Economía
Os datos económicos son esenciais en sectores como as finanzas e a banca. Facilitan a xestión de riscos, aumentan a competitividade, fomentan a innovación, fortalecen a confianza nos mercados e melloran a toma de decisións tanto de institucións financeiras como de cidadáns e empresas.
Descubre os conxuntos de datos máis notables
Temas de actualidade destacados
Actualidade
Así evoluciona el ecosistema infomediario en España según ASEDIE
La Asociación Multisectorial de la Información (ASEDIE) ha publicado la decimocuarta edición del informe sobre la economía del dato en el ámbito infomediario, consolidando una serie histórica que ofrece una amplia perspectiva de la evolución del sector. El análisis a lo largo de estos años revela que el sector infomediario ha crecido un 79% desde 2013, con 796 empresas identificadas frente a las 444 iniciales. El informe fue presentado el pasado 21 de abril en Madrid en un acto en el que se puso de relieve el papel crucial que desempeña el sector infomediario en la economía española.
A continuación, recogemos las principales claves del informe.
Una facturación de 2.870 millones de euros y un empleo que crece por encima de la media nacional
El informe viene analizando desde 2013 la situación del sector infomediario, compuesto por las empresas y organizaciones que reutilizan datos procedentes en su mayoría de organismos públicos, complementando con fuentes privadas, para generar productos o servicios de valor añadido. La última edición subraya que el sector está en pleno auge, consolidándose como un componente estructural del ecosistema del dato en España con un crecimiento sostenido.
El estudio analiza 796 empresas activas a 31 de diciembre de 2024, de las que 623 tienen datos financieros disponibles. Para la realización del estudio se han tomado los datos del año 2024 ya que en el momento de realización del informe aún no estaban disponibles los relativos al año 2025. Los resultados del estudio fijan los siguientes valores para los principales indicadores del sector:
La cifra de negocio agregada alcanza los 2.870 millones de euros, con un crecimiento del 5,8% interanual. El subsector de información geográfica se consolida como el principal, superando los 795 millones de euros y concentrando el 28,4% de las ventas totales. Destaca además el subsector de cultura, que duplica su volumen de negocio (+120,5%). Por el contrario, directoriales y estudios de mercado registran descensos del 9,8% y el 3,9% respectivamente.
El sector genera 26.538 empleos, con un crecimiento del 7,6% respecto al ejercicio anterior, casi cinco puntos por encima de la media nacional. El empleo medio del sector también se incrementa respecto al periodo anterior y se sitúa en torno a los 40 empleados por empresa, lo que reafirma su capacidad para generar puestos de trabajo estables. El impulso del subsector información geográfica generó más de 1.000 nuevos puestos de trabajo en un solo año (+12,2%), aglutinando ya casi el 40% del empleo total. La facturación media por empleado se situó en 108.164 euros.
El capital suscrito asciende a 252 millones de euros, y el beneficio neto agregado supera los 158 millones de euros, 13 millones más que el ejercicio anterior. Los subsectores económico y financiero, información geográfica e informática de infomediación agrupan el 80% del beneficio. El 75% de las empresas finalizaron el ejercicio con beneficios.
El 75% de las empresas realizan su actividad en cuatro subsectores del total de diez: información geográfica, estudios de mercado, económico y financiero e informática de infomediación.
La estructura empresarial del sector sigue dominada por pequeñas empresas: más de la mitad son mycropymes con menos de cinco empleados y alrededor del 70% no alcanza el millón de euros de facturación anual. Solo el 3% supera los 25 millones de euros en ingresos.
Desde el punto de vista de la distribución geográfica, Madrid concentra el 38% de las empresas, seguida de Cataluña (15%), Andalucía (11%) y la Comunidad Valenciana (8%). El sector está presente en todas las comunidades autónomas y en la Ciudad Autónoma de Melilla, lo que da cuenta de su implantación global.
