Sprint 1 - Introducción a tu futura profesión

Sprint 1 - Introducción a tu futura profesión#

Clase teórica

Introducción#

En esta sesión conocerás el rol del Data Analyst (DA), su proceso de trabajo y cómo colabora con otros perfiles de datos para generar valor de negocio. Usaremos el archivo taylor_swift_da_intro.xlsx como hilo conductor para aterrizar conceptos.

¿Por qué este caso?

  • Conecta con cultura pop (Taylor Swift) y métricas de streaming/videos.

  • El archivo contiene problemas de calidad realistas (fechas mixtas, booleanos variados, duplicados, números con símbolos), útiles para comprender el trabajo del DA.

Objetivos de aprendizaje#

Al finalizar la sesión podrás:

  1. Explicar qué hace un Data Analyst y y diferenciarlo de otros roles (DS, DE, BI, PM).

  2. Describir el proceso de trabajo del DA desde una pregunta de negocio hasta una entrega final.

  3. Identificar a los stakeholders clave y los entregables que se esperan de un DA.

  4. Reconocer niveles de seniority y las expectativas asociadas en la carrera de datos.

  5. Aplicar estos conceptos al caso de Taylor Swift utilizando el archivo como ejemplo teórico.

Agenda#

  • Rol del DA (qué hace y qué no hace)

  • Principales roles en el mundo de datos y cómo colaboran

  • Proceso de trabajo del DA (de la pregunta de negocio a la entrega)

  • DA en distintos tipos de organizaciones

  • Tipos de seniority y expectativas

Aplicación guiada

  • Caso conceptual de Taylor Swift: mapping de conceptos

El rol del Analista de Datos#

El Data Analyst traduce preguntas de negocio en respuestas basadas en datos y entregables accionables (reportes, visualizaciones, checks de calidad, recomendaciones).

Responsabilidades nucleares:

  • Entender el contexto/objetivos del stakeholder y definir métricas relevantes.

  • Obtener datos de fuentes diversas (spreadsheets, CSVs, conectores).

  • Limpiar/preprocesar (tipos, duplicados, nulos, estandarización).

  • Explorar/calcular (resúmenes, segmentaciones, tendencias simples).

  • Comunicar con claridad (gráficos de barras/líneas, narrativa).

  • Documentar cambios y su racional (bitácora o change_log).

Límites típicos del DA (y cuándo escalar):

  • Modelos ML experimentales → DS/ML.

  • Pipelines/infra de datos → DE.

  • Modelado semántico/tableros escalables → BI/Analytics Engineer.

Pista: “¿Qué canciones priorizar para la próxima campaña/gira?”

Un mundo lleno de herramientas#

  • Python como recurso principal: Pronto nos introduciremos a la programación con Python.

  • ¿De donde provienen los datos?: Podemos conseguir datos de distintas fuentes: web scraping, bases de datos, o bien, en archivos planos como libros Excel o CSV.

  • Tus primeros pasos: Empezaremos realizando exploraciones de datos en archivos planos, luego pasaremos a hacer la exploración en bases de datos (Sprint 3) y posterior a eso, exploraremos el mismo proceso en Python (Sprint 5).

DA en diferentes tipos de organizaciones#

  • Startup: rol generalista (limpieza → insight → slide). Velocidad > formalización.

  • Mid-size: especialización moderada; DA trabaja con BI/DE; procesos básicos de gobierno.

  • Enterprise: clara división de funciones, compliance, estándares estrictos, data governance.

Implicaciones para el DA:

  • En entornos pequeños, el DA diseña flujos de extremo a extremo.

  • En empresas grandes, el foco es claridad, trazabilidad y hand-off impecable.

Tipos de Seniority#

  • Junior: limpieza y métricas básicas; documentación guiada; foco en best practices.

  • Mid: autonomía en limpieza/comunicación; propone KPIs y flujos de trabajo.

  • Senior: define estándares, lidera entregas complejas y coordinación con otros roles.

  • Lead/Manager: visión, priorización de iniciativas, relación con negocio.

Autoevaluación (rápida):

  • ¿Puedo explicar mi decisión metodológica a un stakeholder no técnico?

  • ¿Mis archivos se entienden sin mí (nombres, notas, change_log)?

  • ¿Sé cuándo escalar a BI/DE/DS?

Work Process (de la pregunta a la entrega)#

Un flujo práctico y repetible para el DA:

  1. Descubrir el problema

    • ¿Qué decisión se tomará? ¿Qué KPI importa? ¿Para quién?

  2. Auditar fuentes

    • ¿Qué hay en raw_songs/raw_albums? ¿Qué issues evidencia data_dictionary?

