Webinar | IA para analítica digital: lo que sí funciona (y lo que es puro humo)

¿Sabes qué parte de la Inteligencia Artificial es realmente útil y qué es solo ruido? En nuestro último webinar, nos alejamos de las promesas mágicas para analizar cómo la IA está transformando la analítica digital de forma práctica.

Compartimos una visión realista sobre dónde aporta valor real y dónde puede convertirse en un riesgo para tu estrategia de datos. Te contamos lo más destacado.

¿Quieres ver la grabación del webinar?

La IA no es magia, es potencia

El punto de partida es entender que la IA es una herramienta de aceleración, no una solución autónoma. Aunque es capaz de procesar volúmenes ingentes de información, carece de visión estratégica y contexto de negocio. Por ello, el criterio del analista sigue siendo el pilar fundamental para interpretar los datos y tomar decisiones acertadas.

Mitos vs. Realidad: evitando el «humo»

Durante la sesión, desmontamos falsas expectativas comunes en el sector:

• Calidad del dato: La IA no arregla automáticamente los problemas de calidad; si los datos de origen son malos, la IA simplemente acelerará la velocidad con la que nos equivocamos.
• Modelos predictivos: No existen atajos; para crear predicciones fiables se requiere un histórico real y granular de al menos 2 a 3 años.

Análisis de dashboards: La IA puede describir qué ha pasado (ej. «el tráfico ha subido»), pero no entiende el porqué ni los factores externos que lo han provocado.

Casos prácticos que sí funcionan

Exploramos cinco áreas donde la IA genera un ahorro de tiempo inmediato y real:

• Asistente de análisis: Excelente para generar hipótesis iniciales sobre caídas de rendimiento y sugerir puntos de auditoría.
• Documentación técnica: Capacidad para redactar borradores de guías de etiquetado y resúmenes ejecutivos en lenguaje natural.
• Generación de código: Creación ágil de consultas SQL, expresiones regulares (RegEx) y fragmentos de JavaScript para implementación.
• Control de calidad: Apoyo en la validación de nomenclaturas y detección de errores en bloques extensos de código.

Analítica conversacional: Integración de fuentes para responder dudas rápidas a través de interfaces de chat.

Checklist para diferenciar mito de realidad

Para finalizar, compartimos una guía de cinco preguntas clave que todo equipo debe hacerse antes de aplicar IA a una tarea: ¿Me ahorra más de 10 minutos?, ¿tengo datos suficientes?, ¿he aportado el contexto necesario?, ¿hay supervisión experta? y ¿cuál es el riesgo si se equivoca?

En definitiva, la IA aplicada a la analítica funciona cuando se trata como un asistente avanzado supervisado por humanos, permitiendo que el equipo se centre en la estrategia mientras la tecnología agiliza las tareas operativas.

¿Te perdiste el webinar?

¿Te gustaría ver el webinar completo? Rellena el formulario para recibir el acceso a la grabación completa y profundiza en todos los ejemplos y prompts presentados para optimizar tu flujo de analítica.

---

Transcripción del webinar

Laura: Vamos a hablar de un tema que ha estado en todas partes este año: la inteligencia artificial, más concretamente la IA aplicada a la analítica digital. Pero lo que no vamos a hacer es hablar desde la promesa de las maravillas que puede hacer la IA, como si fuera a solucionar por arte de magia todos los problemas de un proyecto de analítica digital. Lo que queremos hacer hoy es separar qué es lo que realmente funciona en IA aplicada a la analítica y qué es puro humo. Así que preparaos, porque vamos a cerrar el año con claridad y sentido práctico.

Brevemente, para quien no nos conozca: en Aditu somos un equipo especializado en proyectos avanzados de datos aplicados al marketing digital. Trabajamos como una extensión del equipo del cliente y nos encargamos de todo el ciclo del dato, desde la estrategia inicial hasta la activación. Trabajamos tanto con marcas como con agencias para ayudarles a tomar decisiones más inteligentes, apoyadas en los datos, que les ayuden a crecer.

Si te parece, Alazne, empezamos ya en materia. Voy a hacer yo una breve introducción y después será Alazne quien nos cuente en detalle qué podemos y qué no podemos hacer con IA en analítica.

Seguro que este año habéis escuchado frases como estas: «la IA va a reemplazar a los analistas», «la IA extrae insights automáticos y perfectos», «la IA analiza tus dashboards ella solita» o «la IA te va a arreglar el dataset». La realidad es que la IA puede hacer cosas increíbles, pero también inventa, se equivoca y no conoce nuestro negocio como lo conocemos nosotros. Vamos a analizar estas frases una por una.