El análisis temporal muestra que el volumen de empresas ha crecido un 79% desde 2013. En la última década se han creado 249 empresas. En términos absolutos, las comunidades autónomas que han registrado un mayor crecimiento de empresas son Madrid (111), Andalucía (66) y la Comunidad Valenciana (58). En términos relativos, en las que más se ha incrementado el número de empresas son Cantabria (600%), Murcia (350%) y Extremadura (350%).
2024, último año analizado, registra un ligero descenso en la cifra media de ventas, tras más de una década de crecimiento sostenido. Este ajuste no modifica la tendencia de consolidación y se asocia a una etapa de mayor madurez del sector tras años de crecimiento sostenido.
El siguiente visual resume algunos de estos datos:
Figura 1. Fuente: Informe del Sector Infomediario de ASEDIE. "Economía del Dato en su ámbito infomediario" (2026).
Avances significativos en el Top 10 ASEDIE
El Top 10 de ASEDIE, lanzado en 2019 con el apoyo de las 17 comunidades autónomas, tiene como objetivo fomentar la colaboración público-privada y focalizar recursos en la apertura de conjuntos de datos de alto valor. Siete años después, el balance es positivo, ya que seis de los diez conjuntos de datos — asociaciones, fundaciones, polígonos industriales, centros de salud, centros de enseñanza y certificados de eficiencia energética— son accesibles en las 17 comunidades autónomas.
El hito más destacado de esta edición es que las Islas Baleares se convierten en la primera comunidad autónoma en ofrecer acceso a los diez conjuntos de datos. La Comunidad de Madrid también tiene publicados los diez, aunque sin NIF en las bases de agentes económicos y ERE/ERTE, lo que limita el impacto de su apertura.
El desarrollo del Top 10 ha tenido lugar en tres fases, cada una enfocada en diferentes conjuntos de datos. La evolución se analiza en el informe:
Fase 1 (2019), donde se impulsaba la apertura de bases de datos de asociaciones, cooperativas y fundaciones. Actualmente, 12 comunidades autónomas permiten el acceso a las tres bases de datos con NIF. En el caso específico de las cooperativas, 15 de las 16 comunidades autónomas que ofrecen esta información incluyen también el NIF, aunque todavía falta una comunidad autónoma por publicar esos datos.
Fase 2 (2020), centrada en conjuntos de datos sobre certificados de eficiencia energética, registros SAT (Sociedades Agrarias de Transformación) y polígonos industriales. Se ha producido un avance en polígonos, que ya están accesibles en todas las comunidades. Son ya 14 las comunidades con los seis conjuntos de las dos primeras fases disponibles, restando únicamente La Rioja, Cantabria y Andalucía en el registro SAT.
Fase 3 (2023), enfocada en datasets de agentes económicos, centros de enseñanza, centros de salud y ERES-ERTES (Expediente de Regulación de Empleo y Expediente de Regulación Temporal de Empleo). Es la fase más incipiente. Se han producido avances, pero aún es necesario seguir trabajando. Hasta el momento, solo tres comunidades ofrecen datos de agentes económicos con NIF (Navarra, Islas Baleares y Madrid). En el caso de los ERE/ERTE, 11 aunque solo Baleares incluye el NIF o razón social de la empresa, lo que limita el impacto real de esa apertura.
Nuevos casos de éxito y buenas prácticas
El informe recoge una selección de productos y servicios que ilustran cómo el sector transforma datos públicos en soluciones de valor:
GeoMarketing Xpert®: solución de analítica avanzada que integra modelos de IA y machine learning para optimizar estrategias de localización empresarial, combinando datos de consumidores, potencial de ventas y competencia.
Datos de riesgos climáticos y certificaciones energéticas: esta base de datos centraliza y actualiza en tiempo real más de 9 millones de certificados reales, combinados con datos de riesgos climáticos organizados por temperatura, viento, agua y suelo, diferenciando entre riesgos crónicos y agudos.
GeoCRM: este CRM muestra sobre un mapa la cartera comercial, con datos empresariales y financieros, permitiendo priorizar la prospección y optimizar rutas comerciales.
