Contenido del curso
Técnica Prompt Chaining para análisis de datos en Excel
El Prompt Chaining es una técnica efectiva que permite dividir problemas complejos en tareas más sencillas, utilizando múltiples chats interconectados para precisar el contexto y evitar alucinaciones de las herramientas de Inteligencia Artificial, como ChatGPT. Esta metodología mejora sustancialmente la precisión y claridad del análisis, ideal para crear informes detallados a partir de archivos de datos, como reportes de ventas.
¿Qué es el prompt chaining y por qué usarlo?
El Prompt Chaining facilita descomponer problemas grandes en pequeñas tareas específicas, desarrolladas en diferentes chats. Sus resultados intermedios se trasladan al siguiente chat, manteniendo claridad y precisión en cada parte del proceso. Así, cada tarea emplea un contexto específico y consistente, reduciendo errores en las respuestas de la IA y aumentando la confianza en los resultados obtenidos.
¿Cómo desarrollar un análisis de ventas con ChatGPT?
Para analizar datos de ventas de manera eficiente usando Prompt Chaining, sigue estos pasos clave:
En el ejemplo mostrado, el archivo incluye información transaccional con datos clave:
¿Cómo construir un reporte completo utilizando prompt chaining?
Una vez definido el archivo y revisado su contenido, elabora un plan de análisis concreto con reportes específicos. En el ejemplo:
Cada reporte se generó en chats distintos utilizando los resultados y contexto previos para reforzar la consistencia del análisis.
¿Cuáles son algunos resultados específicos obtenidos en el ejemplo?
¿Cómo crear informes ejecutivos a partir de estos análisis?
Generado el análisis de datos, utiliza otro rol, como “gerente de ventas”, para preparar un reporte ejecutivo claro que incluya:
Este resultado proporciona un insumo estratégico clave para decisiones empresariales acertadas, aprovechando inteligentemente la información obtenida.
Recomendaciones ejemplificadas del análisis:
Te invitamos a poner en práctica esta técnica y compartir tus resultados. ¿Encontraste patrones interesantes en tu análisis? ¡Deja tu experiencia en los comentarios!
Enrique Alexis Lopez Araujo
Estudiante
Gabriel Obregón
Estudiante
Jose Ricardo Dueñas Suarez
Estudiante
Xavier Enriquez
Estudiante
BALFRE VAZQUEZ CASTREJON
Estudiante
Diego Mauricio Zuluaga Rodríguez
Estudiante
Martin Vivar
Estudiante
Platzi Carlosama
Estudiante
David Diaz
Estudiante
Manuel Felipe Acuña
EstudianteDiego Mauricio Zuluaga Rodríguez
Estudiante
Mauricio Pineda
Estudiante
Orlando Castellanos
Estudiante
Luis Eduardo Saavedra Hamburger
Estudiante
Abel Archila
EstudianteLuis Eduardo Saavedra Hamburger
Estudiante
Catherine Argüello Castro
Estudiante
Tatiana Lorena Arenas Rico
Estudiante
DANIEL PEREZ VALLE
EstudianteCatherine Argüello Castro
EstudianteLuis Alejandro Sarmiento
Estudiante
Nicolas Gómez
EstudianteDiego Mauricio Zuluaga Rodríguez
Estudiante
Darío Alejandro Peña Ramírez
EstudianteLuis Eduardo Saavedra Hamburger
EstudianteOrlando Castellanos
EstudianteComunicaciones Pe
Estudiante
Carlos Arturo Gómez
EstudianteSe utilizaron varios prompts en el análisis del Excel. Aquí te los detallo:
Estos prompts evolucionan en complejidad, integrando análisis previos para obtener resultados más detallados.
Ejemplo de la clase:
¿Qué es el Prompt Chaining?
El Prompt Chaining es una técnica que permite dividir un problema grande en partes más pequeñas. A diferencia de lo visto en clases anteriores, esta técnica no se desarrolla en un solo chat. En su lugar, cada parte del problema se aborda por separado y sus resultados se transfieren a un nuevo chat para continuar el análisis.