«La IA va a reemplazar a los analistas.» Por suerte para nosotros, de momento vamos a seguir teniendo trabajo, porque la realidad es que analizar no es solo leer datos: implica entender un negocio, priorizar acciones, interpretar lo que estamos viendo. Lo que sí nos da la IA es velocidad: nos ayuda a resumir, a generar hipótesis, a preparar borradores, pero el criterio y la decisión siguen siendo 100% humanos.

«La IA extrae insights automáticos y perfectos.» La verdad es que no. La IA puede proponer insights preliminares, pero necesitan validación. El trabajo del analista sigue implicando contrastar, combinar fuentes, aplicar contexto y, de nuevo, tomar decisiones.

«La IA analiza tus dashboards ella solita.» Pensamos que la IA puede mirar un dashboard y decirnos qué tenemos que hacer, tomar decisiones por nosotros. En realidad, se limita a describir lo que ve: no entiende por qué importa un pico o una caída, ni cuál es su impacto en una campaña o en un objetivo estratégico. Si no sabe qué campañas tenemos activas, qué pasa con un canal, qué cambios ha habido en la web o cuáles son los objetivos de la empresa, cualquier análisis sin ese contexto es muy frágil. Y ese contexto, al final, lo tenemos los analistas.

«La IA puede arreglar los problemas de calidad del dato.» Esta es una de las creencias más peligrosas. Si los datos son incompletos o están sesgados, la IA va a amplificar esos problemas: no los va a limpiar ni a validar. Si le damos datos incorrectos, nos va a dar explicaciones muy convincentes —parecerá que sabe de lo que habla— pero falsas. Lo que acelera, en ese caso, no es el análisis, sino la velocidad con la que nos vamos a equivocar.

Después de esta visión preliminar, Alazne va a profundizar en cinco mitos y en cinco casos prácticos en los que la IA sí que nos puede ayudar de verdad como analistas. Adelante.

Cinco mitos sobre la IA en analítica digital

Alazne: Perfecto. Lo que ha hecho Laura es exactamente lo que hacía falta: describir el mito y la realidad. Ahora vamos a poneros ejemplos prácticos, sobre todo de cosas que la gente cree, o incluso hace hoy en día, que son incorrectas y que pueden traer muchos problemas.

Mito 1: la IA escoge tus KPIs

Primera creencia incorrecta. ¿Por qué? Porque se espera que la IA conozca nuestro negocio y sea capaz de decidir hacia dónde tenemos que ir: no solo la fijación de los KPIs, sino toda la planificación posterior para alcanzar esos objetivos, e incluso que tome las decisiones estratégicas más importantes. Pero la IA no tiene conocimientos de negocio, no sabe qué buscamos y, por supuesto, tampoco tiene esa visión estratégica de empresa. Lo que ve son datos y métricas —información cuantificable que es capaz de procesar—, pero es lo único que entiende; no les da un sentido más allá, no ve para qué sirven. Al final, va a escoger en función de lo que ella entienda y de lo que le parezca que puede traer un cambio más grande, o que le resulte más sencillo de alcanzar.

¿Por qué la IA todavía no llega hasta aquí? Primero, no sabe nada de nosotros: sabe que existen las empresas, pero no conoce la realidad de la nuestra, ni qué perseguimos, ni de dónde partimos ni a dónde queremos llegar. Tampoco es capaz de escoger métricas en función de su calidad o de su interés real: coge aquellas que le parece que pueden tener un cambio mayor en el periodo seleccionado —si en una puede esperar un cambio del 3% y en otra del 10%, va a por la del 10%, independientemente de que no sea la más interesante—. Y, como también depende de lo que nosotros le compartamos, si le pasamos datos mediocres o incompletos junto con otros perfectamente limpios y consistentes, va a optar por los que estén más limpios: ve datos, pero no es capaz de decidir cuáles son los más importantes o válidos.

¿En qué desemboca esto? En que la IA es capaz de escoger métricas, sí, pero probablemente optará por las más alcanzables, no por las más relevantes, y eso acaba perjudicándonos como negocio, porque no vamos a ir a por los objetivos que realmente nos importan.

