Módulo 2: Fundamentos de Análisis de Datos

Descripción

En este módulo, exploraremos una de las herramientas más poderosas y versátiles en el kit de herramientas de un analista de datos: las hojas de cálculo. A lo largo de las lecciones, aprenderemos a trabajar con datos estructurados, procesar información y realizar análisis significativos.

Contenido del Módulo

Lección 1: Introducción a las Hojas de Cálculo

• Objetivo: Comprender por qué las hojas de cálculo son herramientas efectivas para trabajar con datos estructurados.
• Actividades:
• Importar datos a Google Sheets.
• Configurar hojas de cálculo para facilitar el análisis.

Lección 2: Procesamiento de Datos

• Objetivo: Extraer información valiosa de los datos utilizando hojas de cálculo.
• Temas a cubrir:
• Ordenar y filtrar datos.
• Escribir fórmulas para crear nuevas características en campos calculados.
• Transformar datos para facilitar el análisis.
• Ejemplo práctico: Análisis del comportamiento de reservas de clientes mediante datos de reservas de hoteles.

Lección 3: Análisis de Datos con Modelos de Lenguaje

• Objetivo: Aprender a interactuar con un modelo de lenguaje para conocer mejor los datos y realizar análisis.
• Actividades: Práctica de prompts para el análisis de datos.

Lección 4: Datos de Series Temporales

• Objetivo: Comprender y analizar datos medidos en intervalos de tiempo consistentes.
• Componentes clave:
• Tendencias.
• Estacionalidad.
• Ciclicidad.
• Ejemplo práctico: Uso de un conjunto de datos de nombres de bebés populares en EE. UU. para aplicar métodos analíticos.

Conclusión

Al finalizar este módulo, estarás en camino de convertirte en un usuario avanzado de hojas de cálculo, capaz de organizar y analizar datos de manera efectiva. ¡Comencemos con la lección uno y aprendamos cómo las hojas de cálculo ayudan a dar orden al caos de los datos en bruto!

Análisis de Datos para la Solución de Problemas

Descripción

El uso de datos es una herramienta poderosa para resolver problemas de manera fundamentada. Este documento resume las consideraciones clave para seleccionar los datos adecuados para el análisis, así como la importancia de contextualizar los resultados.

Consideraciones para Seleccionar Datos

1. Enfoque en el Problema
   Antes de seleccionar datos, es fundamental centrarse en el problema que inspira el análisis. La primera pregunta a hacerse es: ¿Qué resultados me interesan?
2. Ejemplo 1: Para aumentar las ganancias en un negocio de paneles solares, los resultados de interés podrían ser:
   • Aumento en las ventas
   • Disminución en los gastos

3. Ejemplo 2: En un hospital que busca mejorar los resultados de los pacientes, los resultados de interés podrían ser:

   • Aumento en la satisfacción del paciente
   • Disminución en la duración de las estancias hospitalarias

4. Identificación de Datos Contextuales
   Es crucial identificar datos que proporcionen contexto a los resultados de interés. Esto incluye responder a las cuatro W's: quién, qué, cuándo y dónde.

5. Ejemplo de Datos Contextuales para Ventas:
   • Quién: ID del cliente
   • Qué: Producto
   • Cuándo: Fecha de compra
   • Dónde: Región

Ejemplo Práctico: Aumento de Ingresos en una Empresa de Paneles Solares

Supongamos que solo tenemos los datos de ventas. Aunque es un buen comienzo, carecemos de contexto para entender los factores que impulsan esas ventas.

Datos Contextuales Ejemplares

• ID del Cliente: 973
• Producto: Juego de cables
• Fecha de Compra: 15 de junio de 2024
• Región: América del Norte

Preguntas que se Pueden Responder con Datos Contextuales

• ¿Existen clientes de alto valor que deberían ser objetivo para compras adicionales?
• ¿Qué productos están impulsando una alta proporción de ventas?
• ¿Cómo están evolucionando las ventas a lo largo del tiempo?
• ¿Varía el total de ventas entre diferentes regiones?

Sin los datos contextuales, sería imposible responder a estas preguntas. Estos datos son tan importantes como el resultado de interés.

Profundizando en los Datos

Por ejemplo, si el cliente 111 realizó la compra más grande, se pueden plantear preguntas adicionales: - ¿Es este cliente un negocio o un individuo? - Si es un negocio, ¿cuán grande es? - ¿Cuántos pedidos ha realizado?

Conclusión

Hemos visto cómo identificar datos útiles para abordar un problema empresarial. En el próximo video, se explorarán herramientas que pueden ayudar a organizar y analizar esos datos, destacando el papel de las hojas de cálculo en el análisis de datos.

Tabla Resumen de Datos Contextuales

Lista de Preguntas Clave

• ¿Qué resultados son relevantes para el análisis?
• ¿Qué datos contextuales se necesitan para entender los resultados?
• ¿Cómo se pueden utilizar las herramientas de análisis de datos para obtener insights?

Introducción a las Hojas de Cálculo

Las hojas de cálculo son herramientas interactivas que permiten trabajar con datos estructurados. Son un estándar de la industria y se utilizan ampliamente en empresas como Google y Netflix. Su accesibilidad y versatilidad las convierten en una opción popular tanto para uso personal como empresarial.

Usos Comunes de las Hojas de Cálculo

Las hojas de cálculo tienen una amplia gama de aplicaciones, que incluyen:

Uso Personal

• Gestión de Presupuestos: Controlar gastos y ahorros.
• Tally de Puntuaciones: Llevar el registro de puntuaciones en juegos como el ping pong.

Uso Empresarial

• Programación de Turnos: Organizar horarios de trabajo para empleados.
• Desarrollo de Cronogramas de Proyectos: Planificar y seguir el progreso de proyectos.
• Informes Financieros: Elaborar informes trimestrales sobre el estado financiero de la empresa.

Estructura de Datos en Hojas de Cálculo

Las hojas de cálculo están diseñadas para trabajar con datos estructurados, que se organizan en:

• Filas: Representan observaciones individuales (por ejemplo, un cliente o una transacción).
• Columnas: Representan características o atributos de las observaciones (por ejemplo, edad, precio, color).

Ejemplo de Estructura de Datos

Limitaciones de las Hojas de Cálculo

Aunque las hojas de cálculo son útiles para datos estructurados, su capacidad para analizar datos no estructurados (como texto, imágenes, audio y video) es limitada. Por ejemplo, escribir un ensayo o organizar fotos en una hoja de cálculo puede ser complicado.

