Ir al contenido principal
Español— Elegir un idioma
Menú

Analizar automáticamente datos de múltiples fuentes

Lección 5 de 12 Actualizado el 5 de noviembre de 2026 Intermedio
En esta página
  1. Convierte datos brutos en información útil
  2. El problema de los datos dispersos
  3. Tres formas de proporcionar tus fuentes
  4. Realiza el análisis en cuatro pasos
  5. El cruce de datos que no habrías pedido
  6. Te toca
  7. Puntos clave

Convierte datos brutos en información útil

Una de las mayores ventajas de configurar un modelo con un nivel de razonamiento alto es su capacidad para ingerir datos de distintas fuentes, cruzarlos y extraer conclusiones coherentes. Esta lección te muestra cómo aprovechar esta capacidad para automatizar tus análisis, desde la forma en que proporcionas los datos hasta cómo interpretas la salida del modelo.

El problema de los datos dispersos

En el ámbito empresarial, los datos nunca residen en un único lugar. Las cifras de ingresos están en una hoja de cálculo de Excel, la investigación de mercado en un PDF, los comentarios de los clientes en un hilo de correo electrónico y las métricas web en una exportación CSV. Conciliar todo esto manualmente lleva horas y hay que repetir el trabajo en cada periodo.

Un modelo de alto razonamiento procesa estas fuentes heterogéneas en una sola conversación y produce una síntesis integrada. En ChatGPT, adjuntas hojas de cálculo, PDF, documentos e imágenes; los cálculos se ejecutan mediante Data Analysis, que corre código Python. Una fotografía de un cuadro de mando puede servir como fuente, con un matiz importante: OpenAI advierte que los valores exactos de una tabla en una imagen no se extraen con fiabilidad, por lo que es mejor proporcionar el archivo original cuando los números son críticos.

Tres formas de proporcionar tus fuentes

El primer método, y el más directo, es la carga de archivos. ChatGPT acepta varios archivos en una sola conversación: libros de Excel y CSV, documentos PDF, imágenes de gráficos o capturas de pantalla, y archivos de texto; el modelo los analiza simultáneamente. Los arrastras todos juntos y formulas tu solicitud de cruce de datos en una frase.

«Aquí tienes mi archivo de ventas del primer trimestre (Excel), el informe del sector (PDF) y las métricas de Google Analytics (CSV). Cruza estas tres fuentes e identifica las 5 tendencias principales con los datos que las respaldan».

El segundo método, el copiado y pegado estructurado, funciona para conjuntos de datos más ligeros que pegas directamente en el prompt. La clave es nombrar explícitamente cada bloque; de lo contrario, el modelo tiene que adivinar qué pertenece a qué.

«Fuente 1 — Ventas por región: [tabla] Fuente 2 — Satisfacción del cliente por región: [tabla] Fuente 3 — Presupuesto de marketing por región: [tabla] Analiza la correlación entre presupuesto de marketing, ventas y satisfacción por región».

El tercer método se hace necesario cuando los documentos son demasiado grandes para proporcionarlos tal cual: los resumes tú mismo y transmites solo los datos clave. Pierdes detalle, pero conservas lo que impulsa el análisis, como en el siguiente ejemplo donde la brecha entre el crecimiento del mercado y el crecimiento interno es el verdadero problema.

«Tengo tres fuentes. El informe del sector indica un crecimiento del mercado del 12 % en 2025. Nuestras ventas internas muestran un +8 %. Los comentarios de los clientes mencionan plazos de entrega demasiado largos (el NPS ha bajado de 42 a 35). Analiza la brecha entre el crecimiento del mercado y nuestro crecimiento, incorporando los comentarios de los clientes».

Si automatizas el análisis mediante la API, la Responses API te permite conectar herramientas (ejecución de código, búsqueda, acceso a archivos) a un modelo configurado con alto esfuerzo. Con Programmatic Tool Calling, el modelo escribe y ejecuta JavaScript en un entorno V8 aislado para llamar a estas herramientas, potencialmente en paralelo. A continuación, filtra, agrupa o agrega resultados intermedios antes de devolver un resultado más compacto al modelo. OpenAI recomienda este enfoque cuando varios resultados pueden ordenarse o agregarse mediante código, y aconseja la llamada directa cuando cada resultado requiere un juicio nuevo del modelo.