Mito 2: la IA puede hacer las implementaciones analíticas

Cuando hablamos de implementaciones analíticas nos referimos a todo el tracking que hay detrás y que nos permite recoger los datos que consultamos día a día. Hoy se cree que la IA puede hacer toda esa configuración: crear las etiquetas, configurar los triggers, generar las variables —ya sea en GTM o en la herramienta que corresponda—, publicarlo todo ella sola y empezar a recoger la información. Es un mito muy peligroso: la IA no puede llevar a cabo implementaciones analíticas, no es fiable. Retomando lo que decía Laura, es un asistente que acelera el proceso para ciertas tareas, pero no es capaz, ni de lejos, de llevar a cabo una implementación analítica completa para ningún sitio. No es capaz de auditar, de testear, de comprobar si la configuración es correcta y, por supuesto, nada de lo que genere tiene garantía de funcionar.

¿Por qué? Porque no entiende de herramientas analíticas: si le dices «haz un tracking para este sitio», no lo adapta; simplemente genera ciertos elementos, etiquetas y triggers, sin adaptarlos a si es Adobe, Google Tag Manager o lo que sea. Tampoco entiende de estándares: puede generar algo adecuado para una herramienta hoy, y para otra distinta mañana, mezclándolo todo, sin un tracking consistente y coherente. Si le decimos «quiero medir todos los formularios de mi web» y, al día siguiente, «quiero medir específicamente el formulario de la newsletter», puede acabar implementando dos veces lo mismo, porque no detecta esas redundancias.

Si le pasamos un dataLayer —esa capa de datos que va por detrás del código y que captura los elementos importantes para medirlos correctamente—, tampoco es capaz de saber si está bien o mal. Ve los elementos estáticos, presentes en el código, y ahí sí puede llegar a verlo más o menos; pero si son elementos dinámicos —como las fichas de producto, que cambian por el precio, el color o la talla— no es capaz de validarlos. Y, por supuesto, tampoco puede hacer la parte de debug, de probar si el tracking funciona realmente, con lo cual puede entregarnos algo totalmente defectuoso: no solo mediríamos mal, sino que podríamos no estar midiendo, o estar midiendo algo erróneo.

Mito 3: la IA genera el reporting de forma automática

Mucha gente cree que la IA puede coger todos nuestros KPIs y nuestras implementaciones y, a partir de ahí, generar un informe final, incluso enviarlo a las personas correspondientes, analizarlo, sacar conclusiones, proponer próximos pasos y llevarlos a cabo. Eso es mentira. El reporting sí es una de las acciones que puede ayudar a hacer la IA, pero ni mucho menos de forma automática.

Puede ver los datos, ver si hay patrones o tendencias, si algo ha cambiado mucho o poco, y valorar más o menos si ese cambio es relevante. Pero no sabe qué hay detrás: no sabe si hemos hecho campañas, acciones de influencers, si hemos invertido, si hemos trabajado el SEO o si la web se ha caído en algún momento. Ve los datos, pero no sabe de dónde vienen.

¿Qué le falla aquí? Primero, que le pasamos datos para generar el informe, pero ella asume que son correctos sin comprobarlo; si le pasamos datos erróneos, no hace esa criba, y acabamos enviando un informe plagado de fallos. Tampoco sabe distinguir lo relevante de lo superfluo: ve datos, pero no prioriza, así que muchas veces los informes que genera están mal enfocados y dejan de ser útiles. También le falta capacidad de adaptación: aunque genere un informe, necesita que le digamos que es para el área publicitaria, por ejemplo, para centrarlo en algo específico en lugar de dejarlo demasiado general —ahí hace falta la mano de una persona—. Y, al analizar los datos, pasa lo mismo que antes: en vez de ir a los KPIs más importantes, se va a los que tienen cambios más drásticos, aunque no sean los prioritarios. El resultado es, de nuevo, un informe mal enfocado y con conclusiones poco útiles, porque no hay contexto ni capacidad crítica, y las recomendaciones son muy genéricas.