Informa IA Chat: genera informes dinámicos sobre la situación de una empresa en lenguaje natural a partir de una base de datos empresarial con la posibilidad de ampliar la consulta a toda la información disponible en internet.
La Inteligencia Artificial llega a Insight View: esta herramienta interactiva que incorpora inteligencia artificial para responder a preguntas y contextualizar datos de forma automática, permitiendo entender mejor cada empresa, identificar riesgos y agilizar la toma de decisiones.
Oficina Técnica de Datos Abiertos: solución de la Generalitat de Catalunya que combina gobernanza y plataforma tecnológica para publicar datos accesibles e interoperables. El portal funciona también como hub interno de compartición entre departamentos.
Plataforma de soporte a la gestión de siniestros de seguros de crédito: solución que automatiza la verificación de siniestros mediante un repositorio único, extracción inteligente de datos con IA y conciliación automatizada.
El informe también incluye buenas prácticas de las administraciones públicas y el sector académico como:
Analizador IA de datasets: esta herramienta permite a cualquier persona sin conocimientos técnicos consultar conjuntos de datos en lenguaje natural, eliminando las barreras de formato, impulsando así el análisis autónomo de la información pública.
GeoEditPro y Portal Registral de Emergencias: el Colegio de Registradores de la Propiedad ha impulsado estas dos iniciativas. GeoEditPro facilita la validación de documentación gráfica registral de forma pública y sin autenticación. Por su parte, el Portal Registral de Emergencias, creado tras la erupción del volcán Cumbre Vieja en 2021, permite a los afectados por desastres naturales solicitar de manera gratuita nota simple de sus inmuebles.
Portal de datos abiertos del Ayuntamiento de Madrid: en febrero de 2026 estrenó plataforma, alcanzando 670 conjuntos de datos de 60 unidades municipales y más de 489.000 visitas.
Proyecto Federador de Datos de Navarra: galardonado con el Premio Audaz 2024, permite que entidades de cualquier tamaño publiquen datos en un espacio común de forma sencilla y automatizada. Destaca por la democratización del dato y por las colaboraciones estratégicas, con el geoportal IDENA, el instituto de estadística NASTAT, la Universidad Pública de Navarra y la Federación Navarra de Municipios y Provincias.
Portal de datos abiertos de la Universidad de Extremadura: integra más de 140 conjuntos de datos con el máximo nivel de reutilización. Además, ha desarrollado un grafo de conocimiento que conecta información procedente de múltiples fuentes, permitiendo realizar consultas complejas y obtener conocimiento agregado de forma automática.
UniversiDATA: portal colaborativo que agrupa a seis universidades públicas españolas bajo un modelo común de gobernanza y publicación, premiado por ASEDIE en 2025 en la categoría “Impulsando la Economía del Dato”.
En conclusión, el sector infomediario español atraviesa una etapa de consolidación marcada por el crecimiento sostenido y una mayor especialización. La edición de este año confirma la buena tendencia de la economía del dato, con 796 empresas activas, más de 26.500 empleos y una cifra de negocio de 2.870 millones de euros. Aunque continúan existiendo desafíos regulatorios y diferencias en el grado de apertura entre administraciones, la evolución del sector apunta a un ecosistema más maduro y con capacidad para seguir generando actividad económica y progreso a partir de la reutilización de la información.
Outros recursos
Análisis de precios de carburantes con GenAI como copiloto: de la teoría a la práctica
Introducción
En los últimos años hemos visto cómo la inteligencia artificial generativa ha dejado de ser una curiosidad técnica para convertirse en una herramienta cotidiana en el flujo de trabajo de los profesionales del dato. Sin embargo, sigue existiendo una pregunta importante: ¿cómo se traduce esta tecnología en un proceso real de análisis de datos abiertos?, ¿Qué cambia en la práctica cuando un analista trabaja "junto a" un modelo de lenguaje en lugar de hacerlo en solitario?
