Trabajar con planillas de cálculo suele consumir horas: vincular tablas, crear variables y armar reportes. Con Claude AI puedes analizar archivos Excel o Google Sheets, generar gráficos, dashboards interactivos y hasta nuevos archivos en minutos, ideal para equipos comerciales, de marketing o administración que necesitan tomar decisiones rápido.

¿Cómo preparar Claude para analizar una base de datos?

Antes de pedir cualquier análisis, conviene configurar el entorno para obtener resultados profundos y precisos.

En el ejemplo se usa una base ficticia de un e-commerce B2B SaaS para restaurantes llamado Resto Connect, exportada desde un CRM con cuatro hojas: empresas, contactos, oportunidades y diccionario de datos. Cada oportunidad se vincula a una empresa y a un contacto mediante un ID, e incluye productos, valor en UF, etapa de negociación, estado y motivos de pérdida [01:30].

Para que el análisis funcione bien, hay dos buenas prácticas que activar siempre:

• Usar el modelo más potente disponible, en este caso Opus 4.5.
• Activar el pensamiento extendido, que permite a Claude ejecutar varios pasos antes de concluir [03:45].

¿Qué es el pensamiento extendido en Claude? Es un modo que permite al modelo razonar en múltiples pasos antes de responder, ideal para análisis de datos complejos donde se necesitan conclusiones más sólidas.

¿Por qué darle contexto antes de pedir el análisis?

La IA no sabe qué hay detrás de tus columnas. Interpreta títulos y contenidos a su manera, así que tu prompt debe alinear su lectura con la tuya.

La recomendación clave es no pedir análisis en el primer mensaje. En cambio, entrega contexto del negocio y pídele que primero te diga qué ve. Un prompt útil sería: quiero realizar un análisis de las ventas de mi startup B2B SaaS Resto Connect; revisa el archivo adjunto y dime qué data ves, qué información encuentras y qué análisis podríamos realizar [05:30].

Esto cumple la misma función que cuando un compañero te pasa un Excel sin explicación: necesitas validar qué significa cada variable. Si Claude interpreta mal una columna, por ejemplo confundir un rango de pago con facturación promedio, lo corriges antes de avanzar.

¿Qué responde Claude en esta primera revisión?

Devuelve un mapa de las hojas detectadas, métricas preliminares y una lista de análisis posibles: funnel de conversión, win rates, segmentación de clientes, análisis de pipeline, entre otros. Recién cuando ambos están en la misma sintonía, pasas a la etapa de análisis [07:00].

¿Cómo generar dashboards y análisis de pipeline automáticos?

Una vez validado el contexto, puedes pedir un análisis exhaustivo del pipeline de ventas con gráficos incluidos.

Claude utiliza Python por debajo, un lenguaje más potente que Excel para volúmenes grandes y análisis profundos. La diferencia es que no te entrega fórmulas, sino la tabla o gráfico resultante, similar a una consulta en MySQL [09:15].

En el ejemplo, generó un dashboard interactivo en HTML con:

• Total de oportunidades, win rate del 50% y valor del pipeline.
• Ciclo de venta y valor cerrado ganado.
• Funnel completo desde lead hasta cierre.
• Rendimiento y win rate por vendedor.
• Análisis por producto y evolución temporal.
• Motivos de pérdida: proyecto postergado, eligió a la competencia, sin presupuesto [11:00].

Esto último abre lecturas estratégicas. Si muchas oportunidades se pierden por proyectos postergados, quizá hay un problema de calificación: clientes que pasaron a negociación antes de estar maduros.

¿Qué es un win rate? Es el porcentaje de oportunidades cerradas ganadas sobre el total trabajado. Si tienes 50% de win rate, ganas la mitad de los negocios que entran al pipeline.

¿Cómo crear segmentación de clientes con K-means en Claude?

Claude no se queda en lo descriptivo: puede aplicar modelos estadísticos avanzados imposibles de ejecutar en Excel.

Un ejemplo es la segmentación con K-means, una técnica que agrupa clientes alrededor de promedios o centroides, creando perfiles útiles para estrategia comercial. El prompt fue: quiero crear una segmentación avanzada de mis clientes en el pipeline usando K-means, y entrégame la base de datos con las variables nuevas, incluyendo data descriptiva por segmento [13:30].

¿Qué entregó el modelo de segmentación?

Claude armó un plan, normalizó variables numéricas, determinó el número óptimo de clusters y aplicó el modelo. Identificó tres segmentos con un puntaje de silueta de 0.205:

• PYME rápido: ciclo de venta corto, menor ticket, mayor volumen.
• Mediano potencial: posición intermedia con alto potencial de upsell.
• Enterprise alto valor: ciclo más largo, mayor valor por cliente [15:45].

Estos resultados confirman patrones lógicos: las empresas grandes tardan más en decidir, las PYMEs cierran rápido pero con menor win rate. Cada perfil habilita acciones distintas.

¿Cómo entrega Claude el archivo Excel final?

Generó un Excel con múltiples hojas y varias tablas por hoja: data segmentada con el cluster asignado, prioridad y valor por día; resumen por segmento; perfil de los segmentos; distribución; centroides y recomendaciones. Además, un dashboard paralelo con análisis del modelo, comparativa de métricas y estrategias recomendadas para cada grupo [17:30].

La gracia es que Claude trabaja con Excel como lo haría una persona: múltiples tablas por hoja, comentarios entremedio y estructura ordenada, no solo un volcado plano de datos.

¿Por qué iterar en la misma conversación con Claude?

La fortaleza real está en mantener el contexto vivo. El archivo ya cargado se reutiliza en cada nueva petición, así pasas de análisis descriptivo a modelos predictivos sin volver a explicar nada.

Esto colapsa horas de trabajo manual: crear el modelo, armar tablas, interpretar resultados y proponer acciones. Prueba con una planilla tuya y cuenta en los comentarios qué descubriste.