Mito 4: la IA puede analizar tus dashboards por sí sola

Este mito está muy de moda porque muchos vemos iconitos de IA en nuestros cuadros de mando y pensamos que puede analizarlos. Es cierto que la IA puede acceder al dashboard, pero la expectativa de que pueda entrar, resumir los puntos más relevantes o generar un informe con los problemas detectados y las soluciones propuestas no es real. Ve los datos del dashboard, pero, igual que antes, no sabe qué es importante y qué no, y acaba dando información muy general, del tipo: «el tráfico web ha subido, sobre todo el que viene del canal orgánico, concretamente desde Google», «en este periodo se han añadido más productos al carrito pero se ha comprado menos», o «tus principales compradores están en Bilbao y suelen ser hombres de entre 45 y 54 años». Son cosas que efectivamente han pasado y que están en el dashboard, pero, sueltas, dicen poco: hace falta la capa de «vale, el tráfico orgánico ha subido, pero ¿por qué? ¿Qué hemos hecho? ¿Hemos hecho acciones de SEO? ¿Ha habido un cambio de algoritmo que nos ha beneficiado?» Hay que ir indagando, y eso la IA no es capaz de hacerlo hoy.

¿Por qué? Porque solo sabe lo que ha sucedido en el periodo concreto que se le muestra en el dashboard, sin más contexto. Le falta toda la información que solo tiene el equipo. Tampoco sabe nada de lo que puede influir desde fuera: no conoce a nuestros competidores ni otros elementos externos que haya que tener en cuenta. Y, aunque ve los datos de los gráficos, no entiende su calidad ni su importancia real; si hay algún hueco de información, la IA es bastante osada y, en vez de decir «esto no lo puedo analizar», tiende a inventarse datos, a generalizar y a sacar conclusiones precipitadas.

Entonces, ¿podemos sacar conclusiones fiables de nuestro dashboard sin más ayuda? Realmente no, porque corremos el riesgo de caer en todos estos fallos y acabar haciendo un análisis incorrecto.

Mito 5: la IA puede crear modelos predictivos sin apenas datos

Este mito es bastante peligroso. Hoy están muy de moda los modelos predictivos, que nos dan cierta visibilidad o información de probabilidades sobre lo que puede pasar en el futuro, más cercano o más lejano. Y se cree que la IA es capaz de llegar a esas conclusiones sin datos previos, o casi sin ellos. Es imposible: para cualquier modelo predictivo hace falta histórico, volumen y calidad de datos. Si falla cualquiera de estos tres pilares, es imposible hacer una predicción fiable y útil. Aun así, si le pedimos una predicción sin esos datos, la IA cogerá la información que tenga —poca o mala— y creará predicciones muy limitadas, incompletas y, seguramente, falsas. Corremos el riesgo de tomar decisiones basadas en datos irreales.

Laura: Alazne, una pregunta —por cierto, no lo he comentado antes: en la parte de abajo de la ventana tenéis un botón que se llama «preguntas y respuestas»; nos podéis ir dejando ahí vuestras preguntas y las iremos contestando a lo largo del webinar—. Quería preguntarte: ¿cuántos datos hacen falta para tener un histórico suficiente y crear un modelo predictivo?

Alazne: Depende un poco de lo que busquemos, pero normalmente oscila entre dos y tres años de datos granulares, es decir, con la suficiente profundidad para analizarlos, y que sean consistentes: que estén recogidos durante un periodo bastante estable, aunque pueda haber variaciones —las típicas estacionales o momentos puntuales de error—. Y, por supuesto, que sean datos fiables, que sepamos que están bien medidos. Diría que entre dos y tres años sería lo ideal; con menos, se podrá hacer algo, pero lo óptimo son esos dos o tres años.

Y, si me preguntas por qué la IA no llega hasta aquí sola: por estos tres elementos. El histórico de datos no puede ser inventado, tiene que ser real, fiable y con la granularidad suficiente, y la IA no sabe hacerlo porque no es capaz de diferenciar si un dato es de calidad o no —si le pasas un dato con error, lo va a dar por bueno—. Además, utiliza modelos genéricos, que no adapta a cada negocio, y aquí hace falta uno específico para cada casuística: no es lo mismo un e-commerce que una institución académica o una ONG. Y, por último, el modelo no es estático: hay que ir optimizándolo y calibrándolo progresivamente, algo a lo que la IA tampoco llega por sí sola.

Laura: Alazne, perdona, cuando hablas de calibrar el modelo, ¿qué significa exactamente? ¿Qué hay que hacer?

Alazne: Lo primero, una vez tenemos un modelo construido, hay que ir validándolo: contrastar lo que había predicho el modelo frente a lo que finalmente ha sucedido, ver si varía mucho o poco y en qué. A partir de ahí se van haciendo ajustes: en la granularidad de los datos, en si necesitamos más parámetros o si los que hemos escogido son los correctos, en si hace falta más o menos volumen, o incluso en si hay que cambiar de un modelo de regresión lineal a uno no lineal. Hay que ir validando si el modelo es correcto e ir optimizándolo para que cada vez sea más preciso.

