Caso de estudio de análisis de datos Proyecto de portfolio independiente Datos ficticios
por Alfonso Cifuentes
Del catálogo editorial a un análisis de precios que se puede defender.
Este proyecto nace de una prueba técnica que realicé durante un proceso de selección para un puesto de análisis de datos en una empresa internacional de edición educativa. El reto era organizar un catálogo, comparar precios de productos realmente equivalentes y explicar qué diferencias merecían investigarse. Para poder compartirlo, reconstruí el caso con títulos, colecciones y precios ficticios.
362 productos simulados, 12 colecciones y una pregunta: ¿hay diferencias de precio o estamos comparando cosas distintas?
Adaptación independiente con datos ficticios. Ningún producto ni precio pertenece a la empresa de selección, y no es un trabajo remunerado ni para clientes.
01 · El encargo
Por qué una editorial no puede ordenar su lista de precios y leer las anomalías sin más.
Un mismo curso puede tener libro del alumno, cuaderno, versión con respuestas, acceso digital, audio y distintas ediciones. Y dos productos que se llaman casi igual pueden no ser comparables.
Antes de buscar desviaciones de precio, había que reconstruir la identidad de cada producto y decidir qué diferencias estaban justificadas por sus características. Promediarlo todo da una respuesta falsa con aire de seguridad: la media de este catálogo ficticio es 44,04 €, una cifra que no describe ningún producto.
| Tipo | Recuento | Mín. | Mediana | Máx. |
|---|---|---|---|---|
| Ver type_stats en public/data/analysis.json | ||||
02 · La materia prima
Cada nombre y precio de abajo lo inventó un generador con semilla. Misma semilla, mismo fichero, byte a byte.
El fichero original tiene 362 filas en 12 colecciones inventadas, con dos sistemas de niveles. Cada fila lleva solo cinco campos: serie, segmento, subsegmento, título y precio.
El enriquecimiento añade catorce atributos que la comparación necesita. Algunos se leen en el título; otros, como la edición o la duración del acceso, nunca aparecen en él y deben venir de los metadatos. Esa diferencia importará más adelante.
Los nombres de columna se mantienen en inglés, igual que en los ficheros descargables.
03 · Mi enfoque
Cuatro pasos, en este orden. Saltarse el primero es la forma en que un análisis destruye la evidencia sin darse cuenta.
El fichero original nunca se edita. Cada corrección vive en una vista de análisis aparte (la vista de reporting) que puede desactivarse, así que cualquier cifra se puede rastrear hasta el registro del que procede.
Un analizador basado en reglas lee solo los títulos. Coincidió con las etiquetas de referencia de nivel, pack, solucionario, parte del libro, audio y acceso digital en las 362 filas, y en el tipo de producto se abstuvo dos veces («TB» y «Gleebook») en lugar de adivinar. Las reglas se escribieron para los títulos de este catálogo sintético: esa puntuación comprueba las reglas, no la precisión con datos reales.
No recuperable desde los títulos: edición · duración del acceso · recursos extra · segmento
Agrupar productos iguales en todo salvo el nivel, y preguntar si el precio cambia con el nivel. La definición formal está debajo.
Una diferencia de precio es una pregunta para el equipo comercial, no un veredicto. Cada excepción se clasifica como problema de datos, posible decisión de precio o pregunta abierta, y se deja en los datos para que el lector pueda discrepar.
La pregunta analítica
Grupo comparable: productos que comparten serie, tipo, función, parte del libro, pack, solucionario, ambos derechos digitales, recursos extra y edición, presentes en dos o más niveles. Precio uniforme: todos los productos del grupo tienen el mismo precio de lista.
68 grupos en total · 60 abarcan dos o más niveles y se pueden contrastar · 8 tienen un único nivel y quedan aparte.
Regla ingenua por subcadena
"ebook" en el título
1 falso libro digital: Fable Road Level 3 Gleebook Resource
Regla con límites de palabra
\be-?book\b
0 coincidencias. Un recurso impreso sigue siendo impreso.
04 · El descubrimiento
Los errores interesantes no muestran dónde debería estar un registro. Muestran dónde ha acabado.
Observación, fila 20: el nivel B1 aparece dos veces en este grupo, y uno de los títulos B1 dice Mosaic English. Interpretación: lo que parece una rebaja de 17 € es un producto de otra serie archivado con el nombre equivocado. Acción: se conserva el origen y se reubica en la vista de análisis. La fila 155 sigue el mismo patrón (un pack de estudio de Glasshouse English archivado como Kindred Horizons).
Tal como consta
54/60
90,0 % de los grupos comparables tiene un único precio
Vista de análisis
56/60
93,3 % · los mismos 60 grupos, origen intacto
El denominador se volvió a calcular tras la reubicación, no se supuso: ambas vistas dan 68 grupos y 60 comparables, porque cada registro mal archivado ocupa un hueco vacío de su serie real. Se corrigió la clasificación para el análisis; no se cambió ningún precio.
05 · Explorador
Cada fila es una configuración; léela de izquierda a derecha por niveles. Un precio resaltado difiere del precio de referencia de la fila (el más frecuente) y muestra la diferencia.
