Gemini deja de ser asistente de oficina y se vuelve tu científico de datos: dialogas, él genera el código Python, lo ejecutas en Colab y juntos interpretan. Un calentamiento en Sheets y seis proyectos sobre datos del banco.
⌂ Hub del programa — volver a las 3 sesionesSubes tu dataset (CSV) a Gemini o a Colab.
Le explicas qué quieres analizar, en lenguaje natural.
Gemini genera el código —o hace el análisis directamente por ti.
En Gemini mismo (lo corre por ti) o pegándolo en Google Colab.
Traes los resultados a Gemini para decidir el siguiente paso.
No necesitas ser programador: necesitas saber qué preguntar. El código es un medio; el criterio de negocio es tuyo.
Subes el CSV a Gemini (botón "+"), le pides el análisis y él ejecuta el código por dentro: te devuelve tablas y gráficos en el chat. Cero instalación — ideal para explorar e iterar.
Gemini genera el script en Python y tú lo corres en Google Colab. Más control, reproducible y auditable; necesario para datasets grandes o modelos pesados.
Regla práctica: explora en Gemini directo; cuando necesites volumen, reproducibilidad o auditoría (banca), pásate a Colab. Y siempre datasets anonimizados o sintéticos: nunca subas PII real a cuentas personales. En cada lab verás los prompts en dos grupos: ◈ Gemini directo y ▶ Colab — elige tu camino.
Antes de entrar a Python: lo que Gemini ya hace nativo en Google Sheets. Cinco ejercicios rápidos para abrir la mente — crear, clasificar, calcular, optimizar y automatizar sin una sola línea de código.
Crea una tabla detallada para dar seguimiento a los casos de cobranza temprana de tarjetas de crédito en Ciudad de Panamá (sucursales de Calle 50 y Costa del Este).
Incluye columnas con datos ficticios: ID_Caso, Cliente, Producto, Sucursal, Días de Mora, Saldo Vencido (USD), Gestor Asignado y un checkbox "Contactado".
Genera al menos 8 filas de ejemplo.
A2 → Comentario: "No me han depositado la quincena todavía"
Categoría: Retraso de Nómina
A3 → Comentario: "La banca en línea no me carga desde el celular"
Categoría: Falla Técnica Canal Digital
…y la IA completa el resto leyendo semánticamente la columna A.
Genera una fórmula que sume el total de la columna D (Monto Recuperado) únicamente para las filas de la sucursal "Calle 50" que tengan estatus "Al Día" en la columna F.
=SUMIFS(D:D, E:E, "Calle 50", F:F, "Al Día")
Necesito optimizar las rutas de los gestores de cobranza de campo en Panamá Oeste. Objetivo: minimizar el costo total de combustible.
Costo por visita: $15 La Chorrera, $22 Arraiján, $35 Capira.
Restricción: las visitas semanales en Capira deben ser al menos el doble que en La Chorrera por la alta mora.
Estructura la tabla de variables de decisión y dime cómo alimentar el solucionador.
Monitorea mi bandeja. Si recibes un correo cuyo asunto o cuerpo contenga "tarjeta clonada", "transacción no reconocida" o "suplantación de identidad", activa este triage:
1. Extrae el número de caso y el producto afectado.
2. Envía una alerta inmediata al canal de Google Chat "Prevención de Fraude" notificando el caso urgente para revisión del oficial de cumplimiento.
Formato que le gusta: una sola tabla por CSV, cabeceras simples y sin celdas combinadas, fechas AAAA-MM-DD, montos numéricos sin "$" ni comas — y siempre datos anonimizados.
Cuadernos de código en la nube de Google: cero instalación, corre en servidores de Google y el análisis queda guardado en tu Drive como un documento vivo. Entra en colab.research.google.com → New notebook.
Para quién: todos — cero código.
Brilla en: explorar, iterar preguntas y entender resultados al vuelo.
Úsalo cuando: trabajas una muestra, el análisis es puntual y necesitas respuesta en minutos.
Su límite: volumen y reproducibilidad.
Para quién: perfiles técnicos o en formación.
Brilla en: dataset completo, librerías completas y resultados que se auditan.
Úsalo cuando: el hallazgo va a sustentar una decisión y debe poder repetirse.
Su límite: pide un poco más de método.
Regla del taller: en ambos caminos Gemini piensa el análisis; Colab solo le presta un motor más potente. Explora en Gemini directo; cuando el hallazgo importe, replícalo en Colab.
No solo "positivo o negativo": identifica los aspectos que provocan la emoción y las emociones matizadas detrás de cada reseña de cliente.