Paso 1: Cargar el archivo y definir el rol
Paso 2: Analizar el archivo
Se le solicita al modelo: “Lee este Excel y dime qué contiene.” El archivo incluye datos de transacciones de una empresa de retail:
Paso 3: ¿Qué capacidades tiene ChatGPT en análisis de datos?
Aunque un LLM (como ChatGPT) no analiza datos matemáticamente como un humano, puede generar código automáticamente para hacerlo. Esto le permite:
Paso 4: Crear un plan de análisis
Se decide crear un reporte de ventas para la empresa Colmart con los siguientes elementos:
Paso 5: Análisis por mes y trimestre
Paso 6: Uso de múltiples chats
Para evitar confusión o "alucinaciones", se copia el resumen del análisis y se inicia un nuevo chat. En ese nuevo chat:
Paso 7: Tendencias por edad y categoría
Paso 8: Tendencias por género y categoría
Se repite el proceso en otro chat:
Hallazgos:
Paso 9: Consolidar el reporte
Se reúnen todos los análisis en un solo lugar:
Paso 10: Crear reporte ejecutivo
Nuevo chat con rol de gerente de ventas. Prompt final:
Ejemplo de resultado:
gracias
Les comparto el informe final en formato de Infografía del Gerente de ventas, generado con Gemini 2.5 Pro
Esta clase cayo como anillo al dedo, justo ocupaban realizar algo similar para mi trabajo
En programación, se utilizan tres comillas (""") para definir cadenas de texto que pueden ocupar múltiples líneas. Esto permite incluir saltos de línea sin necesidad de concatenar cadenas. En cambio, las comillas dobles ("") se utilizan para definir cadenas de una sola línea. La principal diferencia radica en la longitud y la estructura del texto que se desea incluir.
En el contexto de la técnica de Prompt Chaining, es útil usar tres comillas para mantener la claridad al pasar información extensa entre chats.
Los que usabamos gemini toda la clase: "La fruta madre google. Como que no puedo subir hojas de calculo" :v
Puedes usar microsoft Copilot
Puedes subir el archivo a drive y luego en Gemini le das en añadir desde Drive y ya esta, sin problema.
Buen dia chicos,Les comparto el informe ejecutivo que gemini 2.5 pro me realizo luego de hacer la primera parte del ejercicio de clase ""
""" Informe Ejecutivo de Ventas - [Periodo: Año Actual]
Dirigido a: [Destinatario - Ejemplo: Junta Directiva, Equipo de Marketing] Preparado por: [Tu Nombre], Gerente de Ventas Fecha: 16 de mayo de 2024
Resumen Ejecutivo:
Este informe presenta un análisis detallado del desempeño de ventas durante el año en curso, segmentado por mes, trimestre, grupo de edad y género. El análisis revela tendencias clave que impactan directamente en nuestra estrategia de ventas y ofrece recomendaciones específicas para optimizar el rendimiento en el futuro. Los principales hallazgos indican una fuerte correlación entre festividades clave, estaciones del año y el comportamiento de compra de diferentes segmentos demográficos. El cuarto trimestre se destaca como el período de mayor rendimiento, impulsado por las compras navideñas. El primer trimestre, por otro lado, presenta el desafío de las ventas más bajas.
Análisis Trimestral:
Análisis Mensual Detallado:
Enero$76,455.0
Ventas más bajas del año. Post-Navidad.Promociones de liquidación de invierno.
Febrero$82,240.0
Ligeramente mejor que Enero. Día de San Valentín.Promocionar productos de San Valentín
.Marzo$75,240.0
Similar a Enero. Transición de temporada, sin festivos clave.Campañas de llegada de primavera.
Abril$80,040.0
Ligeramente mejor que Marzo. Vacaciones de Semana Santa.Promocionar productos para vacaciones de primavera.
Mayo$96,675.0
Aumento significativo. Día de la Madre, preparación verano.Campañas para el Día de la Madre.
