Análisis exploratorio de datos

El Análisis Exploratorio de Datos (EDA) es la etapa esencial para comprender un conjunto de datos antes de aplicar cualquier modelo o tomar decisiones estratégicas. Este curso combina el uso práctico de Google Sheets, ideal para análisis rápidos, colaborativos y visuales, con Python en Google Colab, una herramienta poderosa para trabajar con grandes volúmenes de datos y automatizar procesos analíticos. A través de casos reales, los participantes aprenderán a explorar, limpiar, transformar y visualizar datos para identificar patrones, tendencias y anomalías, y generar reportes listos para presentar.

Objetivo

Desarrollar habilidades prácticas para realizar Análisis Exploratorio de Datos (EDA) utilizando Google Sheets y Python, aplicando técnicas de organización, limpieza, análisis descriptivo y visualización que permitan comprender datos y extraer insights relevantes.

Contenido

1° encuentro — Fundamentos del EDA + Google Sheets

¿Qué es el EDA y por qué es fundamental?
Estructura y diccionario de datos.
Importación y exploración inicial en Sheets.
Limpieza básica: duplicados, valores faltantes, formato condicional.
Funciones esenciales: SUMA, PROMEDIO, MAX, MIN, CONTAR.SI, UNIQUE.
Primer tablero exploratorio en Sheets.

2° encuentro — Transformación y análisis descriptivo con Google Sheets & Python

Uso de tablas dinámicas para segmentación y resumen.
Creación de columnas derivadas e indicadores (variación %, acumulados).
Introducción a Python en Google Colab: entorno y DataFrames (Pandas).
Importación de datos desde Sheets (gspread o CSV).
Estadísticas descriptivas con Python: .describe(), correlación, distribución.
Detección de outliers y exploración estructural con gráficos simples.

3° encuentro — Visualización y reporte final

Visualizaciones en Sheets: barras, líneas, tortas, caja, dispersión.
Visualizaciones en Python con matplotlib y seaborn.
Comparación de resultados y storytelling visual.
Mini-dashboard integrador + generación de PDF / enlace compartido.
Presentación de conclusiones y mejores prácticas.

Daiana Levit

Es actuaria en administración, graduada en FCE - UBA. Magister en gestión y análisis de datos financieros. Docente en grado y posgrado en áreas actuariales, finanzas y ciencia de datos. Consultora y disertante sobre IA, transformación digital e implementación de modelos predictivos en toda clase de industrias.