Genera un script de Python para cargar el CSV de reseñas en Colab y mostrar las primeras filas, las columnas y el conteo de nulos.
Actúa como experto en NLP. Dada esta reseña, clasifícala como positiva, negativa o neutra y da una puntuación de confianza del 1 al 100: [pega la reseña]
Analiza esta reseña y extrae los aspectos clave del producto o servicio que se mencionan. Reseña: [pega la misma reseña]
Combina los pasos: para cada aspecto identificado, asigna un sentimiento específico. Presenta el resultado en una tabla. Reseña: [pega la reseña]
Identifica emociones más específicas como frustración, sorpresa o satisfacción en esta reseña y explica tu razonamiento. Reseña: [pega la reseña]
Genera un script de Python que aplique los prompts anteriores a toda la columna de reseñas. El resultado: un DataFrame con la reseña original, el sentimiento general, los aspectos y el sentimiento por aspecto.
Acabas de clasificar sentimiento con Gemini — y tienes las etiquetas humanas reales. Úsalas para saber si de verdad acierta.
Compara la salida de Gemini contra la etiqueta real en una muestra (matriz de confusión) y corre el mismo prompt 3 veces: ¿responde siempre lo mismo?
Bandera roja. Aceptar la respuesta del LLM sin una verdad de referencia. La IA puede alucinar con total seguridad.
Agrupar clientes con K-Means y, sobre todo, traducir esos grupos en "personas" de marketing accionables con una estrategia por cada una.
Ya subí mi dataset de clientes. Haz un EDA aquí mismo (histogramas y mapa de calor de correlaciones), aplica K-Means eligiendo el número de clusters con el método del codo y muéstrame el tamaño y las características promedio de cada segmento.
Ya cargué mi dataset de clientes. Genera un script de Python para un EDA: histogramas de las variables numéricas y un mapa de calor de correlaciones.
Genera el código para aplicar K-Means. Incluye preprocesamiento con StandardScaler y el método del codo para elegir el número óptimo de clusters.
Con los clusters que generamos en esta conversación, actúa como estratega de marketing: crea una persona detallada por cada segmento (nombre, estilo de vida, motivaciones, frustraciones) y sugiere una estrategia específica para cada una.
Actúa como estratega de marketing. Segmenté mis clientes en [X] grupos; estas son las características promedio de cada cluster — salida de df.groupby('cluster').mean(): [pega las estadísticas]. Crea una persona detallada y una estrategia por cada una.
Vas a gastar presupuesto de marketing sobre estas personas. Primero, prueba que los grupos son reales.
Valida los clusters con silhouette score —no solo el método del codo— y revisa su estabilidad al re-correr o quitar variables.
Bandera roja. Segmentar por género o geografía de forma que discrimine. En banca, eso puede ser ilegal.
Usar las personas del proyecto anterior para que Gemini genere contenido multicanal, y luego medir la campaña con datos reales para optimizar.
Actúa como director creativo. Lanzaremos una campaña para la persona '[Nombre]'. Perfil: [pega la descripción]. Objetivo: [ej. vender producto X]. Tono: [ej. cercano y confiable].
Escribe el texto de un email de marketing con asunto atractivo, cuerpo persuasivo y CTA clara. Dame dos versiones del asunto para un A/B test.
Crea 3 publicaciones para Instagram (copy + tipo de imagen + 5 hashtags) y el texto de un anuncio de Google Ads (Título 1, Título 2, Descripción) para esta misma campaña.
Ya subí los resultados de la campaña. Muéstrame en una tabla comparativa las métricas clave por variante: tasa de apertura, CTR y conversiones.
Actúa como analista de marketing digital. Resultados de la campaña: [pega las métricas]. ¿Qué conclusiones sacamos? ¿Qué versión del A/B ganó y por qué?
El factor [ej. el asunto del email] parece el más influyente. Sugiere 3 ideas para optimizarlo en la próxima campaña, dirigidas a la misma persona, con el razonamiento de cada una.
Ya cargué los resultados de la campaña. Genera un script de Python para resumir las métricas clave (tasa de apertura, CTR, conversiones) por variante del A/B.
Declaraste ganadora una variante A/B. Antes de escalar el gasto, comprueba que la diferencia es real.
Aplica un test de proporciones (chi-cuadrado), mira el tamaño de muestra y el intervalo de confianza. ¿La diferencia sobrevive?
Bandera roja. Cantar victoria sin significancia — y confundir correlación con causa (quizá B ganó por el día de envío, no por el asunto).
