Aprovechar los modelos de lenguaje para analizar reportes de ventas es una de las capacidades menos exploradas y más poderosas que ofrecen herramientas como ChatGPT. Cargar un archivo Excel, pedirle a la IA que lo interprete y obtener gráficas, KPIs y tendencias en minutos cambia por completo la forma en que se toman decisiones de negocio.
¿Cómo interpreta ChatGPT un archivo Excel de ventas?
El punto de partida es un Excel con el reporte de ventas de un e-commerce [0:07]. Este archivo contiene ventas por mes, revenue, average ticket size value, una base de datos con 1.000 productos, 1.000 clientes y 99.000 transacciones [0:25]. Incluso incluye un error intencional: una fórmula que no funciona en Excel pero sí en Google Sheets [0:41].
Al subir el archivo a ChatGPT, la herramienta genera una previsualización del contenido [1:15]. Se puede navegar entre sheets —productos, clientes, transacciones— y verificar cómo la IA interpreta cada tabla. Un detalle importante: ChatGPT no lee las fórmulas, sino el resultado de las fórmulas [1:35]. Por eso pudo resolver correctamente la fórmula que Excel no procesaba.
¿Por qué ChatGPT genera código para resolver problemas matemáticos?
Los LLMs no son buenos haciendo matemáticas directamente, porque su función principal es entender lenguaje y generar texto [1:55]. La forma en que compensan esta limitación es generando código de programación, ejecutándolo y devolviendo el resultado [2:05]. El código es texto, y en eso son expertos.
- Si sabes programación, puedes revisar el código y aprender de él.
- Si no sabes programación, no necesitas leerlo ni entenderlo.
- Lo relevante es comprender que esta es la mecánica detrás del análisis.
¿Qué hacer cuando ChatGPT se queda trabado durante el análisis?
Durante el proceso, la herramienta puede quedarse pensando sin avanzar [2:27]. Cuando esto ocurre, se presiona el ícono de pausa, se detiene el análisis y luego se usa el botón de refresh que dice "Try again" [2:40]. Con eso, el modelo vuelve a correr y entrega resultados: estructura de datos, columnas detectadas, KPIs principales, tendencias, rankings y anomalías.
¿Qué pasa cuando el prompt es demasiado ambiguo?
El primer prompt utilizado fue deliberadamente genérico: "Actúa como analista de datos. Lee el Excel y cuéntame qué encuentras" [1:02]. Esto sirvió para demostrar el proceso, pero también reveló una limitación clara.
Al pedir una gráfica de tendencia de ventas del 2024 [3:18], ChatGPT generó gráficas a partir de código —distintas a las generadas como imagen— pero el resultado no fue preciso. Creó una tendencia por conteo de registros que no coincidía con la gráfica real de ventas [3:55].
El problema fue la ambigüedad del prompt. La IA no encontró una columna llamada "ventas", buscó alternativas como facturación o subtotal, y terminó dando vueltas [4:10]. Si se le hubiera indicado que la métrica era revenue y que debía ir a la hoja de transacciones para calcular la sumatoria desde el precio, el resultado habría sido mucho mejor.
- Ser específico en las instrucciones es fundamental.
- Indicar la métrica exacta, la hoja y la operación que debe realizar.
- Siempre validar lo que genera la IA contra los datos reales.
¿Cómo aplicar roles y prompt chaining para un análisis efectivo?
Asignar un rol al modelo potencia la calidad de las respuestas [0:55]. El rol de analista de datos es solo una opción; también se puede usar data scientist, experto en marketing o experto en ventas, dependiendo del objetivo.
El concepto de prompt chaining —encadenar varios prompts en secuencia— permite descomponer un problema complejo en pasos manejables [5:35]. En lugar de pedir todo en una sola instrucción, se puede:
- Primero pedir que lea y entienda la estructura del archivo.
- Luego solicitar un análisis de KPIs específicos.
- Después pedir gráficas con métricas claras.
- Finalmente solicitar recomendaciones de inversión basadas en los hallazgos.
El reto planteado es actuar como chief marketing officer del e-commerce [4:35] y decidir dónde invertir para incrementar las ventas el próximo mes. Esto requiere definir el rol, dar instrucciones precisas con límites claros y, si es necesario, construir una cadena de prompts que lleve al resultado esperado. Comparte en los comentarios tu análisis, el prompt que usaste y la gráfica que soporte tu decisión.
