Transformar una planilla de cálculo compleja en un dashboard interactivo con segmentación avanzada de clientes puede tomar horas o días de trabajo manual. Con Claude y su capacidad de ejecutar Python sobre archivos Excel, ese proceso se reduce a minutos. Aquí se explica paso a paso cómo cargar una base de datos de CRM, validar la información, generar análisis de pipeline de ventas y aplicar modelos estadísticos como K-means para crear segmentos accionables.
¿Cómo preparar tu archivo Excel antes de enviarlo a Claude?
El ejemplo parte de una base de datos ficticia de un negocio B2B SaaS llamado RestoConnect, un e-commerce para restaurantes. El archivo contiene cuatro hojas: empresas, contactos, oportunidades y un diccionario de datos [0:47]. La hoja de empresas incluye cerca de 50 registros con nombre, razón social, RUT, tipo de cocina, tamaño del negocio y número de locales. La hoja de contactos almacena a las personas detrás de cada empresa: cargo, si es decisor, correo, teléfono y perfil de LinkedIn. Las oportunidades vinculan empresas y contactos mediante IDs, e incluyen producto, valor en UF, etapa de negociación y estado.
Antes de hacer cualquier análisis, hay dos buenas prácticas fundamentales [2:36]:
- Activar el pensamiento extendido para que Claude ejecute múltiples pasos de razonamiento.
- Usar el modelo más potente disponible, en este caso Opus 4.5.
¿Por qué pedirle a Claude que describa lo que ve antes de analizar?
Cuando subes un archivo, Claude interpreta columnas y contenidos por su cuenta, pero esa interpretación puede diferir de la tuya. Por eso conviene incluir en el prompt una instrucción clara: "Revisa el archivo adjunto y dime qué data ves, qué información encuentras y qué análisis podríamos realizar" [3:15]. Esto equivale a un paso de validación: Claude te devuelve su lectura del archivo y tú corriges si algo no coincide. Por ejemplo, si confunde "facturación mensual promedio" con un rango de disposición de pago, se lo aclaras antes de avanzar.
Este enfoque aplica las técnicas de prompting con contexto: indicar la tarea, describir el negocio y pedir confirmación antes de ejecutar.
¿Qué tipo de análisis de ventas puede generar Claude automáticamente?
Una vez validada la información, se le pide un análisis exhaustivo del pipeline de ventas [5:11]. Claude ejecuta el análisis usando Python 3, un lenguaje más potente que Excel para manejar grandes volúmenes de datos y realizar cálculos complejos. La diferencia clave es que Python no entrega fórmulas dentro de celdas, sino resultados finales: tablas procesadas y gráficos renderizados.
El resultado fue un dashboard interactivo en HTML con las siguientes métricas [6:02]:
- 50 % de win rate general.
- Ciclo de venta promedio, valor del pipeline abierto y valor cerrado ganado.
- Funnel de conversión completo: lead, contactado, propuesta enviada, negociación, cierre.
- Rendimiento por vendedor con total de oportunidades versus cierres.
- Análisis por producto con win rate individual.
- Motivos de pérdida: proyecto postergado, competencia, sin presupuesto [7:25].
El dashboard también generó recomendaciones estratégicas, como revisar la calificación de leads que pasan demasiado rápido a negociación sin estar maduros.
¿Cómo aplicar segmentación K-means sobre tu base de clientes?
Más allá del análisis descriptivo, Claude puede ejecutar modelos estadísticos avanzados directamente sobre la data. El ejemplo utiliza K-means (K-medios), una técnica de clustering que agrupa clientes según similitudes en sus variables numéricas [8:22]. El prompt fue: "Quiero crear una segmentación avanzada de mis clientes en el pipeline. Usa K-means y entrégame la base de datos con las variables nuevas".
¿Qué pasos ejecuta Claude para la segmentación?
El modelo siguió un plan estructurado [9:07]:
- Preparar los datos para el clustering.
- Normalizar variables numéricas.
- Determinar el número óptimo de clusters.
- Aplicar K-means y analizar cada segmento.
- Crear un archivo Excel con la data original más las nuevas variables.
El resultado identificó tres segmentos óptimos con un puntaje de silueta de 0.205 [9:52]: PYME rápido, mediano potencial y enterprise alto valor. Cada segmento reveló patrones coherentes: las empresas grandes tienen ciclos de venta más largos pero mayor ticket, mientras que las PYME deciden rápido con menor win rate.
¿Qué entrega Claude como archivo final?
El Excel generado incluyó múltiples hojas con múltiples tablas por hoja [10:30], replicando la forma en que trabajamos habitualmente:
- Data segmentada con clúster asignado, distancia al centroide y prioridad.
- Valor por día y resumen de segmento.
- Perfil descriptivo de cada grupo con distribución y centroides.
- Recomendaciones y acciones clave por segmento.
Además, generó un segundo dashboard HTML con visualización de los segmentos, comparativa de métricas y estrategias recomendadas para cada clúster [11:08].
La capacidad de iterar dentro de la misma conversación es lo que hace de Claude una herramienta especialmente útil para este tipo de trabajo. Los análisis se ejecutan en Python, pero los resultados se entregan en formatos que puedes usar directamente: archivos Excel editables y dashboards visuales. Prueba con una planilla que tengas a mano y comparte en los comentarios qué descubriste sobre tus datos.