Más allá del fraude obvio: encontrar anomalías sutiles en el comportamiento de gasto y razonar hipótesis plausibles para cada una.
Ya subí una muestra de transacciones. Verifica los tipos de datos, resume las estadísticas de los montos, muéstrame las categorías de comercio más comunes y aplica Isolation Forest para marcar las anómalas. Enséñame las 10 más inusuales.
Estoy analizando este dataset de transacciones. Sugiere 5 preguntas de negocio que podría responder y, para cada una, el análisis o la visualización que la contesta.
Ya cargué mi dataset de transacciones. Genera un script que verifique los tipos de datos (convierte la fecha si hace falta), resuma las estadísticas de los montos y muestre las categorías de comercio más comunes.
Genera el código para implementar Isolation Forest en mi dataset. El script debe marcar las transacciones anómalas.
Mi modelo marcó esta transacción como inusual: [pega los detalles]. El patrón normal del cliente es [descríbelo]. Actúa como analista financiero: genera 3 hipótesis plausibles (desde fraude hasta un cambio de estilo de vida) para explicarla.
Encontraste anomalías e hipótesis. Un hallazgo solo vale si se convierte en una acción con dueño y con ROI.
Lleva la anomalía a causa raíz (5 Porqués) y tradúcela a impacto en dólares. Y mide la línea base antes de "mejorar".
Bandera roja. Alertas e "insights" que nadie acciona, sin responsable ni caso de negocio.
Simular un proyecto de mejora de procesos con Gemini como consultor experto en cada una de las 5 fases del método DMAIC.
"Ayúdame a redactar un Project Charter para el problema '[X]', con alcance y objetivos SMART."
"¿Cuáles son los KPIs clave? Genera el código para calcular las métricas de rendimiento actuales."
"Guíame en un análisis de causa raíz (Ishikawa, 5 Porqués). Facilita el brainstorming de causas."
"Genera 5 soluciones posibles y evalúa impacto y facilidad de implementación de cada una."
"Diseña un plan de control para que la mejora '[solución]' se mantenga en el tiempo."
Un prompt por fase. ◈ Sin código: todo en Gemini directo. ▶ Técnicos: pide además el código de cada fase y córrelo en Colab. Carga el dataset, pide 3 posibles problemas y elige uno.
En fraude, el positivo es el 0.17%. Un modelo que dice "todo legítimo" acierta 99.8% y no sirve para nada.
Haz el split primero y aplica SMOTE solo al train. Evalúa con Precisión, Recall y ROC/AUC, y compáralo contra un baseline simple.
Bandera roja. Aplicar SMOTE antes del split (fuga de datos): métricas infladas que se derrumban en producción.
Construir un modelo de fraude robusto y, lo más importante, traducir sus decisiones a explicaciones que un analista no técnico pueda accionar.
Ya subí una muestra del dataset etiquetado. Entrena aquí un clasificador de fraude manejando el desbalance de clases, evalúa con Precisión, Recall y ROC/AUC y explícame los resultados como a un analista no técnico.
Genera un script de Python completo para detección de fraude: preprocesamiento, manejo del desbalance con SMOTE, entrenamiento de un modelo XGBoost y evaluación con Precisión, Recall y curva ROC.
Mi modelo marcó una transacción como fraudulenta con 95% de probabilidad. Las 3 características más influyentes: Monto=$5,000 (promedio del cliente $50), Hora=3:15 AM, Ubicación=país nuevo. Actúa como sistema de alerta: explica en lenguaje no técnico por qué es sospechosa y qué pasos debe seguir el analista.
Un modelo en Colab no es una solución. Lo que decide sobre una persona necesita vigilancia y responsables.
Monitorea el drift (los modelos se degradan) y define cuándo reentrenar. Documenta, valida y trata la explicabilidad y el sesgo como requisito, no como adorno.
Bandera roja. Un modelo brillante que nadie monitorea y que se degrada en silencio.
Sentimiento por aspecto y emociones en las reseñas de tus clientes.
Clusters convertidos en personas con estrategia, y campañas medidas con A/B.
Anomalías, mejora de procesos DMAIC y fraude explicado en lenguaje claro.
El mismo ciclo sirve para morosidad, churn, pricing o riesgo. Cambias el dataset y la pregunta; el método es el mismo.
Análisis de contratos y documentos legales con visión nativa y NotebookLM.
Marketing visual: logos, fotorrealismo, doble exposición y video.
Asistentes a medida (Cumplimiento, Legal, Onboarding) y micro-herramientas.
El código dejó de ser la barrera. Lo que te separa de un análisis ahora es la pregunta correcta — y esa la haces tú.