Este post documenta un ejercicio práctico realizado con datos publicados en el portal datos.gob.es: el análisis de precios de las más de 11.000 estaciones de servicio en España. A diferencia de otros ejercicios publicados en este espacio, el análisis no se ha realizado de forma manual línea por línea, sino que se ha llevado a cabo en un entorno agéntico: una interfaz conversacional apoyada en un modelo grande de lenguaje (LLM) y un sistema de codificación asistido por inteligencia artificial. En la práctica, esto significa que en lugar de escribir el código de análisis nosotros mismos, le describimos al sistema en lenguaje natural qué queremos obtener, y este lo implementa.
El objetivo de este post es doble. Por un lado, explicar el análisis propiamente dicho: qué preguntas nos hacemos sobre los datos, qué problemas técnicos encontramos y qué conclusiones extraemos. Por otro, reflexionar sobre el método: cómo se estructura un proceso de análisis cuando trabajamos con un copiloto de IA, qué patrones de interacción funcionan mejor y dónde están los límites de la asistencia automatizada.
Nota metodológica: para la realización de este ejercicio hemos empleado una metodología Spec Driven Development (SDD), que guía a la IA a través de un proceso estructurado con el objetivo de evitar que la conversación pierda el foco del ejercicio. La explicación detallada de esta metodología queda fuera del alcance del presente post, pero el lector encontrará en el repositorio especificaciones, planes técnicos y checklists que la documentan.
Accede al repositorio del laboratorio de datos en GitHub
Accede al notebook de Google Colab
En este vídeo, el autor te explica que vas a encontrar tanto en el GitHub como en Google Colab.
El proceso: un flujo clásico, asistido por IA
Antes de entrar en cada fase, conviene describir el esquema general del trabajo. El análisis sigue cinco etapas habituales en ciencia de datos —ingesta, limpieza, exploración, ingeniería de variables y análisis de impacto— pero introduciendo en cada una de ellas un patrón conversacional con la IA.
Ese patrón puede resumirse en cinco pasos:
Describir el problema en lenguaje natural.
Proponer una primera solución (lo hace la IA).
Cuestionar los supuestos de esa propuesta (lo hace el analista humano).
Refinar la solución hasta que sea robusta.
Documentar el patrón para reutilizarlo en futuros proyectos.
A continuación, veremos, fase por fase, cómo se materializa este patrón en el análisis del precio de los combustibles. Cada apartado comienza explicando el reto conceptual, continúa describiendo cómo abordamos la resolución con la asistencia de la IA, y termina mostrando el código resultante y las lecciones aprendidas.
Fase 1: ingesta robusta de datos desde una API pública
El reto: API públicas que no siempre responden como se espera
Aviso para el lector: esta fase entra en cierto detalle técnico sobre integración de API, errores SSL y estrategias de respaldo. Si tu perfil es más analítico que de desarrollo, puedes hojear el bloque de código y centrarte en los apartados El enfoque y Reflexión, donde la idea de fondo —cómo diseñar una ingesta tolerante a fallos— se explica sin entrar en detalles de implementación.
La descarga de datos desde la API del Ministerio para la Transición Ecológica es conceptualmente sencilla: una petición HTTP GET a un endpoint conocido debería devolver un fichero JSON con aproximadamente 11.000 estaciones de servicio. En la práctica, sin embargo, las API públicas presentan dificultades habituales que cualquier analista termina encontrando antes o después:
Certificados SSL caducados o mal configurados, que provocan errores del tipo SSLError.
Bloqueo de IP procedentes de servidores en la nube (Google Colab, AWS, etc.), interpretadas como tráfico sospechoso.
Servidores inestables, con tiempos de respuesta variables y timeouts esporádicos.
Inconsistencias en la documentación, por ejemplo, cuando se describe una respuesta JSON pero el servidor devuelve XML.
La pregunta clave es: ¿cómo diseñamos un sistema de ingesta que tolere estos problemas en lugar de fallar al primer obstáculo?