Laura: Entendido.

Cinco casos prácticos: lo que sí funciona

Alazne: Dicho esto, aquí acabamos con los mitos y pasamos a lo que sí funciona: lo que podéis hacer hoy en día con la IA y que os va a ayudar muchísimo. Lo vamos a ir viendo con ejemplos reales, con prompts y respuestas concretas, para que, si queréis, podáis ir aplicándolo.

Caso 1: asistente de análisis y generación de hipótesis

Hemos dicho que la IA no es capaz de hacer análisis de forma automática ni autónoma, pero sí que puede darnos ese primer empujón cuando tenemos un problema y no sabemos por dónde empezar: generar hipótesis. Por ejemplo: «Las ventas han caído un 7% en los últimos 10 días, dime posibles causas para este descenso.» Y la IA propone causas técnicas y de otro tipo, y a partir de ahí yo voy viendo si alguna me encaja, si ha podido pasar algo así recientemente. Me ahorra ese primer paso de pensar las hipótesis yo sola, y evita el sesgo personal que muchas veces nos impide llegar a una conclusión acertada.

Laura: Antes de cambiar, nos preguntan por aquí: ¿las hipótesis que lanza la IA son fiables?

Alazne: Como siempre, depende. De entrada sí son fiables, pero la IA no es autónoma, necesita que estés con ella. Te propone hipótesis, pero tú tienes que tener la capacidad crítica de valorarlas: hay que darle contexto, acceso a tus datos, para que proponga cosas aplicables a tu caso. Y hay que tener en cuenta que en ningún momento te asegura cuáles son las causas: te da posibles causas. A partir de ahí, ella propone y tú validas; son fiables mientras hagas después esa labor de validación.

Cuando ya tenemos las hipótesis, podemos ir validándolas: «Teniendo en cuenta las hipótesis que me has dado, dime qué aspectos debo revisar para comprobar si son correctas.» Y la IA va indicando los puntos de análisis a revisar, para ir comprobando si cada hipótesis se confirma o se cae por su propio peso. Por ejemplo, si la hipótesis era «puede haber un problema en el checkout o en el proceso de pago», te dice que revises la tasa de error en la página de pago o la tasa de abandono del carrito, y a partir de ahí vas tirando del hilo. Pero, insisto, ella propone ideas y tú, con tu capacidad crítica y tu conocimiento del negocio, compruebas si son correctas. Es un asistente, un acelerador, como comentaba Laura.

Muchas veces el problema no se queda solo en el área de datos: puede implicar a otros departamentos. Aquí la IA nos sirve sobre todo para preparar esa tanda de preguntas a otras áreas. Si sabemos que hay un problema con las ventas y justo en esas fechas había una campaña publicitaria, necesitamos implicar al área de publicidad o de performance, y la IA nos ayuda a explicar las hipótesis, lo que hemos revisado y las conclusiones, y a solicitar revisión o ayuda a otros equipos. Facilita mucho la comunicación, porque a veces los analistas nos comunicamos de forma bastante técnica, y la IA ayuda a traducirlo a un lenguaje más natural, ahorrándonos tiempo a la hora de trabajar con otras áreas.

Caso 2: redacción de documentación

Hemos dicho que la IA no es capaz de generar informes automáticos, y no lo es, pero sí que nos puede ayudar con ciertos documentos.

Instrucciones. Si tenemos que llevar a cabo un proceso —más técnico o más sencillo, pero estándar— y el usuario no está familiarizado con él, la IA puede generar instrucciones sencillas para que las siga de forma muy guiada, y si surgen dudas en algún punto, se le pueden hacer prompts adicionales para aclararlas. Un caso muy habitual: «necesitamos dar acceso a GA4 o a Aditu»; le pedimos esas instrucciones y nos da los pasos, los requisitos previos y el tipo de permisos a otorgar, con enlaces a las herramientas y a la asistencia correspondiente por si hay dudas.

Guías de implementación. A menudo necesitamos un documento —lo llamamos guía de etiquetado— que constate el estado del tracking: un documento técnico vivo, que va cambiando con cada etapa, y que dice qué se mide, cómo se mide y cómo ha ido variando. Hacer una guía completa de etiquetado lleva muchísimas horas, y aquí la IA nos puede hacer esa primera labor de documentación general para ahorrarnos ese tiempo previo —luego hay que matizarla y validar su calidad, claro, pero de entrada nos quita bastante carga—. Por ejemplo, le pedimos que genere una tabla con todos los eventos recomendados para e-commerce, sus parámetros asociados, la tipología de cada evento y una descripción de cuándo se debe lanzar, y ella genera esa tabla, que el analista después tendrá que validar, comprobando si falta algún evento, si los parámetros son correctos o si hace falta añadir algo específico del proyecto.