Preguntas para Evaluar el Uso de Hojas de Cálculo

Para determinar si las hojas de cálculo son adecuadas para tu caso de uso, considera las siguientes preguntas:

1. ¿Se puede organizar tu data en filas y columnas?

2. Ejemplo: Un presupuesto puede tener una fila por cada gasto y columnas para características como el monto y la fecha de la transacción.

3. ¿Existen relaciones que deseas explorar entre diferentes aspectos de los datos?

4. Ejemplo: Organizar gastos por categoría o analizar compras para identificar el mes con mayor gasto.

Si la respuesta a ambas preguntas es afirmativa, las hojas de cálculo son una herramienta excelente para resolver el problema que estás abordando.

Conclusión

Las hojas de cálculo son herramientas poderosas para trabajar con datos estructurados. En el próximo video, se explorará un proyecto práctico utilizando Google Sheets. ¡No te lo pierdas!

Introducción a Google Sheets

Google Sheets es una de las aplicaciones de hojas de cálculo más comunes, accesible y útil, y lo mejor de todo, está disponible de forma gratuita para individuos. Permite compartir hojas de cálculo para colaborar con amigos y compañeros de equipo. Aunque Google Sheets es ampliamente utilizado, existen otras opciones como Microsoft Excel y Apple Numbers. Las habilidades que desarrollarás en este curso utilizando Google Sheets son altamente transferibles a estas otras herramientas.

Acceso y Creación de Hojas de Cálculo

Para crear una nueva hoja de cálculo, puedes ir a sheets.new o abrir una nueva instancia de Google Sheets desde tu Google Drive. En Google Sheets, encontrarás todas las opciones de menú y una barra de herramientas de opciones de formato que exploraremos a lo largo del curso.

Organización de Datos

Supongamos que estás trabajando en un proyecto de renovación del hogar y tienes datos que resumen algunas transacciones. A continuación, se presentan algunos pasos para organizar y analizar estos datos:

1. Crear una Tabla:
2. Comienza con los encabezados de las columnas.

3. Ingresa la información correspondiente a cada transacción.

4. Navegación en Celdas:

5. Puedes hacer clic en una celda o hacer doble clic para editar.

6. Selecciona múltiples celdas arrastrando el mouse o usando las teclas de flecha.

7. Formato de la Tabla:

8. Haz doble clic en el límite entre los encabezados de las columnas para expandirlas.
9. Selecciona la fila de encabezado, ponla en negrita y añade un borde inferior.
10. Agrega un color de fondo a la fila de encabezado y centra el texto.

Análisis de Datos

Una vez que los datos están organizados, puedes realizar análisis para responder preguntas como:

• ¿Superé el presupuesto?
• Selecciona todas las celdas de la columna de presupuesto para ver el total en la esquina inferior derecha.

• Compara el total del presupuesto con el total de costos.

• Uso de Fórmulas:

• Puedes usar la función SUMA para sumar los presupuestos y costos.

• La fórmula se verá así: =SUMA(rango), donde "rango" es el rango de celdas que deseas sumar.

• Agregar Nuevas Transacciones:

• Haz clic derecho en el encabezado de una fila para insertar una nueva fila.

• Observa cómo se actualizan los totales de las columnas al agregar nuevos datos.

• Ordenar y Filtrar Datos:

• Para encontrar la primera transacción, agrega un filtro y ordena por fecha de transacción.
• Para analizar compras específicas, filtra por el nombre del comprador.

Cálculo de Diferencias

Para determinar qué artículo fue el más sobrepresupuestado:

1. Agregar una Columna de Diferencia:
2. Haz clic derecho en la columna de costos y añade una nueva columna a la derecha.

3. Calcula la diferencia entre el presupuesto y el costo con la fórmula: =Presupuesto - Costo.

4. Ordenar por Diferencia:

5. Ordena la nueva columna para encontrar los artículos más sobrepresupuestados.

Conclusión

Trabajar con Google Sheets es mucho más efectivo que manejar datos en un archivo de texto. Ahora estás en una excelente posición para trabajar con cualquier hoja de cálculo. En el próximo video, aprenderás a importar datos. ¡Nos vemos allí!

Tabla Resumen de Funciones y Acciones

Este documento proporciona una guía básica para comenzar a utilizar Google Sheets y realizar análisis de datos de manera efectiva.

Carga de Datos en Google Sheets

Descripción

En este documento se resumen las diferentes formas de cargar datos en Google Sheets, así como el proceso de importación de conjuntos de datos estructurados. Se abordarán ejemplos prácticos y consejos útiles para trabajar con datos en Google Sheets.

Métodos Comunes para Cargar Datos

1. Ingreso Manual de Datos
2. Ideal para aplicaciones personales a pequeña escala.

3. Ejemplo: Presupuesto de renovación del hogar.

4. Apertura de Archivos Existentes

5. Útil cuando se desea continuar trabajando en un archivo previamente creado.

6. Acceso a archivos recientes desde la página de inicio de Google Sheets.

7. Importación de Conjuntos de Datos Estructurados

8. La mayoría de los datos provienen de archivos CSV o Excel.
9. Ejemplo: Datos de reservas de hoteles.

Ejemplo de Conjuntos de Datos de Hoteles

• Descripción: Ambos conjuntos de datos contienen información sobre reservas de hoteles, con datos anónimos para proteger la identidad de los clientes.

Proceso de Importación de Datos

1. Crear una Nueva Hoja

2. Se debe crear una nueva hoja en Google Sheets.

3. Descargar y Preparar el Archivo

4. Descargar el conjunto de datos desde la fuente pública.

5. Utilizar una versión más pequeña del conjunto de datos para facilitar el trabajo.

6. Importar Datos

7. Ir a Archivo > Importar.
8. Subir el archivo desde el almacenamiento local.

9. Activar la detección automática del separador (coma, tabulación, etc.).

10. Revisar y Formatear los Datos

11. Aplicar filtros para facilitar la clasificación y el filtrado.
12. Congelar la primera fila para mantener visible el encabezado.

Compartir Datos

• Colaboración
• Hacer clic en el botón Compartir para invitar a otros colaboradores.
• Elegir el nivel de acceso: editor, comentarista o solo visualización.

• Enviar un mensaje y hacer clic en Enviar o copiar el enlace para compartir.

