Análisis Profundo (Iara)
Iara es el motor de analítica avanzada que ejecuta análisis de datos exhaustivos usando técnicas como clustering, pronósticos, detección de anomalías y más — todo a partir de una pregunta en lenguaje natural.
Cómo Funciona
- Pregunta — Describe lo que quieres analizar en lenguaje natural
- Plan — La IA crea un plan de análisis con múltiples técnicas
- Ejecución — Los análisis se ejecutan en paralelo en segundo plano
- Resultados — Consulta hallazgos completos con gráficos, tablas y explicaciones
Iniciando un Análisis
Navega a Análisis Profundo en la barra lateral.
Prompts de Ejemplo
| Prompt | Qué Ejecuta |
|---|---|
| "Segmenta clientes por comportamiento de compra" | Clustering + Segmentación RFM |
| "Productos comprados frecuentemente juntos" | Análisis de Canasta |
| "Pronostica los ingresos del próximo trimestre" | Pronóstico de Series Temporales |
| "¿Qué impulsa más mis ventas?" | Análisis de Causalidad / Drivers |
| "Encuentra patrones inusuales en mis datos" | Detección de Anomalías |
Plan de Análisis
Después de enviar tu pregunta, la IA genera un plan mostrando qué tipos de análisis ejecutará:
Puedes activar o desactivar análisis específicos antes de iniciar la ejecución.
Tipos de Análisis
1. Clustering de Clientes
Agrupa a tus clientes en segmentos basados en patrones de comportamiento.
Los resultados incluyen:
- Número de clusters identificados
- Descripción de clusters (ej., "Compradores frecuentes de alto valor", "Cazadores de ofertas ocasionales")
- Puntos de datos por cluster
- Método de clustering utilizado (K-Means, DBSCAN, etc.)
2. Análisis de Canasta
Descubre productos comprados frecuentemente juntos (reglas de asociación).
Los resultados incluyen:
- Número de reglas encontradas
- Principales reglas con:
- Soporte — Con qué frecuencia aparecen los artículos juntos (%)
- Confianza — Qué tan probable es que se compre B cuando se compra A (%)
- Lift — Cuánto más probable comparado con el azar
3. Pronóstico de Series Temporales
Predice valores futuros de una métrica basándose en tendencias históricas.
Los resultados incluyen:
- Línea de tendencia histórica
- Proyección del pronóstico con intervalo de confianza
- Método de pronóstico (ARIMA, Prophet, etc.)
- Horizonte del pronóstico (configurable)
4. Análisis de Causalidad / Drivers
Identifica qué factores influyen más en una métrica objetivo.
Los resultados incluyen:
- Coeficientes Lasso — Qué variables tienen el mayor impacto
- Tests de causalidad de Granger — Si una serie temporal predice a otra
- Rankings de drivers por magnitud de impacto
5. Detección de Anomalías
Encuentra patrones inusuales y valores atípicos en tus datos.
Los resultados incluyen:
- Total de anomalías detectadas
- Método de detección utilizado
- Tabla de puntos de datos anómalos con fechas y valores
- Puntuación de severidad
6. Análisis de Supervivencia
Estima el tiempo de vida del cliente y las probabilidades de retención.
Los resultados incluyen:
- Mediana del tiempo de supervivencia
- Curva de probabilidad de supervivencia (Kaplan-Meier)
- Tasas de retención en intervalos clave (30, 60, 90 días)
7. Segmentación RFM
Clasifica a los clientes por Recencia, Frecuencia y Valor Monetario.
Los resultados incluyen:
- Desglose por segmento — Treemap mostrando el tamaño de los segmentos
- Mapa de calor R × F — Matriz de Recencia vs Frecuencia
- Mejores/Peores clientes — Con IDs anonimizados
- Etiquetas accionables: Recompensar, Upsell, Involucrar, Recuperar, En Riesgo, etc.
Interpretación de Resultados
Advertencias de Calidad de Datos
La IA puede mostrar advertencias cuando la calidad de los datos afecta el análisis:
| Advertencia | Significado | Qué Hacer |
|---|---|---|
| Pocas filas | No hay suficientes puntos de datos para significancia estadística | Sube más datos históricos |
| Sin varianza | Todos los valores son iguales — no hay nada que analizar | Revisa los datos en busca de errores |
| Rango de fechas corto | La serie temporal es demasiado corta para pronósticos confiables | Espera a que se acumulen más datos |
Alternativas Sugeridas
Cuando un tipo de análisis produce resultados de baja calidad, la IA sugiere enfoques alternativos:
"Los resultados de clustering tienen baja confianza con tus datos actuales. Considera ejecutar una Segmentación RFM en su lugar, que funciona bien con datos transaccionales."
Historial de Análisis
Consulta análisis anteriores en la barra lateral de Historial (lado derecho de la página):
- Análisis agrupados por lote (cada prompt crea un lote)
- Etiquetas de estado (Completado, En Ejecución, Fallido)
- Haz clic para ver resultados de cualquier análisis anterior
Exportar Resultados
Haz clic en Exportar PDF para descargar un reporte formateado de cualquier análisis completado, incluyendo gráficos y texto de resumen.
Consejo: Los análisis profundos son más poderosos cuando se combinan. Por ejemplo:
- Ejecuta Clustering para segmentar clientes
- Ejecuta Análisis de Canasta por segmento para encontrar afinidades de productos específicas por segmento
- Ejecuta Pronósticos sobre los ingresos por segmento para predecir el crecimiento