Resúmenes técnicos. Después de un análisis hay que documentar lo que hemos visto. Ya hemos dicho que la IA no puede hacer estos resúmenes por sí sola, porque no distingue la calidad de los datos ni qué priorizar, pero sí que nos ayuda a traducir hallazgos muy técnicos —que hablan de métricas, dimensiones, triggers, variables— a un terreno mucho más natural y entendible para otras áreas. Por ejemplo: «quiero un resumen ejecutivo que explique que las ventas cayeron un 7% por esta causa, las recomendaciones que hacemos basándonos en los datos, y con este tono concreto», y la IA lo redacta. Ese documento, que al principio era muy técnico, queda mucho más natural, e incluso se le puede pedir que lo convierta en un email para trasladarlo al área correspondiente.

Caso 3: control de calidad

Hemos dicho que la IA no es capaz de ver la calidad de los datos, pero sí que nos puede ayudar a nosotros a validarla.

Checklists. Por ejemplo, para verificar si el dataLayer se aplica correctamente en la web, si faltan elementos, si los formularios se envían y se recogen bien, si las campañas de publicidad están bien optimizadas, si el tráfico SEO ha tenido alguna tendencia relevante o si ha habido un cambio de algoritmo, si las redes sociales están rindiendo correctamente. Todo eso necesita verificación por nuestra parte, y la IA no lo verifica ella misma, sino que nos dice qué pasos seguir para comprobarlo. Por ejemplo: «genera una checklist para validar la correcta implementación del píxel de conversión de Facebook tras un evento de compra, centrada en la detección del píxel y el lanzamiento del evento Purchase con el parámetro value», y la IA genera esa lista, que incluso podemos imprimir para ir marcando cada tarea realizada.

Nomenclatura. Cada herramienta tiene sus propios estándares: en Facebook, por ejemplo, cada palabra empieza con mayúscula, mientras que en Analytics todo va en minúscula y separado por guiones bajos. Adaptar la nomenclatura a cada estándar es un trabajo repetitivo y manual, pero necesario para tener un tracking fiable y escalable. Aquí la IA entra en juego para validar si la nomenclatura que hemos propuesto es correcta o tiene algún fallo. Por ejemplo: «tengo estos ocho eventos estándar de Meta, indícame si cumplen esta lógica» —explicando la lógica esperada—, y la IA los revisa. Hay que hacer una segunda validación por nuestra parte, pero de entrada ya nos señala fallos que podemos revisar.

Detección de errores. Hemos dicho que la IA no suele generar directamente la implementación, pero sí ayuda con configuraciones avanzadas. Si le pasamos un bloque de código extenso y le pedimos que encuentre los fallos, puede hacerlo: por ejemplo, «estoy usando esta fórmula en Looker que mezcla datos de GA4 con una fuente de transacciones y me da un valor nulo o incorrecto, ¿por qué?», y la IA lanza hipótesis y explica qué pasos seguir, aunque la implementación posterior la hacemos nosotros. Sirve para implementaciones en GTM, fragmentos de código, etiquetas personalizadas, código insertado en la web, etc.

Laura: Tenemos una pregunta sobre este punto, Alazne: si uso la IA para detectar errores, ¿puede ser que se equivoque y me diga que hay fallos donde no los hay, o al revés?

Alazne: Puede ser. La IA analiza los datos y te dice lo que ve desde su perspectiva. Si le pasas datos incorrectos o parciales, es más probable que se equivoque; y, aunque los datos sean correctos, siempre hay que hacer un doble check para asegurarse de que todo está bien. Son cosas en las que no podemos permitirnos fallos: la IA nos quita trabajo inicial, pero, para fiarte de sus propuestas, necesitas darles tú esa revisión que garantice su calidad.