Junio$84,225.0
Ventas sólidas. Inicio del verano.Promocionar productos de verano.
Julio$84,180.0
Ventas estables. Sin grandes eventos.Mantener promociones continuas.
Agosto$78,855.0
Disminución. Fin del verano, regreso a clases.Promociones de regreso a clases.
Septiembre
$75,645.0Uno de los meses más bajos. Fin del verano.Promocionar productos de otoño.
Octubre
$96,630.0Fuerte aumento. Preparaciones Halloween, inicio Navidad.Campañas temáticas Halloween y Navidad anticipada.
Noviembre
$80,850.0Black Friday y Cyber Monday.Campañas de marketing con publicidades anticipadas agresivas.
Diciembre
$96,955.0Ventas más altas. Compras navideñas.Campañas navideñas agresivas.
Tendencias por Edad y Categoría:
Tendencias por Género y Categoría:
Recomendaciones Estratégicas Clave:
Conclusión:
El análisis exhaustivo de las ventas revela patrones claros que nos permiten tomar decisiones estratégicas más informadas. Al implementar las recomendaciones propuestas, podemos optimizar el rendimiento de ventas, fortalecer la relación con nuestros clientes y alcanzar nuestros objetivos de crecimiento. El seguimiento continuo de estas tendencias es crucial para adaptarnos a los cambios del mercado y mantener una ventaja competitiva.
Prompt Chaining en Excel permite dividir un problema en partes más pequeñas para un análisis más efectivo. Aquí tienes un paso a paso:
Preparación del archivo: Asegúrate de tener un archivo Excel listo.
Primer prompt: Carga tu archivo en un chat de IA. Indica que actúe como un analista de datos y pide que lea el archivo para entender su contenido.
Análisis inicial: Solicita un primer análisis, como obtener las ventas mensuales. Por ejemplo: "Crea un gráfico que muestre las ventas por mes".
Generar otro chat: Una vez que tienes el análisis, copia el resultado y comienza un nuevo chat. Indica que actúe como analista nuevamente e incluye el resumen del análisis anterior.
Análisis avanzado: Pide análisis más complejos basados en el resumen y el archivo, como "Encuentra tendencias por categoría y edad".
Resultados finales: Combina todos los resultados en un último chat, pidiendo un reporte ejecutivo o un análisis que resuma todos los hallazgos.
Este enfoque segmenta el proceso de análisis, facilitando un manejo más claro de los datos.
Con estos videos tan largos pasa lo mismo que con la ventana de contexto que se va alargando, empezamos a alucinar..... se empieza a perder lo puntual.
Según,todo esto se hizo para evitar alucinaciones, pero si se dan cuenta, al final del primer chat el modelo alucina los valores de las ventas basta con Compara el valor que se muestra en los gráficos con los que generó ChatGPT: no cuadra.
Por cierto, el meta prompting, más que reducir las alucinaciones que ya no son un gran problema con los modelos actuales que manejan desde 200k tokens, ayuda a enfocar la conversación solo en la información más relevante. Esto genera mejores respuestas porque estás acotando las salidas del modelo y guiándolo hacia lo que realmente necesitas, dándole un prompt enriquecido con la información más importante.
¿Por que subirlo en un nuevo chat, y no subirlo nuevamente como un nuevo mensaje?
Entiendo que es un nuevo análisis, esto evita que la AI se quede trabada con datos que ya dio con anterioridad, ya que queremos un nuevo criterio, también nos sirve para que cambie de rol, ya que si lo seguimos haciendo en la misma conversación decirle que ahora cambie de rol puede ser confuso y llegue a alucinar, con esta técnica logramos separar temas, obtenemos mejores análisis de cada punto, somos más específicos y obtenemos resultados limpios.
Vale pero si vovlemos a subir el archivo de excel, ¿entonces no se evita la alucación?
Pro tip: Es normal que los modelos omitan algún dato o grafica que ya hayan considerado en respuestas anteriores y quieran generar uno nuevo. Cuando necesitemos volver a traer esa información en un chat nuevo y diferente, debemos ser repetitivos y volverlo a anotar en la nueva instrucción, esta acción tiene un significado para el modelo y de esta manera cobra más relevancia.
