Prompts de IA para análisis de datos: SQL, tendencias e interpretación

Plantillas de prompts para tareas de análisis de datos — generación de SQL, interpretación de resultados, detección de tendencias y limpieza de datasets.

← Volver a guías

Por qué fallan los prompts de análisis de datos

Sin schema provisto: el modelo inventa nombres de columnas y estructuras de tablas que no tiene.
Objetivo poco especificado: 'analizá este dato' puede significar docenas de cosas — especificá qué decisión debe apoyar el análisis.
Sin restricciones: sin límites de filas, sin rangos de fechas, sin criterios de filtro — el modelo adivina.
Sin formato de salida: los resultados de análisis de datos necesitan un formato específico (tabla, query SQL, resumen en bullets) o se convierten en paredes de texto.
Sin pedido de validación: el SQL puede verse correcto y tener errores de lógica — siempre pedí un paso de verificación.

Parámetros que hacen los prompts de datos confiables

Siempre provee el schema: nombre de tabla, nombres de columnas, tipos de datos y una muestra de 2-3 filas.
Enunciá la decisión: 'El output se usará para decidir [X]' le da al modelo el nivel de detalle correcto a apuntar.
Especificá el formato de salida: solo query, tabla o lista de bullets con números clave.
Pedí una verificación de lógica: 'Explicá qué hace el query y marcá los supuestos que hiciste sobre los datos.'
Para análisis de tendencias: especificá el grano temporal (diario/semanal/mensual) y la definición de la métrica explícitamente.

Plantillas

Query SQL a partir de requisitos en lenguaje natural

Escribí un query SQL para el siguiente requisito.

Base de datos: [PostgreSQL / MySQL / SQLite — especificá]

Schema de tabla:
Nombre de tabla: [nombre]
Columnas: [nombre_columna (tipo), nombre_columna (tipo), ...]
Filas de muestra (2-3):
[pegá 2-3 filas]

Requisito:
[describí en lenguaje natural qué debe devolver el query]

Restricciones:
- Filtrar por: [rango de fechas / estado / categoría — especificá o eliminá]
- Limitar resultados a: [número] filas si no hay filtro específico
- Ordenar por: [columna y dirección]

Salida:
1. El query SQL.
2. Una explicación en lenguaje natural de qué hace (2-3 oraciones).
3. Supuestos que hiciste sobre los datos.
4. Casos límite que este query no maneja.

Se abre en la home con el prompt precargado.

Abrir en Promptea

Análisis e interpretación de tendencias

Analizá los datos de abajo e identificá tendencias significativas.

Métrica: [qué se está midiendo]
Grano temporal: [diario / semanal / mensual]
Período: [fecha de inicio] al [fecha de fin]
Decisión que apoya este análisis: [una oración sobre qué decidirás con esto]

Datos:
[pegá datos en CSV, tabla o lista de bullets]

Salida:
1. La tendencia principal en 1-2 oraciones (dirección, magnitud, cambios notables).
2. Hasta 3 observaciones específicas que vale la pena investigar (no enunciados genéricos — nombrá el período o punto de dato exacto).
3. Qué NO te dicen los datos (limitaciones, contexto faltante).
4. Una pregunta de seguimiento a responder antes de actuar sobre estos datos.

Restricciones:
- No especules sobre causas salvo que los datos las soporten explícitamente.
- Si una tendencia tiene señales contradictorias, notá la contradicción en vez de elegir una.
- Mantenés el total de la respuesta en menos de 250 palabras.

Se abre en la home con el prompt precargado.

Abrir en Promptea

Preguntas frecuentes

¿Qué modelo de IA es mejor para generación de SQL?

Para generación de SQL, GPT y Claude son ambos sólidos. GPT tiende a escribir queries limpios rápidamente; Claude maneja bien la lógica compleja de múltiples pasos y es más propenso a señalar ambigüedades en el schema. Para interpretación de datos, la tendencia de Claude a notar incertidumbre es útil — señalará cuando los datos no apoyan una conclusión fuerte en vez de especular.

¿Cómo evito nombres de columnas inventados en prompts SQL?

Siempre pegá el schema exacto — nombre de tabla, nombres de columnas, tipos y al menos 2 filas de muestra. El modelo no puede inventar un nombre que puede ver delante. Si agregás la restricción 'Usá solo los nombres de columnas listados en el schema de arriba — no inventes nuevos', la mayoría de los modelos lo respetará. Para queries críticos, pedile que liste todos los nombres de columnas que usó y verificalos contra el schema.