• Acceso Público

• Cambiar la configuración de acceso restringido a "cualquiera con el enlace" si se desea hacer el análisis público.

Recuperación de Archivos

• Acceso Rápido

• Si se cierra el archivo accidentalmente, se puede acceder nuevamente utilizando el enlace copiado.

• Guardado Automático

• Google Sheets guarda automáticamente los cambios, evitando la pérdida de trabajo.

• Versiones Anteriores

• Se puede revertir a versiones anteriores del archivo a través del historial de versiones.

Conclusión

Ahora que has aprendido a importar datos en Google Sheets, estás listo para comenzar tu análisis. En el próximo video, exploraremos técnicas avanzadas de clasificación, filtrado y análisis. ¡Nos vemos allí!

Análisis de Reservas de Hoteles

Descripción

En este documento se resumen los conceptos y procedimientos discutidos en un curso sobre el análisis de un conjunto de datos de reservas de hoteles. Se abordan aspectos como la exploración de datos, la organización de columnas y filas, y la aplicación de filtros para obtener información relevante.

Características del Conjunto de Datos

El conjunto de datos contiene las siguientes características importantes:

Organización de Datos

Para facilitar el análisis, se recomienda organizar los datos de la siguiente manera:

1. Reorganización de columnas: Mover las columnas de fecha (año, mes, día) hacia la izquierda para una visualización más clara.
2. Ordenar filas: Utilizar operaciones de ordenamiento para organizar las filas por fecha. Esto se puede hacer mediante:
3. Selección de la columna de año y ordenamiento de A a Z.
4. Uso de opciones avanzadas para ordenar por año, mes y día.

Ejemplo de Ordenamiento

Para ordenar por mes, se deben seguir estos pasos: - Seleccionar todos los datos. - Ir a "Ordenar rango" y luego a "Opciones avanzadas". - Marcar la casilla para indicar que hay una fila de encabezado. - Seleccionar "Año de llegada" y ordenar de A a Z. - Agregar "Mes de llegada" y "Fecha de llegada" para un ordenamiento completo.

Filtrado de Datos

Si se desea analizar solo las reservas repetidas, se puede aplicar un filtro: - Localizar la columna de "Bookings". - Filtrar la columna "Repeated Guest" para mostrar solo aquellos con un valor de 1 (reservas repetidas). - Se puede observar que hay 930 reservas repetidas en el conjunto de datos.

Formato de Datos

Es importante formatear correctamente los datos, especialmente el precio promedio por habitación: - Seleccionar la columna de precios. - Cambiar el formato a euros desde las opciones de formato.

Conclusión

El análisis de datos de reservas de hoteles permite obtener información valiosa sobre la rentabilidad y el comportamiento de los clientes. A través de la organización y el filtrado de datos, se pueden realizar análisis significativos que ayuden a tomar decisiones informadas.

Próximos Pasos

Una vez completada la práctica de esta lección, se recomienda continuar con el siguiente módulo para aprender más sobre el origen de los datos, cómo conocerlos mejor y cómo escribir fórmulas en hojas de cálculo para análisis significativos.

Conociendo tus Datos: Un Análisis Inicial

Descripción

Antes de realizar un análisis impactante, es fundamental conocer bien tus datos. Este documento resume los conceptos clave sobre cómo explorar y entender un conjunto de datos, así como la importancia del metadato.

Conceptos Clave

1. Metadato: Información sobre tus datos que te ayuda a entender su estructura y características. Incluye detalles como:
2. Nombre del archivo
3. Autor original
4. Descripción del contenido
5. Formato del archivo
6. Fecha de creación o última actualización

7. Controles de acceso

8. Estructura de los Datos:

9. Datos Estructurados: Organizados en un formato predefinido (ej. tablas).

10. Datos No Estructurados: Sin un formato específico (ej. texto libre).

11. Características de los Datos:

12. Observaciones: Cantidad de registros en el conjunto de datos.
13. Características: Variables que describen cada observación, diferenciadas en:
    • Numéricas: Datos cuantitativos.
    • Categóricas: Datos cualitativos.

Ejemplo de Metadato

Preguntas Clave para Conocer tus Datos

• ¿Cuál es la antigüedad de los datos?
• ¿De dónde provienen los datos?
• ¿Cómo fueron recolectados?
• ¿Cuál es la calidad general de los datos?

Análisis del Conjunto de Datos de Reservas de Hoteles

• Antigüedad: Publicado en febrero de 2019, no se esperan reservas más recientes.
• Ubicación: Dos hoteles en Portugal, uno en Algarve y otro en Lisboa.
• Método de Recolección: Datos extraídos directamente de los sistemas de gestión de propiedades de los hoteles, lo que sugiere alta fiabilidad.
• Tamaño del Conjunto de Datos: 36,000 observaciones en un periodo de dos años, lo que indica más de 50 reservas por día.

Conclusión

Conocer la historia y la personalidad de tus datos es esencial para realizar un análisis efectivo. Asegúrate de explorar el metadato y hacer las preguntas adecuadas para entender mejor el contexto y la calidad de tus datos.

¡Sigue aprendiendo en el próximo video para explorar información resumida clave!

Análisis de Datos de Reservas de Hoteles

Descripción

Este documento resume las ideas y conceptos presentados en un curso sobre el análisis de datos, específicamente en el contexto de un conjunto de datos de reservas de hoteles. Se exploran las características de los datos, se calculan estadísticas resumidas y se analizan relaciones entre diferentes variables.

Contenido

1. Comprensión de los Datos

Antes de realizar un análisis profundo, es fundamental conocer la fuente de los datos y cómo fueron recolectados. Esto incluye entender qué información contiene el conjunto de datos.

2. Estadísticas Resumidas

Para entender mejor las características de los datos, se deben calcular algunas estadísticas resumidas. A continuación, se presentan ejemplos de características que se pueden analizar en un conjunto de datos de reservas de hoteles:

3. Ejemplo de Cálculo de Estadísticas

Para ilustrar el cálculo de estadísticas, se utilizará la característica "Número de Adultos":

• Mínimo: Se utiliza la función =MIN(rango) para calcular el número mínimo de adultos.
• Máximo: Se utiliza la función =MAX(rango) para calcular el número máximo de adultos.
• Promedio: Se utiliza la función =AVERAGE(rango) para calcular el número promedio de adultos.

