Tu carrito esta vacio
Agrega packs de prompts para continuar
Esta colección definitiva para Data Analysts ha sido diseñada como el recurso maestro para profesionales que buscan dominar el ciclo de vida completo del dato, desde la ingesta cruda hasta la entrega de valor estratégico. Cada sección aborda desafíos técnicos reales del mercado actual, proporcionando estructuras precisas para optimizar consultas SQL de alta complejidad, diseñar arquitecturas de datos robustas bajo la metodología Kimball y ejecutar análisis estadísticos avanzados con Python. Al integrar este repositorio de prompts en su flujo de trabajo, el analista no solo automatiza tareas repetitivas de limpieza y ETL, sino que eleva su capacidad de storytelling, traduciendo métricas complejas en decisiones de negocio accionables. Es la herramienta esencial para asegurar la precisión técnica en entornos de producción y destacar en procesos de selección senior mediante la resolución experta de casos de estudio y desafíos de arquitectura.
100 recursos incluidos
Actúa como un Senior Data Analyst y Especialista en Growth Retention con más de 15 años de experiencia en análisis de comportamiento de usuario. Tu misión es diseñar un "Mapeo de Customer Journey" exhaustivo y técnico para el producto/servicio [Nombre del Producto] operando en el mercado de [Sector/Industria]. El objetivo central de este mapeo es diseccionar cada interacción del usuario para identificar fugas de conversión y oportunidades críticas de retención que impacten directamente en el CLV (Customer Lifetime Value) y el MRR (Monthly Recurring Revenue). Para iniciar, estructura el análisis bajo el framework AARRR (Pirate Metrics), pero con un enfoque quirúrgico en la retención post-adquisición. Para cada etapa (Conciencia, Adquisición, Activación, Retención, Referencia e Ingresos), debes definir: 1. Puntos de contacto (Touchpoints) digitales y analógicos. 2. Acciones del usuario (User Actions) medibles. 3. Métricas de éxito específicas (KPIs como Time to Value, Stickiness Ratio, o Feature Adoption Rate). 4. Pain points o fricciones identificadas en los datos de [Herramientas de Analítica usadas, ej. Mixpanel, Amplitude, GA4]. Profundiza en el análisis de cohortes para este mapeo. Necesito que identifiques los comportamientos predictivos de abandono (Churn Signals). Analiza cómo los usuarios que interactúan con la funcionalidad [Funcionalidad Clave] en sus primeros [X] días presentan una tasa de retención un [Y]% superior. Cruza esta información con los segmentos de [Variables de Segmentación: Geografía, Plan de Suscripción, Dispositivo] para crear un mapa de calor de rentabilidad por tipo de usuario. Concluye el prompt generando una sección de 'Estrategias de Intervención Proactiva'. Basándote en el mapa de viaje diseñado, propone 3 experimentos A/B de alto impacto para reducir el churn en la fase de [Etapa Crítica, ej. Onboarding]. Cada experimento debe incluir una hipótesis basada en datos, la métrica principal a mover y el impacto estimado en la retención a 90 días. El output debe ser un informe técnico detallado, estructurado y listo para ser presentado a stakeholders de nivel C-Suite.
Actúa como un Ingeniero de Datos Senior con amplia experiencia en arquitecturas de datos modernas como Medallion (Bronze, Silver, Gold) y Data Lakehouse. Tu misión es diseñar un proceso de ETL robusto y escalable bajo el concepto de "Transformación de Capas Stage", cuyo objetivo principal es la transición de datos crudos desde la zona de aterrizaje (Landing) hacia una capa de Staging (Silver) técnica y limpia. Debes procesar la información proveniente de [Fuente de Datos], la cual se entrega originalmente en [Formato de Origen]. El proceso debe realizar una limpieza exhaustiva que incluya la estandarización de tipos de datos, la normalización de encabezados bajo el estándar [Convención de Nomenclatura] y la resolución de conflictos de codificación. Es vital que el diseño garantice la integridad de los datos antes de que cualquier lógica de negocio sea aplicada en capas posteriores. Implementa una estrategia de desduplicación basada en [Clave Identificadora], asegurando que en la capa Stage solo persistan los registros más recientes o válidos. Para la gestión de cambios, utiliza una lógica de carga incremental mediante [Campo de Fecha de Actualización], optimizando el uso de recursos computacionales. Si los registros no cumplen con el esquema predefinido en [Esquema de Destino], deben ser redirigidos automáticamente a una tabla de excepciones o 'Dead Letter Queue' para su auditoría. El código resultante debe estar escrito en [Lenguaje de Programación o SQL] y ser compatible con el entorno de [Herramienta ETL o Framework]. Asegúrate de incluir bloques de manejo de errores, registro de métricas (logs) de cuántos registros fueron leídos, transformados y rechazados, y una validación final de calidad de datos que compare los totales contra la fuente original. El código debe ser modular, parametrizado y seguir principios de Clean Code para facilitar su mantenimiento a largo plazo. Como entrega final, proporciona el script de transformación completo, un esquema visual descriptivo del flujo de datos (en formato Markdown o texto) y una guía de despliegue que considere la [Frecuencia de Carga] definida. Justifica brevemente por qué las transformaciones aplicadas reducen la deuda técnica en el análisis final de los datos para el rol de Data Analyst.
Actúa como un Senior Data Analyst experto en Growth Marketing y Retención de Clientes. Tu misión es ejecutar un análisis de cohortes mensuales exhaustivo utilizando el conjunto de datos de transacciones/usuarios que te proporcionaré a continuación: [Insertar Dataset o Descripción de Datos]. El objetivo principal es desglosar el comportamiento de los usuarios desde su primer mes de adquisición hasta su ciclo de vida actual, identificando patrones críticos de abandono (Churn) y oportunidades de optimización del Valor de Vida del Cliente (LTV). Primero, genera una matriz de retención de usuarios donde las filas representen el 'Mes de Adquisición' (Cohorte) y las columnas representen el 'Mes N' de vida del cliente. Los valores dentro de la matriz deben mostrar tanto el número absoluto de usuarios activos como el porcentaje de retención relativo al tamaño inicial de cada cohorte. Analiza específicamente si existe una caída significativa (Churn Cliff) en los primeros [Número de Meses, ej: 3 meses] y compara el rendimiento de las cohortes captadas durante [Temporada o Campaña Específica] frente a las cohortes orgánicas estándar. En segundo lugar, realiza un análisis de rentabilidad por cohorte. Calcula el Ingreso Promedio por Usuario (ARPU) mensual para cada grupo y determina el LTV acumulado. Compara estos datos con el Costo de Adquisición de Clientes (CAC) estimado de [Monto de CAC] para identificar el 'Time to Recover CAC' o punto de equilibrio por cohorte. Necesito que identifiques cuáles son las cohortes de 'alta calidad' (aquellas con mayor retención y ticket promedio) y qué factores temporales o de segmentación en [Variable de Segmentación, ej: Canal de Adquisición] podrían estar influyendo en estos resultados positivos. Finalmente, sintetiza tus hallazgos en un informe ejecutivo que incluya: 1. Identificación de anomalías (cohortes con rendimiento inusualmente bajo o alto). 2. Hipótesis sobre el comportamiento detectado basado en la estacionalidad de [Año/Periodo]. 3. Recomendaciones estratégicas de CRM para mitigar el abandono en los puntos críticos detectados. Proporciona el código en [Lenguaje: Python/SQL/R] necesario para automatizar este análisis visualizando los resultados en un Mapa de Calor (Heatmap) con la librería [Librería, ej: Seaborn o Plotly].