Drill 08
Revisar los datos antes de creerles
El número salió raro. ¿Es el negocio o son los datos?
Cómo revisar de dónde viene un número, y a qué nivel de detalle mirarlo, antes de sacar conclusiones.
Cuándo se saca
Cuando un número cambia de golpe, cuando dos fuentes no cuadran o cuando vas a entregar algo que alguien va a usar para decidir.
Cómo se usa
- Pregunta cómo nace el dato: quién o qué lo registra, en qué momento y qué queda fuera del registro.
- Revisa lo básico antes de analizar: vacíos, duplicados, fechas fuera de rango, días que faltan y cambios de definición a mitad de la serie.
- Mira la serie a más de un nivel de detalle. Lo diario muestra ruido, lo semanal muestra movimientos cortos y lo mensual los puede borrar. Elige el nivel que responde la pregunta, no el que deja el gráfico más limpio.
Antes de preguntar qué dice el número, pregunta de dónde salió.
Una escena típica
Escena ilustrativa, sin datos de un caso real.
Escena típica en un reporte de ventas.
Lo que se veíaUn día aparece con ventas muy por sobre lo normal y alguien propone repetir lo que se hizo ese día.
Lo que eraEse día el mismo archivo se había cargado dos veces. Las ventas estaban duplicadas.
En qué terminóSe corrigió la carga y se agregó una revisión de duplicados antes de publicar el reporte. La idea de repetir ese día no llegó a ninguna reunión.
Dónde se cae la gente
Elegir el nivel de detalle por cómo se ve el gráfico. Agregar por mes hace que todo parezca estable, y a veces eso es justamente lo que tapa el problema.
Fuego rápido
3 preguntas sobre esto mismo. Si fallas una, la línea de abajo dice por qué.
Dónde se pone a prueba
Saber el método no es la habilidad. Estos challenges no te dicen cuál usar, y ese es justamente el ejercicio.
Quién lo revisa
Rodrigo Urrea
Analítica · Forecasting · Productos digitales
- 14 años
- Chile · Alemania · EE.UU.
- Varias industrias
- Forecasting
- Productos digitales
- MSc Business Analytics
- AI-ready
Catorce años en analítica, en Chile, Alemania y para compañías en Estados Unidos.
Empecé en consumo masivo y bebidas, donde los pedidos llegaban con apuro y sin contexto. Después forecasting, productos digitales, y empresas sin equipo de datos que necesitaban una respuesta usable el lunes y no el mejor modelo posible. Un MSc en Business Analytics en el camino. Trabajé en varias industrias, y el patrón se repite en todas: el problema casi nunca es la técnica o la herramienta.
Hoy trabajo en construir capacidades AI-ready para tareas de analítica: qué parte del trabajo conviene automatizar y qué parte sigue siendo criterio. La segunda es más grande de lo que parece.
Los 21 challenges salen de pedidos que me hicieron a mí.
LinkedIn ↗Todos mis enlaces ↗