El enfoque: una arquitectura de respaldos escalonados
En ingeniería de software, los sistemas críticos no dependen de un único componente. Cuando un canal falla, existe otro de respaldo (lo que en inglés se denomina fallback). Aplicar esta lógica a la ingesta de datos es especialmente útil cuando trabajamos con fuentes públicas sobre las que no tenemos control.
Para este ejercicio, diseñamos una estrategia de triple respaldo:
Primer intento — requests con configuración permisiva: realizamos la petición HTTP con la librería estándar de Python, pero configurando un User-Agent que simula un navegador real y desactivando la verificación de SSL. Esto resuelve buena parte de los problemas de certificados.
Segundo intento — curl desde la shell: si requests falla, invocamos curl como subproceso. La razón es que curl utiliza una pila TLS distinta a la de Python y no envía los mismos certificados, lo que permite sortear ciertos tipos de bloqueo.
Tercer intento — datos de demostración: si todo lo anterior falla, generamos un conjunto sintético de 11.000 estaciones de servicio con distribuciones realistas. Esto garantiza que el notebook siempre sea ejecutable en un contexto educativo, aunque la API esté caída.
El razonamiento de fondo es sencillo: cada método sortea un tipo distinto de fallo de red, y su combinación proporciona robustez. A continuación, mostramos el código que implementa esta arquitectura.
El código resultante
El siguiente fragmento ilustra cómo se materializan los tres niveles de respaldo en una única función. Las cláusulas try/except permiten detectar el fallo de cada método y pasar automáticamente al siguiente:
def descargar_datos_api(url):
"""
Descarga datos con triple respaldo:
1. requests con verify=False (sortea problemas de SSL)
2. curl -k (pila TLS alternativa)
3. datos sintéticos (garantía de ejecución)
"""
# Intento 1: requests con cabeceras de navegador
try:
sesion = requests.Session()
sesion.headers.update({
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"
})
response = sesion.get(url, timeout=45, verify=False)
return response.json()
except Exception as e_requests:
print(f"[Respaldo 1] requests ha fallado: {e_requests}")
# Intento 2: curl como subproceso
try:
resultado = subprocess.run(
["curl", "-s", "-k", url],
capture_output=True, timeout=45, text=True
)
return json.loads(resultado.stdout)
except Exception as e_curl:
print(f"[Respaldo 2] curl ha fallado: {e_curl}")
# Intento 3: datos sintéticos de demostración
print("[Respaldo 3] Utilizando datos de demostración")
return generar_datos_demo_gasolineras(11000)
Reflexión: dónde aporta valor la IA en esta fase
La iteración con la IA no produjo el código anterior de un solo intento. El proceso real fue más interesante: planteamos el problema ("la API a veces rechaza las peticiones, necesito respaldos"), la IA propuso una solución inicial, y el avance vino de cuestionar esa propuesta. La pregunta "¿por qué curl debería funcionar si requests ya ha fallado?" obligó al modelo a explicar las diferencias entre ambas pilas TLS, lo que a su vez nos permitió validar que la solución tenía fundamento técnico real, no era simplemente "probar lo mismo dos veces".
Una estimación razonable: resolver este problema mediante prueba y error puro habría llevado entre dos y tres horas de depuración. Con la iteración asistida, lo abordamos en aproximadamente treinta minutos.
Fase 2: limpieza con conocimiento de dominio
El reto: los datos reales nunca son perfectos
Una vez descargados los datos, comienza el trabajo menos visible pero más decisivo de cualquier análisis: la limpieza y preparación. La calidad del resultado final depende en gran medida del cuidado puesto en esta etapa. En el caso de los combustibles, las inconsistencias más habituales son:
Variantes textuales no normalizadas: la marca "MOEVE" puede aparecer como "MOEVE", "Moeve" o "moeve" en distintos registros. Para una persona son obviamente la misma marca, pero en una agregación por groupby aparecen como tres categorías independientes.
Coordenadas geográficas incorrectas: puntos situados fuera del territorio español (islas remotas, fragmentos de Marruecos, errores de captura).
