Análisis de Datos
    Data Analytics
    Transformación Digital

    Cómo preparar tus datos para proyectos de inteligencia artificial

    Rodrigo Flaquer · Publicado el · Actualizado el · 3 min de lectura

    Cómo preparar tus datos para proyectos de inteligencia artificial

    Un proyecto de inteligencia artificial puede fallar aunque el modelo produzca respuestas claras. Si ventas significa cosas distintas para cada departamento o una tabla está desactualizada, la aplicación parte de una base que no representa bien el negocio.

    Delimita la pregunta y las fuentes necesarias

    Empieza con una tarea acotada: consultar ventas por canal, localizar una condición contractual o clasificar solicitudes. Identifica las fuentes que contienen la respuesta y registra quién es responsable de mantenerlas. Evita conectar todos los sistemas antes de saber qué aporta cada uno.

    Define el significado de los datos

    Documenta las claves que relacionan tablas, la unidad de cada importe y el significado de estados como «cerrado» o «cancelado». Para ventas, acuerda si el cálculo incluye impuestos, devoluciones y pedidos pendientes. La misma definición debe servir al informe y al agente.

    Una capa de métricas compartida puede reducir las interpretaciones distintas entre equipos. Si necesitas establecer ese punto de partida, una consultoría de estrategia y gobierno del dato permite ordenar definiciones y responsabilidades.

    La guía de context engineering con Snowflake y dbt muestra cómo reunir definiciones, periodos y evidencia en un contexto que la aplicación pueda contrastar.

    Comprueba calidad y actualización

    • Unicidad: evita contar dos veces el mismo pedido.
    • Integridad: comprueba que cada venta corresponde a un cliente y producto válidos.
    • Completitud: distingue valores ausentes de valores iguales a cero.
    • Actualización: indica cuándo se cargó cada fuente y qué periodo cubre.

    Define qué debe ocurrir cuando una comprobación falla. Puedes bloquear una respuesta, mostrar que los datos están pendientes de actualización o enviar la incidencia a un responsable. La decisión depende del efecto del error en el proceso.

    Para concretar las validaciones, utiliza estos controles para duplicados, campos obligatorios y conciliación de importes.

    Limita el acceso a lo que necesita cada usuario

    Diseña los permisos antes de abrir la aplicación a toda la empresa. Una pregunta en lenguaje natural debe respetar los mismos límites que una consulta directa. Prueba con el rol del usuario final y mantén las credenciales fuera del navegador y del código compartido.

    Evalúa respuestas con ejemplos conocidos

    Prepara preguntas con respuestas verificadas, preguntas ambiguas y casos que los datos no permitan resolver. Compara importes con SQL y exige que la aplicación reconozca cuándo falta información. Para una tarea de búsqueda, comprueba que la fuente citada sostiene realmente la respuesta.

    El tutorial de Cortex Agent SDK con Python muestra ese recorrido con ventas ficticias y resultados de referencia.

    Mantén la base después del piloto

    Cuando cambie una tabla, una métrica o un permiso, vuelve a ejecutar las comprobaciones. Revisa el coste por tarea resuelta y las consultas que necesitan intervención humana. La integración y el mantenimiento de las fuentes forman parte del proyecto; puedes abordarlos con Nubita Data Platform.

    Lleva estas ideas a tu empresa

    Define indicadores con nuestra consultoría de Business Intelligence y Power BI, integra tus fuentes con el Cerebro Nubita o empieza por una estrategia de datos adaptada a tu negocio.

    ¿Hablamos?