  3. Limpieza y estandarización

    • Fechas a un estándar (ISO 8601), booleanos a TRUE/FALSE, números sin símbolos, remover duplicados.

  4. Cálculo & EDA

    • Métricas simples (SUM, COUNT, AVERAGE, MIN, MAX), segmentaciones por álbum/era.

  5. Visualización & narrativa

    • Gráfico (barra/línea). ¿Qué significa? ¿Qué acción sugiere?

  6. Handoff & documentación

    • Archivo ordenado (nombres de hojas, formato), change_log con pasos y ejemplos antes/después.

Relación con OSEMN: Obtain (fuentes) → Scrub (limpieza) → Explore (EDA) → Model (agregados/segmentos) → iNterpret (insights/decisión).

Sesión práctica#

Caso conceptual de Taylor Swift

Aplicación conceptual al caso Taylor Swift#

¿Conoces a Taylor Swift?

Contexto: taylor_swift_da_intro.xlsx → hojas raw_songs, raw_albums, data_dictionary, change_log, summary_template.

Paso A — Inspección y mapeo

  • Revisa data_dictionary para entender tipos esperados y definiciones.

  • Lista de riesgos: fechas mixtas, booleanos no estándar (Yes/No/1/0), separación inconsistente en Writers, números con símbolos/comas, duplicados.

Paso B — Reglas de limpieza (definir antes de tocar datos)

  • Fechas → YYYY-MM-DD.

  • Booleanos → {TRUE, FALSE} únicamente.

  • Números → sin símbolos, sin espacios; separador decimal consistente.

  • Writers → separador único (p. ej., ;).

  • Duplicados → criterio: columnas clave Song + Album + Release Date (definir).

Paso C — Documentación (change_log)

  • Cada cambio = fila con quién/cuándo/qué + ejemplo antes/después.

Paso D — Métricas base (summary_template)

  • Total Tracks, Unique Albums, Average Streams, Average Views, Explicit TRUE.

  • Añadir un gráfico simple (barra/línea) para comunicar.

Paso E — Narrativa breve

  • “Top canciones por streams promedio”, “outliers”, “recomendación de foco para campaña/artista/tour”.

Ejercicio#

Archivo base: taylor_swift_da_intro.xlsxlink
Objetivo: practicar limpieza y exploración ligera solo en Google Sheets (sin programar). Trabaja SIEMPRE sobre una copia limpia.

Ejercicio 1 — Preparación del archivo#

  1. Sube el .xlsx a Google Drive → clic derecho → Abrir con → Hojas de cálculo de Google.

  2. Duplica la hoja raw_songs como clean_songs (clic derecho en pestaña → Duplicar). Nunca edites raw_songs.

  3. Congela la fila de encabezados: Ver → Congelar → 1 fila.

  4. Ajusta anchos (doble clic en separador de columna) y revisa que los encabezados sean legibles.

  5. Renombra hojas si hace falta (p.ej., clean_*, summary_*).

  6. En la hoja change_log, agrega tu primera fila: “Creé hoja clean_songs a partir de raw_songs” (fecha/hora opcional).

Entrega esperada: archivo ordenado con estructura clara.

¿Por qué no trabajar sobre los datos base? Para preservar el insumo original y poder repetir/validar cambios sin riesgo.

Ejercicio 2 — Estandarizar fechas y booleanos#

A) Fechas (Release Date, Date Added) a formato YYYY-MM-DD:

  • Selecciona la(s) columna(s) de fecha → Formato → Número → Fecha.

  • Si se importaron como texto, usa una columna auxiliar en clean_songs:

        =IFERROR(
    DATE(VALUE(RIGHT(C2,4)), VALUE(LEFT(C2,FIND("/",C2)-1)), VALUE(MID(C2,FIND("/",C2)+1,FIND("/",C2, FIND("/",C2)+1)-FIND("/",C2)-1))),
    IFERROR(
       DATE(VALUE("20"&RIGHT(C2,2)), VALUE(MID(C2,4,2)), VALUE(LEFT(C2,2))),
    "")
    )

    Ajusta C2 al nombre/columna real. Copia hacia abajo, Pegar especial → Solo valores y reemplaza la original.

B) Booleanos (Explicit) a TRUE/FALSE:

  • En columna auxiliar (p.ej., junto a Explicit):

    =IF(REGEXMATCH(LOWER(C2), "^(y|yes|1|true)$"), TRUE,
 IF(REGEXMATCH(LOWER(C2), "^(n|no|0|false)$"), FALSE,""))

    o si prefieres:

     =IF(OR(C2=1; C2="1"; LOWER(C2)="y"; LOWER(C2)="yes"; LOWER(C2)="true"), TRUE,
    IF(OR(C2=0; C2="0"; LOWER(C2)="n"; LOWER(C2)="no"; LOWER(C2)="false"), FALSE,""))

    Copia hacia abajo → Pegar especial → Solo valores → reemplaza la columna original.

