«¿Cuánto han subido los precios en el último año?» Es una pregunta que cualquiera puede hacerse, y con unos datos públicos y unas veinte líneas de código se contesta en un par de segundos: con los datos que ofrecía el INE el 26-10-2026, el índice general de precios de consumo (IPC) de diciembre de 2025 era un 2,9 % más alto que el de diciembre de 2024.
Ese 2,9 % es un análisis de datos en miniatura. Alguien tuvo una pregunta, buscó una fuente fiable, comprobó que los números estaban limpios, hizo una cuenta y lo dejó dicho en una frase que sirve para decidir algo. En esta guía vas a recorrer esas cinco fases con ese mismo ejemplo y, al final, ejecutarlo tú.
Qué es el análisis de datos, en una frase
Es el proceso de convertir datos sin procesar en información en la que una persona se pueda apoyar para actuar. La formación de Microsoft Learn sobre análisis de datos lo plantea desde la pregunta: cuando una pregunta de negocio no recibe la respuesta correcta, el problema suele ser el enfoque.
Eso es una buena noticia para quien empieza: el enfoque (plantear bien la pregunta y cuidar los datos) se aprende con práctica, paso a paso.
Las cinco fases de un vistazo
Microsoft Learn describe un ciclo de cinco tareas para quien analiza datos: preparar, modelar, visualizar, analizar y administrar. En esta guía usamos otras cinco fases, pensadas para quien está entendiendo el proceso por primera vez y que se pueden recorrer de principio a fin con un ejemplo pequeño. Son el mismo trabajo visto desde otro ángulo: lo que Microsoft llama preparar y modelar está aquí en «datos» y «limpieza».
Fase 1: la pregunta
Todo análisis arranca con una pregunta que desemboca en una decisión. «Analizar las ventas» no es una pregunta; «¿en qué mes bajan las ventas y qué podemos hacer?» sí lo es, porque admite una respuesta y una acción.
Una buena pregunta tiene tres cosas: qué quieres medir, sobre qué periodo y para qué decisión. En nuestro ejemplo:
Pregunta: ¿cuánto han subido los precios en España en los últimos 12 meses?
Decisión que informa: imagina que trabajas en una pequeña empresa y tenéis que revisar las tarifas. Antes de hablar de números propios, quieres una referencia general de cuánto se han movido los precios.
Fíjate en que la pregunta es lo bastante concreta para saber cuándo has terminado.
¿Te gustaría practicar estas fases con un proyecto guiado?
Descarga el dossier del Máster en AI Data Analytics y mira cómo se trabaja el módulo de Fundamentos de Data Analytics.
Fase 2: los datos
Con la pregunta clara, toca saber de dónde salen los datos y qué miden. Dos preguntas útiles: ¿quién los publica? y ¿qué significa exactamente cada columna?
Para nuestro ejemplo, el Instituto Nacional de Estadística (INE) ofrece una API pública, un servicio al que un programa le pide datos y recibe la respuesta en formato JSON. Su manual está en la sección API JSON del INE. La serie que usaremos se llama, en la propia respuesta del INE, «Nacional. Índice general. Índice»: el IPC general de toda España, mes a mes.
Lo que no mide también cuenta. Este índice resume los precios de una cesta general de consumo, así que no sabe nada de los costes de tu empresa. Conocer esa frontera es parte del análisis, no un defecto.
Si quieres más material para practicar, el portal datos.gob.es reúne datos abiertos de las administraciones españolas, y el INE publica muchas más series con la misma API.
Fase 3: la limpieza
Los datos reales casi nunca llegan listos. Hay huecos, fechas en formatos distintos, nombres escritos de dos maneras o filas duplicadas. Microsoft Learn lo ilustra con un ejemplo de ventas: si un sistema escribe las fechas como MM/DD/AAAA y otro como AAAA-MM-DD, o el mismo producto aparece con dos nombres, un informe parte las ventas del mismo producto en dos filas y esconde los números reales. Según esa misma formación, la mayor parte del esfuerzo se va en preparar y modelar los datos antes de crear un solo gráfico.
Por eso la limpieza es una fase propia y no un trámite. En la serie del INE, lo que nos interesa comprobar es sencillo:
que cada fila trae un valor y no un hueco;
que los meses vienen ordenados;
que sabemos de qué mes es cada dato.
Aquí hay un detalle práctico que sirve de lección. La respuesta del INE trae un campo con una marca de tiempo, pero al probar el código vimos que esa marca cae a las 23:00 del último día del mes anterior en hora universal, así que al convertirla a fecha un dato de diciembre se leía como noviembre. La solución fue usar los campos de año y de mes que da la propia serie. Comprobar el resultado a ojo, con un par de filas, evita errores de este tipo.
Fase 4: el análisis
Es la fase que todo el mundo imagina, y a menudo es la más corta. Con los datos limpios, se compara y se calcula. Microsoft Learn distingue cuatro tipos de análisis clásicos según la pregunta que responden, más uno cognitivo que se apoya en la inteligencia artificial:
Tipo | Pregunta que responde | Ejemplo con nuestro IPC |
|---|---|---|
Descriptivo | ¿Qué ha pasado? | El índice pasó de 116,534 a 119,942 en doce meses |
Diagnóstico | ¿Por qué ha pasado? | ¿Qué grupos de productos explican la subida? |
Predictivo | ¿Qué es probable que pase? | ¿Hacia dónde apunta la tendencia en los próximos meses? |
Prescriptivo | ¿Qué deberíamos hacer? | ¿Qué escenarios de tarifas aguantan esa tendencia? |
Cognitivo | ¿Qué descubre la IA que a mano tardaríamos mucho en ver? | Clasificar miles de comentarios de clientes por tema |
Nuestro ejemplo es descriptivo: comparamos el último mes disponible con el mismo mes del año anterior. La cuenta es la variación porcentual: dividir el valor reciente entre el antiguo, restar uno y multiplicar por cien. Así: 119,942 / 116,534 − 1 ≈ 0,029, es decir, un 2,9 %.