Caso 4: interpretación y generación de código

Hemos dicho que la IA valida el código, pero también te lo explica. Ve el código, pero no sabe para qué se usa hasta que se lo preguntas; si le pasas un script de Python, JavaScript o SQL y le preguntas para qué sirve, te lo explica de forma sencilla y muy desglosada. Por ejemplo, te puede decir: «este script conecta el chat de HubSpot con Google Tag Manager: escucha los eventos, los traduce a eventos del dataLayer y permite medir el comportamiento», desglosando qué hace cada fragmento. Esto ayuda a entender el código y, de paso, a ir aprendiendo el lenguaje en cuestión.

También sirve para las expresiones regulares (regex), que solemos usar para filtros y para mejorar cómo consumimos los datos. Como suelen ser complejas, la IA es capaz de revisarlas, comprobar si funcionan y ayudarnos a optimizarlas. Por ejemplo: «genérame la regex para todas las páginas de producto de pantalones vaqueros de mujer en la versión española de zara.com», y la IA genera la expresión, explica qué hace cada fragmento y la deja lista para copiar donde la necesitemos, ya sea en un dashboard o en Analytics.

Para cosas más complejas, como generación de código SQL: muchas veces nos quedamos atascados por no entender bien de código, y podemos usar la IA para que, a partir de una explicación en lenguaje natural, genere una consulta SQL que cumpla lo que pedimos, ahorrándonos tener que escribirla manualmente —algo que, además de repetitivo, puede llevarnos mucho tiempo—. Por ejemplo: «necesito una consulta SQL que calcule la media móvil de 7 días del volumen de ventas, excluyendo los pedidos de devolución, y que lo agrupe por región», y la IA genera la consulta, explica cómo funciona, qué variantes hay disponibles, e incluso pregunta si quieres adaptarla a BigQuery, a Oracle, etc. Es útil para acelerar estos procesos, aunque conviene revisarlo después.

Laura: Una pregunta antes de que avances: has hablado de SQL, Python, JavaScript… ¿con cuántos lenguajes de programación le podemos hacer preguntas a la IA? ¿Solo con estos tres, o con cualquiera?

Alazne: Con cualquiera, aunque no hay una lista oficial. Entiende los más populares —HTML, CSS, SQL, Python, JavaScript— y, en general, la mayoría de los lenguajes comunes. Lo que no va a entender bien son los que están más obsoletos o en desuso, pero la mayoría de los actuales sí, y si no entiende algo, normalmente te avisa: es de las pocas veces en que directamente te dice que no ha entendido la consulta.

Caso 5: analítica conversacional

Este es de los más populares hoy en día. A mucha gente le pasa que, para hacer un análisis, tiene que entrar en distintas herramientas, moverse entre cientos de pestañas, ir de una a otra, y aun así tarda mucho tiempo y a veces no llega a la conclusión que necesita porque le faltan datos. Aquí es donde entra la IA: crea una especie de chat en el que le puedes ir preguntando «¿qué ha pasado aquí?», y te va haciendo el análisis, porque previamente la has conectado con todas tus herramientas e integrado ahí tu información. Al final tienes un sistema donde todas tus plataformas y tus datos están integrados y accesibles para la IA: le preguntas, ella accede y te responde en función de esos datos, unificando bastante la información en un mismo sitio.

Esto tiene muchísimas cosas más detrás; Laura os va a pasar por el chat un enlace a un vídeo donde se explica bien, y también lo tendréis enlazado en la presentación. Para mí es uno de los avances más grandes dentro de la IA aplicada a analítica, y representa parte del futuro del sector, así que merece la pena echarle un vistazo.

Laura: Alazne, ¿qué hace falta para tener un chat con IA que conteste nuestras dudas analíticas?

Alazne: Lo primero, volviendo a lo de antes: necesitamos datos, con un volumen suficiente —no podemos tener dos días de datos muy fragmentados, sino un cierto histórico; no hablamos de dos o tres años necesariamente, pero sí de algo más de información—. También necesitamos que esos datos estén unificados: no cada uno por su lado, sino cruzados entre sí, de forma que se pueda enlazar una campaña publicitaria con una conversión, con el CRM, etc. Y, por detrás, necesitamos herramientas capaces de procesar, integrar y unificar esos datos, y personas que lleven a cabo todo ese proceso previo de montaje del sistema: extraer los datos de las plataformas de origen, limpiarlos y prepararlos para que se puedan enlazar e integrar, verificar que son correctos y, a partir de ahí, integrarlo todo con las herramientas. En resumen: datos, herramientas y personas.