Los recursos de la clase, incluyendo el archivo de Excel mencionado, se encuentran en la sección de recursos del curso de Prompt Engineering en Platzi. Asegúrate de revisar esa sección para acceder al material necesario para aplicar las técnicas enseñadas en la clase.
como podria saber que en verdad los datos que me arroja chatgpt son puntuales y correctos?
Muchas veces asumimos que es correcto, pero nunca se ha hecho ese analis por lo que estaria confiando a ciegas
Justo el mismo ChatGPT nos dice en el chat que este podría tener algunos errores, cuando son datos, y análisis siempre es recomendable hacer double-check.
Si un prompt no fue claro al solicitar gráficos de ventas trimestrales, la clase recomienda editar el prompt en lugar de continuar con un nuevo chat. Es preferible corregir y aclarar el mensaje para asegurarse de que el modelo entienda correctamente la solicitud, lo cual mejora la calidad de la respuesta. Esto se debe a que ser repetitivo puede enfatizar la importancia de la información y ayudar al modelo a generar resultados más precisos.
Muy poderoso el Prompt Chaining. Les comparto el resultado al realizar el ejercicio:
Realicé el ejercicio que nos puso el profe y culminé solicitando en el último prompt, utilizando un rol de gerente comercial, que realizara un brief del estado de las ventas empresa. Les comparto, quedé muy satisfecho con el resultado:
“Las ventas alcanzaron su punto más alto en mayo 2023 y el más bajo en enero 2024. A nivel trimestral, el mejor desempeño fue en Q4 2023 y el peor en Q1 2024. Clothing y Electronics lideran en revenue promedio. El grupo etario 36-45 años tiene el mayor ticket promedio. En género, el masculino supera levemente al femenino. Estas métricas sugieren oportunidades para campañas focalizadas y ajustes en el portafolio.”
Gran clase. Poderoso aprender este método.
El rol, memoria, enfoque y límites en la técnica de Prompt Chaining son esenciales para el análisis efectivo de datos.
Ejemplos de prompts usados:
Estos prompts guían el proceso de análisis paso a paso.
Al ver esta clasese me ocurre lo siguiente (No estoy seguro de que funcione):
Y si todo este trabajo se hace dentro de un proyecto de ChatGPT en donde se tengan todos los chats organizados para no perderlo en el historial, pero, haciendo lo siguiente que me pare más importante:
Cada que se genere en un chat un reporte de lo que pide, se exporta a un documento y luego se agrega a los documentos del proyecto, ¿No ayudaría esto a tener toda la información a la mano en cada nuevo chat, como si se tratara de un RAG interno del proyecto y a partir de ahí generar todos los resportes con toda la inofrmación disponible en todo momento?
Para que analice mejor los datos, ¿Que seria mejor en este caso poner un Excel? o ¿Poner esos mismo datos en un JSON?. lo digo porque he visto que usa un algoritmo muy diferente cuando uso ambos formatos
ninguno el modelo usa por detras codigo que se ajusta dependiendo el formato aunque al usar python lo mas recomendable es usas csv o excel ya que es muy comun usar estos formatos y usar pandas para este tipo de analisis si tus datos estan en json pues asi dejalos tambien es valido el modelo se pone a generar codigo pero para analisis de datos lo mejor o mas comun seria tenerlo en formato estructurado con csv o excel
Si yo quiero contruir un GPT con un rol de analista de gestion humana, y quiero quiero que pueda responder a diferentes necesidades del area, pero tengo que darle cierta informacion como datos demograficos, resultados de encuestas, resultados de evaluaciones de desempeño, puedo lograr esto por medio de esta tecnica de promp chaining ? para que a la hora de consturirlo y preguntar, reduzca la posibilidad de alusinaciones ?
Puedes combinar dos o más técnicas claro!! Por ejemplo el meta prompting para crear el "Agente" y analizar ya la información con el prompt chaining