Separadores decimales inconsistentes: precios codificados como "1,349" con coma, que requieren conversión explícita antes de poder operar con ellos.
Conversiones que introducen valores nulos: pd.to_numeric(..., errors='coerce') es muy útil, pero genera NaN silenciosos que pueden romper análisis posteriores.
La cuestión central de esta fase es: ¿cómo traducimos el conocimiento humano sobre el dominio en reglas de código?
El enfoque: validación organizada en capas
En lugar de limpiar "según va apareciendo", conviene organizar las reglas de validación en capas, cada una con una responsabilidad clara:
Capa
Responsabilidad
Ejemplo
Tipos
Conversión y coerción a tipos adecuados
Precio como float, fecha como datetime
Rangos
Valores dentro de límites razonables
Precio entre 0,5€ y 3,0€ por litro
Semántica
Coherencia con el dominio
Coordenadas dentro de España, marcas normalizadas
Figura 1. Tabla de validación organizada en capas. Fuente: elaboración propia - datos.gob.es
La pregunta que cada capa debe responder es siempre la misma: ¿tiene sentido este valor en el contexto de las estaciones de servicio españolas? La novedad respecto a un flujo manual es que aquí describimos las reglas a la IA en lenguaje natural y dejamos que ella las traduzca a código pandas. Nosotros conservamos la responsabilidad de definir qué es válido y qué no.
El código resultante
El siguiente bloque implementa las tres capas de validación de forma secuencial. Conviene destacar que la lista de aliases de marcas (CEPSA → MOEVE) refleja conocimiento de negocio específico —el rebranding de CEPSA a MOEVE en 2023— que la IA no podría inferir por sí sola; es información que aporta el analista. Este es un ejemplo muy claro de aportación del conocimiento humano difícilmente alcanzable por la IA:
def validar_y_limpiar_carburantes(df):
# Capa 1: normalización de tipos
df['precio'] = (
df['precio'].astype(str)
.str.replace(',', '.')
.astype(float)
)
df['marca'] = df['marca'].str.upper().str.strip()
# Capa 2: validación de rangos
df = df[(df['precio'] >= 0.5) & (df['precio'] <= 3.0)]
df = df[
(df['latitud'] >= 27.5) & (df['latitud'] <= 43.8) &
(df['longitud'] >= -18.2) & (df['longitud'] <= 4.4)
]
# Capa 3: coherencia semántica (conocimiento de negocio)
aliases = {'CEPSA': 'MOEVE'} # Rebranding 2023
df['marca'] = df['marca'].map(lambda x: aliases.get(x, x))
# Auditoría de nulos
nulos = df[['precio', 'latitud', 'longitud', 'marca']].isnull().sum()
if nulos.sum() > 0:
print(f"Atención: se han detectado valores nulos:\n{nulos}")
return df.dropna(subset=['precio', 'latitud', 'longitud'])Reflexión: el reparto del trabajo entre la IA y el analista
Esta fase es especialmente reveladora del tipo de colaboración que la IA habilita. Las reglas más técnicas (conversión de tipos, detección de nulos, normalización de mayúsculas) son prácticamente automáticas: basta con describir el problema y el modelo propone una implementación correcta. En cambio, las reglas que dependen del dominio (que las islas Canarias tienen un sobrecoste logístico del 5%, que CEPSA y MOEVE son la misma marca tras la fusión, que un precio inferior a 0,5€ es probablemente un error de carga) deben ser especificadas por el analista humano.
La lección aprendida es importante: la calidad de la limpieza depende directamente del conocimiento de dominio que aporta el analista. La IA acelera la implementación, pero no inventa contexto. Por eso el patrón reutilizable es el mismo en cualquier proyecto: describe tu dominio con detalle, deja que la IA escriba las validaciones, y verifica tú mismo que los resultados son coherentes.