Elige una colección. La cuadrícula muestra cada producto ficticio con su precio por nivel; aquí nada está agregado. Cambia a la vista de análisis para ver cómo los dos registros mal archivados vuelven a su serie.
06 · Evidencias
Cada comparación fija la serie y el nivel y comprueba la edición. Las comparaciones estrictas y las orientativas se presentan por separado.
Volúmenes divididos
Estricta (misma serie, nivel y etiqueta de edición): 10 de 12 niveles. Little Lanterns 62,00 € frente a 54,49 € (+13,8 %); Wildflower Words +13,9 %. Orientativa: 2 niveles de Little Lanterns donde las partes y el volumen llevan etiquetas de edición distintas muestran la misma diferencia.
Nivel de entrada
Mosaic English y Silverline Skills sitúan el libro del alumno Starter −8,00 € y el cuaderno −4,00 € por debajo de sus otros niveles (del −14,0 % al −19,5 %). Observación: un patrón coherente. Interpretación: una política de entrada es plausible. Los precios de lista por sí solos no demuestran la intención.
Solucionarios
24 de 24 parejas de cuadernos, emparejadas por serie, nivel y edición, comparten precio. La paridad solo significa algo porque el emparejamiento es estricto.
07 · Registro de calidad
Se mantiene: el dato es correcto. Consulta: preguntar al responsable. Normalizar: alias solo en el análisis. Investigar: patrón sin causa conocida.
Cada incidencia se introdujo a propósito en el generador; después se encontró, se midió y se registró. Ninguna se corrigió en silencio.
Las filas 20 y 155 llevan el nombre de otra serie. Provocan dos de las seis «excepciones» de precio. El origen conserva el valor registrado; la vista de análisis las reubica por el prefijo del título.
«Second Edition» y «2nd Edition» aparecen en seis filas de Little Lanterns. Se unifican solo en el análisis. Como la edición forma parte de la clave de comparación, estas filas quedan fuera de todos los grupos entre niveles: son seis de los 8 grupos de un solo nivel. Los otros dos son el pack TB y el recurso Gleebook, únicos en su tipo.
Un recurso impreso cuyo nombre contiene las letras «ebook». Una regla por subcadena le concede acceso digital; una regla con límites de palabra, no. El registro es correcto y se mantiene: el problema era el analizador.
Mosaic English llama «+ Online Access» a su pack de estudio; las demás series dicen «with Digital». Probablemente sea lo mismo, pero unirlos es una decisión de negocio, no de análisis.
Fila 61, Fable Road Level 1 Pupil Book: segmento Primary, subsegmento Secondary. Las demás filas de Fable Road dicen Primary. Un error de jerarquía que sesgaría cualquier informe por segmento.
El único precio por encima del límite superior del IQR (unos 100 €). «TB» podría ser un libro del profesor u otra cosa, así que su categoría queda sin resolver; no se reclasifica a partir de su precio. Se señala; no se borra para que un gráfico quede más limpio.
Seis cuadernos digitales indican 18 meses; en sesenta y seis la duración no consta. Vacío significa «no consta», no «ilimitado». Tratar el hueco como «sin límite» inventaría una característica del producto.
Comprar las dos mitades cuesta en torno a un 14 % más que el volumen completo, en todos los niveles de las dos colecciones divididas. Diez niveles son comparaciones estrictas; en dos niveles de Little Lanterns las partes y el volumen llevan etiquetas de edición distintas, así que esos dos son solo orientativos. Quizá sea intencionado; conviene confirmarlo antes de llamarlo error.
Dos colecciones, solo libro del alumno y cuaderno. Lo bastante coherente como para parecer deliberado. Los datos muestran el patrón; el motivo tiene que explicarlo una persona.
Los cuadernos con y sin solucionario siempre comparten precio cuando se emparejan por serie, nivel y edición. Un resultado limpio, registrado porque un emparejamiento menos estricto lo habría ocultado.
08 · Limitaciones
Dicho con claridad, para que nadie tenga que deducirlo.
No está en los datos
Así que aquí no hay precio recomendado, ni afirmaciones sobre rentabilidad, ni estimación de impacto económico. La media de 44,04 € describe solo este catálogo sintético, no ningún mercado. La puntuación perfecta del analizador comprueba reglas escritas para títulos sintéticos; no es una referencia para producción. Y cambiar nombres y precios no equivale, por sí solo, a un dictamen jurídico de confidencialidad. Lo que el análisis sí puede hacer es entregar a un equipo comercial cuatro preguntas precisas:
09 · Vídeos y materiales
Todo lo que dice la página se puede comprobar en estos ficheros. Vuelve a ejecutar el generador y obtendrás los mismos bytes.
Subtítulos y transcripción: explicación (VTT) · versión corta (VTT)
10 · Conclusión
El dato más llamativo no siempre es el problema real. Dos «excepciones de precio» eran errores de archivo: corregir la clasificación, no los precios, cambió la lectura de 54 a 56 grupos con precio uniforme de 60.
Lo que el caso muestra para un puesto analítico: estructurar datos de catálogo desordenados, definir una comparación justa antes de medir, mantener la trazabilidad del origen al informe, separar observación e interpretación, y entregarlo como Python reproducible, un Excel con fórmulas vivas y un relato claro.