Entrega esperada: fechas y booleanos consistentes, documentados en change_log (qué hiciste y por qué).

Ejercicio 3 — Números y separadores#

Objetivo: limpiar Spotify Streams (M) y YouTube Views (M) para que queden como número (sin símbolos/comas/espacios).

  1. Quitar símbolos con Buscar y reemplazar (Ctrl/Cmd + H):

    • Buscar: $ → Reemplazar: (vacío) → Reemplazar todo.

    • Repite con €, espacios , o comas , si corresponde.

  2. Si aún quedan textos, crea columna auxiliar con fórmula y luego pega valores:

    =VALUE(REGEXREPLACE(REGEXREPLACE(A2,"[^\d\.\,\-]",""),",",""))

    • Explicación: elimina todo lo que no sea dígito/punto/coma/signo; luego cambia comas por puntos y convierte a número.

  3. Verifica con Datos → Crear filtro y ordena de mayor a menor para confirmar que se comportan como números.

Entrega esperada: columnas numéricas limpias (tipo número), con nota en change_log.

¿Por qué no escribir manualmente puntos/comas? Porque es propenso a error y no escala; además, pierde trazabilidad en change_log.

Ejercicio 4 — Duplicados y separadores de texto#

  1. Detectar/eliminar duplicados según regla (Song + Album + Release Date):

    • Selecciona el rango de datos en clean_songs → Datos → Limpieza de datos → Quitar duplicados.

    • Marca columnas de la regla y confirma.

  2. Unificar separador en Writers a ;:

    • Editar → Buscar y reemplazar: reemplaza , o / por ; (repite según variantes detectadas).

    • Alternativa con fórmula (columna auxiliar y luego pega valores):

      =SUBSTITUTE(SUBSTITUTE(A2, ",", ";"), "/", ";")

Entrega esperada: sin duplicados y separador consistente en Writers.

Ejercicio 5 — Métricas y visualización#

Trabaja en la hoja summary_template (ya creada en el archivo base). Usa referencias a clean_songs:

  1. Total Tracks (conteo de filas con nombre de canción en clean_songs!A:A):

    =COUNTA(clean_songs!A2:A)

  2. Unique Albums (contar distintos en clean_songs!B:B):

    =COUNTA(UNIQUE(clean_songs!B2:B))

  3. Average Spotify Streams (M) (columna numérica ya limpia, p.ej., clean_songs!F:F):

    =AVERAGE(clean_songs!F2:F)

  4. Average YouTube Views (M) (p.ej., clean_songs!G:G):

    =AVERAGE(clean_songs!G2:G)

  5. Tracks Marked Explicit (columna booleana en clean_songs!H:H):

    =COUNTIF(clean_songs!H2:H, TRUE)

Gráfico de barras (top 5 por Streams o por Views):

  • En clean_songs, Ordenar de mayor a menor por la métrica elegida.

  • Seleccionar las 5 primeras filas (columna Song + columna métrica).

  • Insertar → Gráfico → Tipo Barras. Ajusta títulos/etiquetas en el panel derecho.

Insights y recomendación: escribe 3 viñetas con hallazgos y 1 recomendación breve (p.ej., “enfocar promoción en álbum X por mayor streams promedio”).

Entrega esperada: summary_template completo + 1 gráfico simple + viñetas.

Ejercicio 6 — Handoff y checklist#

  • Revisa nombres de hojas y consistencia general.

  • Verifica que change_log enumere los pasos clave (fechas, booleanos, limpieza numérica, duplicados, writers).

  • Deja 2–3 preguntas para el stakeholder (suposiciones o limitaciones que encontraste).

Entrega esperada: archivo listo para compartir + 3 preguntas de seguimiento.

¿Qué aprendimos hoy?#

  • El DA es el puente entre preguntas de negocio y evidencia en datos.

  • Un proceso claro y trazable es tan importante como el resultado.

Siguientes Pasos#

  • Próxima sesión: profundizaremos en el ecosistema de datos y en el flujo de punta a punta.

  • Participación continua: asistir a Co-Learning y a Sprint Focus, y usar los canales de Discord para hacer preguntas.

  • Recordatorios: la grabación y recursos utilizados, se comparten al finalizar la sesión; en caso de necesitar apoyo adicional, agenda un 1:1.