Cruzar múltiples fuentes Cuatro pasos: encuadra qué buscas; proporciona archivos originales con periodos y unidades alineados; solicita una síntesis de hallazgos, causas y acciones; profundiza en un punto y luego en otro. ANÁLISIS MULTIFUENTE Cruzar múltiples fuentes 1 Encuadrar Qué buscas 2 Proporcionar Archivos originales, alineados 3 Sintetizar Hallazgos, causas, acciones 4 Profundizar Un punto, luego otro Los cálculos se ejecutan mediante Data Analysis; una tabla en una imagen no es fiable hasta el dígito exacto.
Basado en el artículo «Data analysis with ChatGPT» del Centro de ayuda de OpenAI (noviembre de 2026).

Realiza el análisis en cuatro pasos

Todo empieza por el encuadre, y este paso ocurre antes de subir cualquier archivo. Dile al modelo qué buscas: «Voy a proporcionar 3 archivos. Quiero un análisis comparativo que identifique brechas de rendimiento entre nuestras regiones, correlaciones con el presupuesto de marketing y recomendaciones accionables», y sabrá qué retener de cada fuente en lugar de resumirlo todo de forma plana.

A continuación, proporciona los datos con un nivel de razonamiento alto (High en Chat, high en la API) para garantizar un cruce riguroso. Luego, solicita una síntesis estructurada en lugar de un texto de flujo de conciencia: «Elabora un informe en 3 partes: (1) Hallazgos fácticos con cifras, (2) Análisis de causas, (3) Recomendaciones prioritarias. Usa tablas cuando sea relevante». Por último, itera. El modelo retiene el contexto de toda la conversación, lo que te permite profundizar en un punto concreto: «Céntrate en la región de Île-de-France. ¿Por qué está bajando el NPS mientras suben las ventas?» sin tener que volver a cargar todo. El primer análisis rara vez es el mejor; las ideas útiles surgen durante el ida y vuelta.

El cruce de datos que no habrías pedido

La verdadera potencia del razonamiento de alto nivel aparece cuando invitas al modelo a combinar dimensiones que quizás no habías considerado, por ejemplo: «¿Existe una correlación entre los días con alto tráfico web y los días con un aumento de reclamaciones? Si es así, propone una hipótesis explicativa». El modelo alinea entonces las series temporales, calcula correlaciones, formula hipótesis causales y, lo que es más importante, distingue explícitamente entre correlación y causalidad en lugar de sacar conclusiones precipitadas. Sin embargo, esta salvaguarda es parcial: establecer la causalidad corresponde a tu experiencia de dominio, no al modelo.

Te toca

Tres fuentes, un cruce. Prepara tres fuentes de tu propio trabajo, aunque sean sencillas. Adjunta un archivo Excel de ventas o métricas, añade un segundo archivo que cubra otra dimensión (presupuesto, satisfacción, plantilla) y solicita un cruce con un nivel de razonamiento alto, con los cálculos realizados por Data Analysis. Si no tienes nada a mano, pide al modelo que genere primero un conjunto de datos ficticio realista para tu sector y analízalo como si fuera real.

Dos trampas arruinan la mayoría de los primeros intentos. La primera es volcar diez archivos sin dirección: sin encuadre, el modelo produce un resumen genérico. La segunda es más insidiosa: datos inconsistentes. Verifica que los periodos, las unidades y las categorías estén alineados en tus fuentes antes de lanzar nada; de lo contrario, obtendrás un análisis perfectamente razonado basado en números que no se pueden comparar.

Fuentes oficiales: Data analysis with ChatGPT (Centro de ayuda de OpenAI: archivos, Python, tablas en imágenes) · Programmatic Tool Calling (API de OpenAI: programas que orquestan herramientas, cuándo usarlos) · Reasoning models (niveles de esfuerzo)

Puntos clave

  • Un nivel de razonamiento alto cruza hojas de cálculo, PDF, CSV e imágenes; los cálculos se ejecutan mediante Data Analysis
  • Encuadra tu análisis antes de proporcionar los datos y activa el razonamiento alto para el cruce de fuentes
  • Mediante la Responses API, Programmatic Tool Calling permite que un programa JavaScript aislado orqueste herramientas y filtre resultados intermedios
  • Solicita síntesis estructuradas (hallazgos, análisis, recomendaciones) e itera sobre los puntos interesantes
  • Distingue siempre entre correlación y causalidad en los resultados