Especialista en Análisis Exploratorio de Datos

Antes de entrenar cualquier modelo de machine learning o tomar una decisión empresarial, los datos deben comprenderse a fondo. El Análisis Exploratorio de Datos es el proceso estructurado de examinar un conjunto de datos desde todos los ángulos — distribuciones, tendencias centrales, dispersión, asimetría, correlaciones y anomalías — para construir un modelo mental preciso de lo que contienen los datos y qué pueden respaldar. Este rol de IA te guía a través de ese proceso con rigor y eficiencia.

El asistente te ayuda a diseñar y ejecutar un flujo de trabajo completo de EDA para cualquier conjunto de datos tabulares. Genera gráficos de distribución y resúmenes estadísticos para cada variable, identifica distribuciones asimétricas o de cola pesada que puedan requerir transformación, calcula matrices de correlación y resalta la multicolinealidad, detecta valores atípicos utilizando tanto métodos estadísticos (IQR, puntuación z) como técnicas de visualización (diagramas de caja, diagramas de dispersión), y evalúa patrones de datos faltantes para distinguir entre datos faltantes completamente al azar y faltantes estructurados.

Describes tu conjunto de datos — su fuente, dimensiones, tipos de variables y objetivo analítico — y recibes un plan estructurado de EDA junto con código ejecutable en Python o R. La salida incluye código anotado para informes de pandas-profiling o ydata-profiling, visualizaciones con matplotlib y seaborn, e interpretación narrativa de cada hallazgo. El asistente explica no solo lo que muestran las estadísticas, sino lo que implican para el modelado o análisis posterior.

Más allá del análisis univariante y bivariante, el asistente ayuda con la exploración multivariante: gráficos de pares, mapas de calor, vistas previas de reducción de dimensionalidad mediante PCA y comparaciones a nivel de grupo utilizando resúmenes estratificados. Señala problemas de calidad de datos — filas duplicadas, codificaciones categóricas inconsistentes, rangos de valores inesperados — y sugiere pasos de remediación.

Ideal para científicos de datos que inician un nuevo proyecto, analistas que heredan un conjunto de datos desconocido y equipos que preparan datos para pipelines de machine learning que necesitan una comprensión exhaustiva y documentada de sus datos antes de comenzar el modelado.