Resultados de Ejemplo

• Mínimo de adultos: 0
• Máximo de adultos: 4
• Promedio de adultos: 1.84

4. Análisis de Reservas con Niños

Al analizar las reservas con un número de adultos igual a cero, se observa que estas reservas tienen niños. Se pueden calcular estadísticas similares para la característica "Número de Niños":

5. Análisis del Tiempo de Anticipación

El tiempo de anticipación se refiere a los días antes del check-in en que se realizó la reserva. Se pueden observar reservas con tiempos de anticipación extremos:

• Máximo: Se identifican reservas con un tiempo de anticipación de hasta 443 días.
• Reservas de Último Minuto: Se encuentran reservas con un tiempo de anticipación de 0 días.

6. Conclusiones

El análisis de datos es crucial para entender las tendencias y valores inusuales que pueden ayudar a responder preguntas de negocio. A medida que se avanza en el análisis de datos, se pueden utilizar lenguajes de programación para realizar estos cálculos de manera más eficiente.

7. Próximos Pasos

En los siguientes videos, se explorarán técnicas avanzadas para analizar datos, comenzando con el uso de formato condicional.

Este documento proporciona una visión general del análisis de datos en el contexto de reservas de hoteles, destacando la importancia de las estadísticas resumidas y el análisis de relaciones entre características.

Formato Condicional en Hojas de Cálculo

Descripción

El formato condicional es una herramienta visual poderosa que permite comprender rápidamente los datos en una hoja de cálculo. Facilita la identificación de patrones, tendencias y valores atípicos, proporcionando una capa visual que ayuda a evaluar los datos sin necesidad de un análisis mental exhaustivo.

Beneficios del Formato Condicional

• Identificación de patrones: Facilita la detección de tendencias y cambios positivos o negativos.
• Detección de valores atípicos: Permite identificar datos que se desvían significativamente de la norma.
• Visualización clara: Proporciona señales visuales que mejoran la comprensión de los datos.

Tipos de Formato Condicional

Existen dos tipos principales de formato condicional:

1. Formato de Color Único: Resalta condiciones de sí/no.

2. Ejemplo: Resaltar días con 8 o más paneles solares vendidos.

3. Escala de Color: Aplica un rango de colores a los valores.

4. Escalas Comunes:
   • Secuencial: Utiliza tonos más oscuros del mismo color.
   • Divergente: Utiliza diferentes colores a cada lado de un valor central.

Ejemplos Prácticos

Aplicación de Formato de Color Único

• Condición: Más de cero niños en las reservas.
• Pasos:
• Seleccionar la columna correspondiente.
• Ir a Formato > Formato Condicional.
• Elegir la regla "mayor que cero".
• Seleccionar color (ej. azul) y aplicar negrita.

Aplicación de Escala de Color

• Condición: Tiempo de anticipación de reservas.
• Pasos:
• Seleccionar la columna de días reservados.
• Elegir una Escala de Color que vaya de claro a oscuro.
• Aplicar la escala seleccionada.

Ejemplo de Escala Divergente

• Condición: Precio promedio por habitación con un punto de equilibrio de 45 euros.
• Pasos:
• Seleccionar la columna de precios.
• Elegir una Escala de Color Divergente.
• Establecer 45 euros como valor central.
• Personalizar colores (ej. naranja para valores bajos y azul para altos).

Resumen

El formato condicional es una herramienta esencial para explorar y comunicar insights en conjuntos de datos. Permite a los usuarios identificar rápidamente información relevante y tomar decisiones informadas basadas en visualizaciones claras.

Conclusión

Ahora que has aprendido a aplicar el formato condicional en datos del mundo real, puedes utilizar esta técnica para resumir y analizar datos en tus propias hojas de cálculo. ¡Sigue aprendiendo y aplicando estas herramientas para mejorar tu análisis de datos!

Análisis de Datos de Reservas de Hotel

Descripción

En este documento se presenta un resumen sobre cómo analizar un conjunto de datos con múltiples características, específicamente el conjunto de datos de reservas de hotel. Se explora el uso de la función COUNTIF para segmentar datos y calcular porcentajes de reservas canceladas y no canceladas.

Contenido

1. Introducción

Cuando se trabaja con un conjunto de datos extenso, como el de reservas de hotel, es fundamental segmentar los datos para entender los diferentes grupos subyacentes. Un punto de partida es analizar la variable de resultado: el estado de la reserva.

2. Análisis del Estado de la Reserva

2.1. Porcentaje de Reservas Canceladas

Para determinar el porcentaje de reservas canceladas, se puede utilizar la función COUNTIF. Esta función cuenta las celdas que cumplen con un criterio específico.

2.2. Uso de la Función COUNTIF

La sintaxis de la función COUNTIF es la siguiente:

=COUNTIF(rango, criterio)

• rango: el grupo de celdas a evaluar.
• criterio: la condición que deben cumplir las celdas para ser contadas.

2.3. Ejemplo de Cálculo

1. Para contar las reservas canceladas: plaintext =COUNTIF(estado_reserva, "cancelado") Resultado: aproximadamente 12,000 reservas canceladas (casi 17 cancelaciones por día).

2. Para contar las reservas no canceladas: plaintext =COUNTIF(estado_reserva, "no cancelado") Resultado: más de 24,000 reservas no canceladas.

2.4. Total de Reservas

La suma de reservas canceladas y no canceladas debe ser igual al total de observaciones en el conjunto de datos:

Total = Reservas Canceladas + Reservas No Canceladas

Resultado: aproximadamente 36,000 reservas en total.

3. Cálculo de Porcentajes

Para calcular el porcentaje de reservas canceladas y no canceladas:

• Porcentaje de Cancelaciones: $$\text{Porcentaje Cancelaciones} = \left( \frac{\text{Reservas Canceladas}}{\text{Total Reservas}} \right) \times 100$$

• Porcentaje de No Cancelaciones: $$\text{Porcentaje No Cancelaciones} = \left( \frac{\text{Reservas No Canceladas}}{\text{Total Reservas}} \right) \times 100$$

Ambos porcentajes deben sumar 100%.

4. Resumen

El análisis revela que hay un número significativo de cancelaciones, lo que puede ser sorprendente. Este tipo de análisis es crucial para entender el comportamiento de los clientes y mejorar la gestión de reservas.

5. Próximos Pasos

En el siguiente video, se explorará cómo sumar el número de niños que se hospedaron con y sin un adulto.

Tabla Resumen de Resultados

Conclusión

El uso de funciones como COUNTIF permite un análisis efectivo de los datos, facilitando la comprensión de patrones y tendencias en las reservas de hotel.