Comparar un mes con el mismo mes del año anterior es una costumbre habitual porque así las diferencias de temporada pesan menos en el resultado. Cuando quieras subir por la tabla hacia el diagnóstico o la predicción, la forma de trabajar es la misma: cada pregunta nueva pide un método nuevo, y los vas encadenando.
Del ejemplo del IPC a tus propios datos
Mira en el dossier del máster el temario completo, con Estadística aplicada y Visualización, storytelling y reporting.
Fase 5: la decisión
Un número sin contexto es solo un dato. Esta fase convierte el resultado en algo que otra persona entienda en diez segundos. Una buena conclusión tiene tres partes: qué hemos encontrado, cómo de fiable es y qué proponemos.
Para nuestro ejemplo, podría quedar así:
Entre diciembre de 2024 y diciembre de 2025, el IPC general nacional subió un 2,9 % (fuente: INE, serie «Nacional. Índice general. Índice»). Es una referencia general de precios, no mide nuestros costes. Propuesta: revisar las tarifas partiendo de este dato y contrastarlo con nuestros costes reales antes de decidir.
Fíjate en lo que hace bien: da el número, nombra la fuente, dice lo que no cubre y termina en una acción. Aquí entra la visualización: un gráfico de líneas con los doce meses o una tarjeta con el 2,9 % suelen bastar. Microsoft Learn recuerda que cada tipo de pregunta pide un formato visual distinto, y que el elemento visual equivocado responde a otra pregunta.
Pruébalo tú: el ejemplo completo en Python
Este script hace las fases 2 a 4 de una sola vez. Usa solo la biblioteca estándar de Python, así que no hay que instalar nada: descarga la serie, la limpia y calcula la variación. Lo hemos ejecutado el 26-10-2026 con Python 3.13 y funciona tal cual. Guárdalo como ipc.py y ejecútalo con python3 ipc.py (si no tienes Python, lo descargas desde python.org).
La respuesta que obtuvimos fue esta:
nult=14 le pide a la API los últimos 14 datos de la serie; con 14 meses cubrimos los 12 de la comparación y un margen. Si el INE publica un mes nuevo, el resultado se actualizará solo, porque el script siempre compara el último dato con el de doce meses antes. Cambia el código IPC251852 por el de otra serie del INE y tendrás otra pregunta que contestar.
Tres retos para seguir practicando: dibuja los 14 valores en una hoja de cálculo, calcula la variación mes a mes en vez de a doce meses, y escribe tu propia conclusión de tres frases con el formato de la fase 5.
Dónde se aprende todo esto con un proyecto guiado
Si te apetece practicar estas fases con un proyecto guiado, así se trabajan en el módulo de Fundamentos del máster. En la ficha del Máster en AI Data Analytics, el Módulo 1, «Fundamentos de Data Analytics», se presenta con esta frase: «Entiende cómo viven los datos en una empresa antes de tocar una sola herramienta» (consultado el 26-10-2026). Sus cuatro bloques son: Fundamentos del rol, Cómo viven los datos en una empresa, Fundamentos del dato y Principios del análisis. Más adelante, el Módulo 4 se llama «Estadística aplicada».
La ficha indica que no necesitas conocimientos previos y que el programa empieza desde cero. Puedes empezar desde donde estás hoy.
Tu siguiente paso: aprender con proyectos
Pide el dossier del Máster en AI Data Analytics y revisa el plan de estudios completo.
Puedes ver la ficha completa del Máster en AI Data Analytics o seguir con otros artículos del blog: qué hace un data analyst y qué skills necesita, para conocer el rol que practica estas cinco fases cada día, y la ruta para aprender análisis de datos, para ordenar las herramientas.
Preguntas frecuentes sobre el análisis de datos
¿Qué es el análisis de datos?
Es el proceso de partir de una pregunta, reunir y limpiar datos, analizarlos y convertir el resultado en una recomendación con la que se pueda decidir. Las cinco fases de esta guía recogen ese recorrido.
¿Necesito saber programar o matemáticas avanzadas para empezar?
No para dar los primeros pasos: el ejemplo de esta guía necesita una resta, una división y un script corto que puedes copiar y ejecutar. La estadística y las herramientas se van sumando con la práctica. Y la ficha del Máster en AI Data Analytics indica que no necesitas conocimientos previos.
¿Qué herramientas se usan para analizar datos?
Desde una hoja de cálculo hasta Python, SQL o Power BI, según la tarea. Para empezar vale cualquiera con la que te sientas cómodo; en la ruta de análisis de datos están ordenadas.
¿Cuál es la diferencia entre el análisis de datos y el trabajo de un data analyst?
El análisis de datos es el proceso; el data analyst es el rol que lo practica de forma profesional. Tienes el detalle del rol en el artículo sobre qué es un data analyst.