Cómo distinguir el valor real del hype

Alazne: Y llegamos al punto final: cómo distinguir si algo es mito o realidad. Hay cinco preguntas que hay que responderse, y a partir de ahí se toma la decisión:

1. ¿La IA va a hacer algo que tú no podrías hacer en 5 o 10 minutos? Si la tarea es sencilla y apenas lleva tiempo, no merece la pena usar la IA, porque después vas a tener que revisar el resultado igualmente, y ese tiempo también hay que invertirlo.
2. ¿Tienes datos suficientes para dársela a trabajar? Si no tienes esos datos, no la utilices: la IA, aunque le falten datos, va a seguir adelante y te va a dar información o respuestas poco fiables en vez de avisarte de que le falta información. La IA debería ser capaz de decirte «me falta esta información, no puedo darte una respuesta fiable», pero no siempre lo hace.
3. ¿Puedes darle el contexto necesario? La IA no conoce nuestro contexto ni el día a día de la empresa; nosotros tenemos que ser capaces de cargarle esa información para que genere una respuesta adecuada. No podemos quedarnos en que nos describa qué ha pasado o qué variaciones ha habido; tiene que generarnos información de valor real.
4. ¿Hay una persona especializada detrás que valide el resultado? Siempre tiene que haberla: la IA puede hacer muchos procesos, como hemos visto, pero siempre hace falta alguien que verifique que lo que ha dicho es correcto, porque es muy susceptible de equivocarse, y que se encargue de la parte estratégica, de darle la información que necesita y de ir mejorándola.
5. ¿Es alto el riesgo de que se equivoque? Si el riesgo de que la IA falle es muy alto —y, sobre todo, si no podemos comprobar si ha fallado o no—, entonces no debemos usarla: aunque las personas también nos equivocamos, la IA es todavía menos fiable, dadas todas las carencias que hemos visto.

Si alguna de estas preguntas no encaja, esa aplicación concreta es humo, y toca trabajo manual. Si todas encajan, se puede usar la IA para cualquiera de las funcionalidades que hemos visto, y además va a traer muchos beneficios: ahorra tiempo y esfuerzo, y ayuda mucho en tareas que suelen ser complejas o llevar mucho tiempo.

Tres ideas para llevaros

Laura: Y aquí voy a dejarte respirar, Alazne, que voy a rellenarme de agua. Para nosotras es importante dejaros estas tres ideas, que resumen el estado actual de la analítica digital con IA:

Primero, la IA no es magia. Es muy potente, pero no hace milagros; si alguien te vende resultados perfectos y totalmente automáticos, probablemente sea humo. La potencia existe, pero requiere contexto, criterio y datos sólidos.

Segundo, el ahorro es real. Hay usos de la IA que funcionan de verdad, como hemos visto: generación de SQL, documentación técnica, asistencia en control de calidad, resúmenes, revisiones… tareas que antes llevaban muchas horas y que ahora podemos hacer más rápido. Ese es el valor real: el ahorro de tiempo de los profesionales, y poder ejecutar los proyectos con más celeridad y rentabilidad.

Y, por último, tu criterio es oro. La IA propone, pero no decide; el analista sigue siendo clave para validar, priorizar y entender el negocio. Está bien para automatizar tareas, pero la supervisión siempre la tiene que hacer una persona.

Con estas tres ideas ya es suficiente; eso es lo que esperamos que os llevéis de este webinar. Y, con esto, damos paso al turno de preguntas y respuestas, que tenemos una por aquí. Alazne, nos preguntan: ¿qué IA me recomiendas usar para temas de análisis de campañas?

Alazne: Aquí hay muchísimo margen para debatir, pero diría que depende de tus necesidades a la hora de evaluar campañas, y también de tu stack en general. Por ejemplo, ChatGPT es muy buena en lenguaje natural y analiza muy rápido, pero los datos con los que cuenta son bastante estáticos: si necesitas añadir información en tiempo real, no puede. Si te mueves en el entorno de Google, con campañas de Google Ads, por ejemplo, lo ideal es Gemini, porque es la propia herramienta de Google, es muy fácil de integrar y genera informes muy consumibles, combinando bien texto, imágenes y explicaciones. Si te vas a otras opciones, Claude también es muy buena para análisis complejos, en este caso de campañas, y genera visualizaciones muy potentes; puede ser una buena opción si necesitas algo muy completo. Y, para temas más de generación de código, tendríamos herramientas como Copilot. Cada una vale para una cosa: lo ideal es reflexionar sobre qué necesitas y, a partir de ahí, elegir la que mejor cumpla esos requisitos.