Análisis de Datos de Reservas de Hotel

Descripción

Este documento resume el análisis de la relación entre el número de adultos y el número de niños que se hospedan en un hotel, utilizando funciones de Excel como SUMIF y AVERAGEIF. Se exploran las condiciones bajo las cuales se suman o promedian los datos, así como la interpretación de los resultados obtenidos.

Funciones Utilizadas

1. SUMIF

La función SUMIF se utiliza para sumar celdas en un rango específico que cumplen con una condición determinada. Su sintaxis es la siguiente:

SUMIF(rango, criterio, [rango_suma])

• rango: El rango de celdas que se evaluará.
• criterio: La condición que debe cumplirse (por ejemplo, "0").
• rango_suma: El rango de celdas que se sumarán si se cumple la condición.

Ejemplo de Uso

• Niños sin adultos:
• Fórmula: =SUMIF(rango_adultos, 0, rango_niños)

• Resultado: 282 niños que se hospedaron sin un adulto.

• Niños con adultos:

• Fórmula: =SUMIF(rango_adultos, ">0", rango_niños)
• Resultado: 3,500 niños que se hospedaron con un adulto.

2. Cálculo de Porcentajes

Para calcular el porcentaje de niños que viajaron sin un adulto, se utiliza la siguiente fórmula:

Porcentaje = (Niños sin adultos / Total de niños) * 100

• Resultado: Aproximadamente 7.38% de los niños viajaron sin un adulto.

3. AVERAGEIF

La función AVERAGEIF se utiliza para calcular el promedio de celdas en un rango que cumplen con una condición específica. Su sintaxis es similar a la de SUMIF:

AVERAGEIF(rango, criterio, [rango_promedio])

Ejemplo de Uso

• Promedio de tiempo de reserva para cancelaciones:
• Fórmula: =AVERAGEIF(rango_estado, "cancelado", rango_tiempo_reserva)

• Resultado: 139 días de anticipación en promedio para reservas canceladas.

• Promedio de tiempo de reserva para no cancelaciones:

• Fórmula: =AVERAGEIF(rango_estado, "no cancelado", rango_tiempo_reserva)
• Resultado: 58-59 días de anticipación en promedio para reservas no canceladas.

4. Promedio General

Para calcular el promedio general de todas las reservas, se utiliza la función AVERAGE:

Promedio General = AVERAGE(rango_tiempo_reserva)

• Resultado: 85 días de anticipación en promedio para todas las reservas.

Interpretación de Resultados

• Las reservas canceladas se realizaron, en promedio, con 139 días de anticipación, lo que sugiere que eran vacaciones planificadas que cambiaron.
• Las reservas no canceladas se realizaron con solo 58-59 días de anticipación, indicando que los planes eran más estables en ese momento.

Conclusión

El análisis de los datos de reservas revela patrones interesantes sobre el comportamiento de los huéspedes en relación con la cancelación de reservas. Las funciones SUMIF y AVERAGEIF son herramientas poderosas para segmentar y analizar datos en Excel. En el siguiente video, se explorará una técnica similar que permite contar y sumar basándose en múltiples condiciones.

Resumen del Curso: Uso de Funciones Condicionales en Hojas de Cálculo

Descripción

En este curso, se exploran las funciones condicionales en hojas de cálculo, específicamente COUNTIFS y SUMIFS, que permiten realizar cálculos basados en múltiples condiciones. Se analiza cómo aplicar estas funciones para obtener información sobre reservas canceladas y no canceladas, así como el total de ingresos generados.

Contenido

Funciones Condicionales

• COUNTIF: Cuenta las celdas que cumplen con un solo criterio.
• SUMIF: Suma las celdas que cumplen con un solo criterio.
• AVERAGEIF: Calcula el promedio de celdas que cumplen con un solo criterio.
• COUNTIFS: Cuenta las celdas que cumplen con múltiples criterios.
• SUMIFS: Suma las celdas que cumplen con múltiples criterios.

Identificación de Categorías Únicas

Para identificar las categorías únicas en la columna de segmentos de mercado:

=UNIQUE(M2:M)

• Se debe evitar seleccionar la fila de encabezado.

Ejemplo de Uso de COUNTIFS

Para contar las reservas canceladas en el segmento de mercado "offline":

=COUNTIFS(Estado_de_Reserva, "Cancelado", Segmento_de_Mercado, A22)

• A22 contiene el valor "offline".

Uso del Rango de Relleno

• Utilizar el relleno para copiar fórmulas a múltiples celdas, actualizando las referencias relativas automáticamente.

Cálculo del Total de Reservas

Para calcular el total de reservas:

=SUM(Rango_de_Reservas)

Cálculo del Porcentaje de Cancelaciones

Para calcular el porcentaje de cancelaciones:

=Cancelaciones_Offline / Total_Reservas

• Se debe usar referencia absoluta para el total:

=Cancelaciones_Offline / $B$27

Notación de Referencias Absolutas

• $A$1: Fija tanto la fila como la columna.
• A$1: Fija solo la fila.
• $A1: Fija solo la columna.

Cálculo de Ingresos Totales

Para calcular el total de ingresos de reservas canceladas en el segmento "offline":

=SUMIFS(Total_Valor, Estado_de_Reserva, "Cancelado", Segmento_de_Mercado, A22)

Análisis de Resultados

• Comparar ingresos de reservas canceladas y no canceladas.
• Identificar oportunidades de ingresos perdidos.

Tabla Resumen de Resultados

Conclusión

Las funciones COUNTIFS y SUMIFS ofrecen una gran flexibilidad para realizar análisis complejos en hojas de cálculo. Se recomienda practicar el cálculo de ingresos por reserva en el laboratorio de práctica de esta lección.

Próximos Pasos

Sigue al siguiente video para aprender sobre técnicas de procesamiento de datos en hojas de cálculo.

Procesamiento de Datos en el Conjunto de Datos de Reservas de Hotel

Descripción

En este documento se resumen las técnicas comunes de procesamiento de datos aplicadas al conjunto de datos de reservas de hotel. Se abordan conceptos como agrupaciones categóricas, procesamiento de texto y agrupación numérica, utilizando funciones como IF e IFS.

Técnicas de Procesamiento de Datos

1. Agrupaciones Categóricas

La agrupación de categorías permite combinar múltiples categorías en una sola. Esto es útil cuando: - Las características tienen una relación similar con el resultado. - Algunas categorías tienen una frecuencia demasiado baja.

