Nivel 10 · Desafío final: el informe del primer vistazo

Las cifras clave necesitan definiciones precisas

«¿Cuántos clientes tenemos?» parece simple, pero en este conjunto de datos hay al menos dos respuestas. len(customers) cuenta a todos los que se dieron de alta. orders["customer_id"].nunique() cuenta a todos los que de verdad hicieron un pedido. La diferencia, las personas que se dieron de alta y nunca compraron, es un número que a marketing le importa mucho. Cuando informes una cifra clave, di qué definición usaste.

Paso 1: distintos frente a totales

len(orders)                         # 12000 orders
orders["customer_id"].nunique()     # distinct customers among them

Un cliente con cinco pedidos aparece cinco veces en orders, así que len cuenta de más a los clientes. nunique() cuenta cada ID una vez. Es uno de los errores más frecuentes en los informes de principiantes, y una de las preguntas de entrevista más frecuentes: «cuenta clientes, no pedidos».

Paso 2: proporciones en lugar de conteos

Los consejos y los directivos quieren proporciones, porque comparan a lo largo del tiempo y entre negocios de distintos tamaños:

orders["channel"].value_counts(normalize=True).round(3)

normalize=True divide cada conteo entre el total. Redondea al final: .round(3) conserva proporciones como 0.493, que es 49.3%. Si necesitas porcentajes para una diapositiva, multiplica por 100 o da formato con f"{share:.1%}".

Antes de informar proporciones, comprueba que la columna no tenga valores que faltan (orders["channel"].isna().sum()). value_counts descarta por defecto los valores que faltan, así que las proporciones sumarían 1 en silencio solo sobre las filas conocidas.

Paso 3: un resumen de precios

products["unit_price"].describe().round(2)

El resultado es una Series indexada por el nombre de la estadística, así que puedes extraer números sueltos:

summary = products["unit_price"].describe()
summary["50%"]     # the median price
summary["max"]     # the most expensive product

Cuando lo presentes, empieza por la mediana y el rango, y menciona que la media la suben los muebles caros. Un resumen que solo diga «precio promedio $270» invita a una imagen equivocada de una tienda donde la mitad de los productos cuesta menos de $154.

El hábito detrás de este nivel

Siempre que recibas un conjunto de datos nuevo, haz este tipo de perfil antes de responder ninguna pregunta:

1. Número de filas y granularidad de cada tabla.
2. Conteos distintos de los ID clave.
3. value_counts(dropna=False) en cada columna de categorías.
4. describe() en cada columna numérica.
5. isna().sum() en todas partes.

Lleva cinco minutos y detecta la mayoría de los problemas de datos antes de que lleguen a un informe: los clientes duplicados, los costos que faltan y las cantidades raras que tratarás en el capítulo de limpieza aparecen todos en estas mismas comprobaciones.

Errores comunes

• Usar len(orders) o orders["customer_id"].count() para clientes distintos. count() cuenta los valores que no faltan, no los distintos.
• Olvidar normalize=True y devolver conteos.
• Redondear la columna antes de describe(), lo que cambia las estadísticas. Redondea el resumen.