una puntuación de 9.2/10 en nuestras pruebas con un export de 40,000 filas con encabezados mal formados, columnas de fórmulas y una hoja de resumen de tabla dinámica.

El detalle que realmente importa aquí: escribe fórmulas que funcionan, no valores congelados. Un número pegado está muerto en el momento en que cambian los datos de origen. Un SUMIFS o una tabla dinámica en vivo se actualizan cuando lo hacen las filas subyacentes, que es la razón principal por la que las hojas de cálculo sobreviven de una manera que los informes en markdown no lo hacen. Si Claude devuelve una columna de números donde debería haber una fórmula, ha ganado una instantánea y ha perdido una hoja de cálculo.

Cubrimos el conjunto completo de skills de documentos, incluyendo dónde encajan PDF y Word en el flujo de trabajo real de un analista, en nuestra guía de documentos.

Lo que no automatizaríamos

Esta es nuestra postura: no permita que Claude realice inferencias estadísticas que usted no podría verificar por sí mismo. No porque el modelo sea malo en matemáticas, nuestras pruebas sugieren que generalmente no lo es, sino porque en el momento en que no puede evaluar si una suposición se mantuvo (independencia, tamaño de la muestra, sesgo de selección en cómo se recopilaron los datos), ha perdido la capacidad de detectarlo cuando está mal. Una regresión con una suposición violada todavía imprime un coeficiente. Simplemente no significa lo que usted cree que significa, y si no entendió el método desde el principio, no notará que la salida le está mintiendo.

Esto no es un llamado a evitar las estadísticas. Es un llamado a mantener el límite donde corresponde: use la skill para hacer la aritmética más rápido, no para sustituir la comprensión de lo que la aritmética está afirmando. Si un resultado cambiara una decisión real, o usted entiende el método lo suficientemente bien como para verificarlo, o encuentra a alguien que lo haga antes de que se publique.

Preguntas Frecuentes

¿Puede Claude analizar realmente un dataset real, no solo un CSV de demostración?

Sí, con una salvedad. Nuestras pruebas evitaron específicamente los archivos de demostración limpios: la prueba de Data Cleaning utilizó un export genuino de 60,000 filas con el tipo de desorden que producen los sistemas reales, y resistió. Claude de propósito general sin una skill instalada realiza una versión más rudimentaria y menos responsable de la misma tarea. El valor de la skill reside principalmente en el rastro de auditoría, no en la capacidad bruta que le falta al modelo base.

¿Claude reemplaza a un analista de datos?

No, y las partes que no toca son la sustancia real del trabajo: decidir qué pregunta vale la pena hacer, juzgar si un resultado es importante para el negocio y detectar una suposición errónea antes de que se convierta en una conclusión incorrecta. Reemplaza la parte mecánica intermedia: limpieza, consultas, borrador inicial de narrativa. Eso es tiempo real ahorrado, no todo el trabajo.

¿Cómo verifico la limpieza de datos de Claude antes de confiar en ella?

Lea el change log. Una skill de limpieza que valga la pena usar produce uno: cada fecha reformateada, cada duplicado fusionado, cada conversión de unidad aplicada, listado contra las filas originales. Si una skill limpia sus datos silenciosamente sin un log, trate la salida como no verificada, independientemente de lo bien que se vea.

¿Qué skill debería instalar primero si solo elijo una?

Data Cleaning. Casi todas las tareas posteriores, SQL, estadísticas, dashboards, dependen de que la entrada sea confiable, y la limpieza es el paso que la mayoría de la gente omite o hace descuidadamente bajo la presión de los plazos. Nuestra página de mejores skills de datos clasifica el stack completo si desea la lista corta más allá de esta.

¿Puede Claude escribir fórmulas en Excel, o solo pega números?

Con la xlsx skill instalada, escribe fórmulas en vivo: SUMIFS, tablas dinámicas, búsquedas que se recalculan cuando cambian las filas de origen. Sin la skill, o con una solicitud genérica, es más probable que obtenga valores estáticos que se ven correctos el día de la exportación y se vuelven obsoletos en el momento en que los datos se actualizan.