Ejemplo: Agrupación de Planes de Comida - Se puede colapsar la característica "Plan de Comida" en dos categorías: Sí y No. - Para simplificar aún más, se puede usar 0 para "Sin Plan de Comida" y 1 para "Con Plan de Comida".

Uso de la Función IF

La función IF permite verificar una condición y devolver un valor diferente según si la condición es verdadera o falsa.

Fórmula:

=IF(celda="NotSelected", 0, 1)

2. Procesamiento de Texto

El procesamiento de texto implica renombrar una categoría o extraer una parte de ella para facilitar la lectura.

Funciones LEFT y RIGHT

• LEFT: Extrae los caracteres más a la izquierda.
• RIGHT: Extrae los caracteres más a la derecha.

Ejemplo: Extracción del Número de Tipo de Habitación - Usar la función RIGHT para extraer el último carácter del tipo de habitación.

Fórmula:

=RIGHT(celda, 1)

3. Agrupación Numérica

La agrupación numérica, o "bidding", es útil cuando la relación directa entre una característica numérica y el resultado no es clara. Un ejemplo común es agrupar por rangos de edad.

Uso de la Función IFS

La función IFS permite verificar múltiples condiciones.

Ejemplo: Agrupación de Tiempos de Anticipación - Crear una nueva columna llamada "Lead Time Binned" para clasificar los tiempos de anticipación en: - Menos de 50 días: "Corto" - Entre 50 y 100 días: "Medio" - Más de 100 días: "Largo"

Fórmula:

=IFS(lead_time<50, "Corto", lead_time<100, "Medio", lead_time>=100, "Largo")

Conclusión

El procesamiento de datos utilizando estas técnicas facilita el análisis posterior en el conjunto de datos de reservas de hotel. Estas herramientas permiten una mejor visualización y comprensión de los datos, lo que es esencial para obtener insights significativos.

Próximos Pasos

En el siguiente video, se explorará el origen de los datos y cómo esto afecta el análisis.

Origen de los Datos: Un Resumen

En este documento, exploraremos los diferentes orígenes de los datos, cómo se recopilan y la importancia de su uso ético en el análisis de datos.

Descripción

Los datos pueden provenir de diversas fuentes y se pueden clasificar según su método de recopilación y su propiedad. Comprender estas diferencias es crucial para cualquier analista de datos.

Tipos de Recopilación de Datos

Los datos se pueden recopilar de las siguientes maneras:

1. Entrada Directa:
2. Datos proporcionados explícitamente a través de procesos estructurados.

3. Ejemplo: Encuestas de retroalimentación de clientes, formularios de registro.

4. Observación Comportamental:

5. Datos recopilados al observar pasivamente las acciones de los individuos.

6. Ejemplo: Análisis de sitios web, uso de aplicaciones móviles, interacción en redes sociales.

7. Sensores Físicos:

8. Datos recopilados mediante sensores que monitorean fenómenos de manera continua.
9. Ejemplo: Termostatos inteligentes, vehículos que rastrean patrones de conducción, sensores ambientales.

Propiedad de los Datos

Los datos también se pueden clasificar según quién los recopila:

• Datos de Primera Parte:
• Propiedad directa de la empresa o individuo que los recopila.

• Ejemplo: Cámaras instaladas por un casino para monitorear a los clientes.

• Datos de Segunda Parte:

• Recopilados por otra empresa como datos de primera parte.

• Ejemplo: Un casino que comparte datos de clientes con un hotel vecino.

• Datos de Tercera Parte:

• Recopilados por una entidad con el propósito de venderlos a múltiples compradores.
• Ejemplo: Un casino que compra datos de personas que han visitado sitios de juegos en línea.

Control sobre los Datos

Datos Públicos

• Los datos públicos son aquellos disponibles a través de agencias gubernamentales, organizaciones de investigación y bases de datos de código abierto.
• Son recursos valiosos para los analistas de datos, ya que suelen ser gratuitos y representan datos del mundo real.
• Métodos de acceso:
• Descarga directa desde sitios web.
• Scraping de datos utilizando lenguajes de programación como Python.

Uso Ético de los Datos

El uso ético de los datos es fundamental en el análisis de datos. Consideraciones importantes incluyen:

• Acceso autorizado a los datos.
• Protección de datos sensibles (ej. información financiera, salud personal).
• Eliminación de información identificable (ej. nombres, direcciones).

Ejemplo de Uso Ético

• Conjunto de Datos de Reservas de Hotel: Se eliminó información identificable para proteger la privacidad de los individuos.

Reflexiones Finales

Es esencial que los analistas de datos actúen como defensores de la verdad y consideren las implicaciones de sus análisis en la vida de las personas. Se debe tener cuidado con las decisiones empresariales que se derivan de los análisis de datos.

Actividades Sugeridas

• Explorar fuentes de datos en la vida cotidiana.
• Practicar con el conjunto de datos de reservas de hotel para obtener información valiosa.

¡Esperamos que este resumen te ayude a comprender mejor el origen de los datos y su importancia en el análisis!

Resumen del Curso: Exploración de Datos con LLM

Descripción

En este curso, se explora el uso de un modelo de lenguaje (LLM) para analizar un conjunto de datos sobre reservas de hoteles. Se enseñan técnicas de formulación de preguntas y se fomenta una mentalidad crítica al interactuar con el LLM. A través de un conjunto de datos de reservas de hoteles, se realizan diversas consultas para obtener información relevante y se discuten los resultados.

Contenido

1. Generación de Conjuntos de Datos

• Estructura de los Datos: Definición de cómo se organiza la información.
• Fuentes de Datos: Posibles orígenes de los datos de reservas de hoteles:
• Sistemas de reservas de hoteles
• Agencias de viajes en línea
• Cadenas o franquicias hoteleras

2. Resumen de Información

• Conjuntos de Datos:
• Dos conjuntos:
  • H1: Hotel Resort
  • H2: Hotel Ciudad
• Observaciones y variables: Incluye reservas canceladas y cumplidas.
• Rango de fechas y origen de los datos.

3. Interacción con el LLM

• Carga de Datos:
• Se recomienda usar un conjunto de datos reducido para facilitar la interacción.

• Ejemplo: Conjunto de datos de 200 filas.

• Preguntas Comunes:

• ¿De qué trata este conjunto de datos?
• ¿Existen valores faltantes?
• Análisis de patrones de reservas, tasas de cancelación, precios y preferencias de los clientes.

4. Análisis con Python

• Uso de ChatGPT Pro:
• Carga de conjuntos de datos grandes para análisis.

• Ejemplo: Conjunto de datos con más de 36,000 observaciones y 19 características.

• Preguntas de Análisis:

• ¿Están las observaciones en orden cronológico?
• Rango de la característica "número de niños".
• Porcentaje de personas que reservan con al menos un mes de anticipación.

5. Resultados Clave

• Visualización de Datos:
• Histograma del número de niños en las reservas.
• Gráfico del porcentaje de reservas realizadas con un mes de anticipación: aproximadamente 66.5% de las reservas.

Conclusión

El curso proporciona una introducción práctica al uso de LLMs en el análisis de datos, destacando la importancia de formular preguntas efectivas y de utilizar herramientas de programación para obtener análisis precisos. Se anima a los participantes a seguir explorando y practicando en el laboratorio de ejercicios.

Tabla Resumen de Datos

Lista de Recursos

• Fuentes de Datos:
• Sistemas de reservas
• Agencias de viajes

• Cadenas hoteleras

• Herramientas:

• ChatGPT Pro para análisis de datos
• Python para análisis detallado

Este resumen proporciona una visión general de cómo utilizar LLMs para la exploración de datos, así como las técnicas y herramientas que se pueden emplear para obtener información valiosa de conjuntos de datos.

Análisis de Datos de Series Temporales

Descripción

El análisis de datos de series temporales es fundamental para entender cómo cambian ciertos resultados a lo largo del tiempo. Este tipo de datos se genera al medir uno o más resultados en intervalos de tiempo fijos, como minutos, horas o días. A continuación, se presentan los conceptos clave relacionados con el análisis de series temporales, sus componentes y ejemplos de aplicación en diversas industrias.

Conceptos Clave

• Datos de Series Temporales: Datos generados al medir resultados en intervalos de tiempo fijos.
• Objetivo del Análisis: Comprender cómo los resultados cambian a lo largo del tiempo, identificar tendencias, eventos inusuales y prever resultados futuros.

Aplicaciones de Datos de Series Temporales

Componentes del Análisis de Series Temporales

1. Tendencia: Dirección a largo plazo de los datos.

2. Tipos:

   • Creciente: Los valores tienden a aumentar.
   • Decreciente: Los valores tienden a disminuir.
   • Estacionario: No hay un aumento o disminución consistente.

3. Estacionalidad: Patrones predecibles que ocurren en intervalos regulares.

4. Ejemplo: Ventas de entradas de cine que aumentan los fines de semana.

5. Fluctuaciones Cíclicas: Aumentos y disminuciones que ocurren en intervalos irregulares.

6. Ejemplo: Burbujas y crisis del mercado de valores.

7. Irregularidades: Fluctuaciones aleatorias en los datos que dificultan la identificación de tendencias.

8. Ejemplo: Variaciones inesperadas en las ventas de entradas de cine.

Ejemplos Visuales

Gráfico de Tendencia del Mercado de Valores

• Eje X: Tiempo
• Eje Y: Tamaño del mercado
• Observación: Aumento general en el tamaño del mercado a lo largo del tiempo.

Gráfico de Ventas de Entradas de Cine

• Eje X: Tiempo (días)
• Eje Y: Número de entradas vendidas
• Observación: Ventas más altas durante los fines de semana (estacionalidad).

Comparación entre Datos de Series Temporales y Datos Transversales

• Datos de Series Temporales: Medición de un resultado a través de múltiples períodos de tiempo.
• Datos Transversales: Recopilación de datos en un solo período de tiempo, enfocándose en diferentes mediciones.

Conclusión

El análisis de datos de series temporales es esencial para diversas industrias, permitiendo a los analistas identificar tendencias, patrones estacionales y fluctuaciones cíclicas. A medida que se avanza en el análisis, es importante considerar las irregularidades que pueden afectar la interpretación de los datos. En el próximo video, se explorarán ejemplos específicos de datos de series temporales en el mundo real.

Análisis de Datos de Series Temporales

Descripción

Este documento resume los conceptos clave sobre el análisis de datos de series temporales, centrándose en la identificación de componentes como tendencias, estacionalidad y cíclicos a través de ejemplos del clima y el mercado de valores.

Componentes de las Series Temporales

Las series temporales pueden exhibir diferentes componentes, que pueden estar presentes en diversas combinaciones en situaciones del mundo real. Los principales componentes son:

• Tendencia: Dirección general de los datos a lo largo del tiempo.
• Estacionalidad: Patrones que se repiten en intervalos regulares.
• Ciclicidad: Fluctuaciones que ocurren en períodos irregulares.
• Ruido: Variaciones aleatorias que dificultan la identificación de patrones.

Ejemplo 1: Temperaturas Globales

Un gráfico de las temperaturas globales promedio desde 1850 muestra:

• Eje Y: Temperatura en grados Celsius, relativa a la media entre 1850 y 1900.
• Eje X: Tiempo desde 1850 hasta la actualidad.

Observaciones

• Tendencia: Desde 1850 hasta 1925, la tendencia es plana, pero a partir de 1925, hay un aumento constante.
• Estacionalidad: Se observan patrones estacionales que fluctúan con las estaciones del clima.
• Ruido: Variaciones que dificultan la identificación de patrones claros.

Ejemplo 2: El Niño

El fenómeno de El Niño se refiere al calentamiento de la superficie del océano Pacífico, causado por patrones de viento específicos.

Características

• Duración: Ocurre periódicamente, generalmente dura entre 9 a 12 meses, pero puede extenderse por años.
• Dificultad de Predicción: Aunque se sabe que ocurrirá, es complicado predecir su intensidad y duración.

Gráfico de El Niño

• Eje X: Tiempo desde enero de 1990 hasta enero de 2024.
• Eje Y: Medición relacionada con la temperatura de la superficie del océano.

Ejemplo 3: Mercado de Valores

El gráfico del S&P 500 muestra la evolución de los precios de las acciones de las 500 empresas más grandes de EE. UU.

Observaciones

• Tendencia General: Aumento a largo plazo.
• Ruido: Fluctuaciones a corto plazo que son difíciles de predecir.
• Ciclos Económicos: Incluyen recesiones como la crisis de las puntocom en 2000 y la Gran Recesión en 2008.

Conclusión

El análisis de series temporales es fundamental para entender patrones en datos a lo largo del tiempo. A través de ejemplos del clima y el mercado de valores, se pueden identificar tendencias, estacionalidades y ciclos, aunque siempre hay un grado de incertidumbre debido al ruido presente en los datos.

En el próximo video, se explorarán conceptos adicionales para trabajar con datos de series temporales.

Análisis de Series Temporales: Promedios Móviles

Descripción

En este documento se presenta un resumen sobre el análisis de series temporales, centrándose en el concepto de promedios móviles. Se explican sus aplicaciones, cómo calcularlos y se proporciona un ejemplo práctico utilizando datos de nombres de bebés en EE. UU.

Contenido

1. Introducción a los Promedios Móviles

Los promedios móviles son una herramienta útil para suavizar datos potencialmente ruidosos en series temporales. Son especialmente valiosos cuando se trabaja con datos recolectados en intervalos cortos o cuando se tiene una gran cantidad de datos.

2. Cálculo de Promedios Móviles Simples

Los promedios móviles simples calculan el promedio de resultados a lo largo de varios períodos de tiempo consecutivos. El número de períodos se representa como $n$.

Proceso de Cálculo

1. Definir el tamaño de la ventana: Elegir un valor para $n$.
2. Calcular el promedio: Colocar la ventana sobre los primeros $n$ valores y calcular el promedio.
3. Deslizar la ventana: Mover la ventana un período a la vez y repetir el cálculo hasta llegar al final de la serie temporal.

Ejemplo

Supongamos que tenemos la siguiente serie de ventas de paneles solares por día:

Si elegimos $n = 4$:

• Ventana 1: $(8, 1, 3, 7)$ → Promedio = 4.75
• Ventana 2: $(1, 3, 7, 8)$ → Promedio = 4.75

La serie de promedios móviles tendrá una longitud de $n - 1$ unidades menos que la serie original.

3. Aplicación a Datos del Mundo Real

Se puede aplicar el concepto de promedios móviles a datos de nombres de bebés en EE. UU. para predecir tendencias de popularidad.

Descripción del Conjunto de Datos

• Fuente: Administración del Seguro Social de EE. UU.
• Contenido: Nombre del bebé, sexo, año de nacimiento, y número de bebés con el mismo nombre, sexo y año.

Ejemplo de Análisis

• Nombre: Ruby
• Observaciones: Aproximadamente 106,000 observaciones en total.

Visualización de Datos

Se puede utilizar formato condicional para identificar patrones en la popularidad del nombre Ruby a lo largo del tiempo.

4. Cálculo de Promedio Móvil para Ruby

Para calcular un promedio móvil de 10 años:

1. Comenzar en la fila 11.
2. Usar la fórmula de promedio para seleccionar los 10 valores anteriores.
3. Llenar la fórmula hasta el final del conjunto de datos.

Resultados

• Promedio móvil para los primeros 10 años: aproximadamente 260 bebés.
• Visualización: Se puede agregar la serie de promedios móviles a un gráfico de líneas para observar la suavidad de los datos.

5. Conclusiones

Los promedios móviles ayudan a revelar tendencias generales en los datos, aunque pueden presentar un desfase respecto a los datos reales. Este análisis es fundamental para entender el comportamiento de las series temporales.

6. Próximos Pasos

En el siguiente módulo, se explorará otra herramienta poderosa para el análisis de series temporales: el cambio porcentual.

Este documento proporciona una visión general sobre el uso de promedios móviles en el análisis de series temporales, destacando su importancia y aplicación práctica.

Análisis de Cambios en Series Temporales

Descripción

Este documento resume el proceso de identificación de cambios en series temporales mediante el cálculo del cambio porcentual entre períodos. Se aplica esta técnica a un conjunto de datos sobre nombres de bebés, específicamente el nombre "Ruby". Se discuten ejemplos prácticos y se presentan fórmulas para facilitar la comprensión.

Conceptos Clave

• Cambio Porcentual: Una forma de estandarizar las diferencias en las ventas o cualquier otra métrica a lo largo del tiempo.
• Fórmula del Cambio Porcentual:

$$\text{Cambio Porcentual} = \frac{X_T - X_{T-1}}{X_{T-1}} \times 100$$

Donde: - $X_T$ = Ventas del día actual - $X_{T-1}$ = Ventas del día anterior

Ejemplo de Ventas de Paneles Solares

1. Cálculo del Cambio Porcentual:
2. Ventas del día 1: 8
3. Ventas del día 2: 1
4. Diferencia: $1 - 8 = -7$

5. Cambio porcentual: $$\frac{-7}{8} \times 100 = -87.5\%$$

6. Ventas del día 2: 1

7. Ventas del día 3: 3
8. Diferencia: $3 - 1 = 2$

9. Cambio porcentual: $$\frac{2}{1} \times 100 = 200\%$$

10. Interpretación:

11. Un cambio de -87.5% indica una caída significativa en las ventas.
12. Un cambio de 200% indica un aumento considerable.

Análisis de Datos de Nombres de Bebés

Proceso de Cálculo

1. Cálculo del Cambio Porcentual:
2. Se agrega una nueva columna para el cambio porcentual en el conjunto de datos de nombres de bebés.

3. Se aplica la fórmula del cambio porcentual a partir de la segunda observación.

4. Ejemplo:

5. Ventas de "Ruby" en 1880: 100
6. Ventas de "Ruby" en 1881: 129
7. Cambio porcentual: $$\frac{129 - 100}{100} \times 100 = 29\%$$

Formato Condicional

• Se sugiere utilizar una escala de colores divergente para resaltar los cambios porcentuales:
• Rojo para cambios negativos.
• Verde para cambios positivos.
• 0% como punto medio.

Observaciones

• Se identifican tendencias en la popularidad del nombre "Ruby":
• Aumento constante hasta la década de 1920.
• Disminuciones consistentes después de esa década.
• Un pico inusual en 1963, con un aumento del 20%.

Conclusiones

El análisis de cambios porcentuales en series temporales permite identificar tendencias significativas y cambios repentinos en los datos. Este enfoque es útil para la toma de decisiones en negocios y para la investigación de fenómenos sociales, como el caso del nombre "Ruby".

Próximos Pasos

• Evaluación de habilidades en el módulo de análisis de ventas y calificaciones de videojuegos.
• Exploración de técnicas de visualización de datos en el siguiente módulo.

¡Gran trabajo explorando los datos!