Fase 3: análisis exploratorio visual (EDA)
El reto: convertir números en intuiciones
Con 11.000 registros limpios ya en memoria, el siguiente paso es responder a las preguntas de negocio que motivaron el análisis. En este caso, formulamos cuatro preguntas concretas:
¿Qué provincias tienen los combustibles más caros?
¿Existe relación entre la ubicación geográfica (latitud y longitud) y el precio?
¿Hay diferencias significativas entre marcas?
¿Cómo se distribuyen los precios (media, mediana, valores atípicos)?
El reto técnico no es complejo —pandas y matplotlib resuelven cualquiera de estas preguntas— pero sí lo es el reto metodológico: elegir la visualización adecuada para cada pregunta. Una gráfica mal elegida puede ocultar tanto como una agregación incorrecta.
El enfoque: cada pregunta determina su gráfico
En análisis exploratorio existe una correspondencia natural entre el tipo de pregunta y la visualización más apropiada. Conviene tenerla presente antes de escribir una sola línea de código:
Pregunta
Visualización adecuada
Razón
¿Ranking?
Gráfico de barras ordenado
Permite comparar valores ordenados
¿Relación espacial?
Scatter con escala de color
Muestra correlación en dos dimensiones
¿Distribución y atípicos?
Diagrama de caja (box plot)
Revela mediana, cuartiles y outliers
¿Diferencias entre grupos?
Box plot o violin plot
Compara distribuciones simultáneamente
Figura 2. Tabla de correspondencia natural entre el tipo de pregunta y la visualización más adecuada. Fuente: elaboración propia - datos.gob.es
El objetivo no es producir gráficos vistosos, sino gráficos que respondan a preguntas concretas. Esta es una idea aparentemente obvia, pero conviene recordarla: en la práctica, es frecuente que se generen visualizaciones por inercia, sin tener claro qué se quiere mostrar.
El código resultante
A continuación, mostramos uno de los gráficos como ejemplo, el ranking de precios por provincia. La estructura es siempre la misma: declaración del gráfico, configuración estética, y un breve comentario interpretando el resultado:
# Pregunta 1: ¿qué provincias son las más caras?
top_provincias = (
df.groupby('provincia')['precio']
.mean()
.sort_values(ascending=False)
.head(12)
)
fig, ax = plt.subplots(figsize=(12, 6))
top_provincias.plot(kind='bar', ax=ax, color='steelblue')
ax.set_title('Precio medio del combustible por provincia (Top 12)',
fontsize=14, fontweight='bold')
ax.set_ylabel('Precio (€/litro)')
ax.set_xlabel('Provincia')
plt.xticks(rotation=45, ha='right')
plt.tight_layout()
plt.show()
# Hallazgo: las tres provincias más caras son insulares o costeras
# (Baleares, Canarias, Tarragona). Hipótesis: el coste logístico
# y la lejanía a los hubs de distribución elevan el precio.En el caso del scatter geográfico, aplicamos una segmentación adicional —península, Baleares y Canarias— para visualizar simultáneamente la ubicación y la insularidad. Esta segmentación reveló un patrón que ninguna agregación numérica había mostrado claramente: las estaciones insulares tienen precios sistemáticamente superiores, hallazgo probablemente atribuible a costes de transporte marítimo. El insight no emergió de un cálculo, sino de la visualización.
Reflexión: el punto ciego de la IA
Esta fase pone de manifiesto una limitación importante del modelo: la IA no ve el resultado gráfico. Puede sugerir el tipo de visualización adecuado, escribir el código correctamente y proponer una paleta de colores, pero no puede juzgar si la escala del eje es apropiada, si la densidad de puntos satura el gráfico o si los rótulos se solapan. Todas estas validaciones siguen siendo responsabilidad humana.
En la práctica, esto significa que la fase de EDA es la que requiere más iteración entre persona y máquina: la IA escribe, el analista observa, identifica un problema visual ("este eje no muestra bien la variación"), y describe la corrección ("ajusta el eje Y a [precio_min0.95, precio_max1.05]"). El patrón reutilizable es claro: una pregunta clara, un tipo de gráfico adecuado y una validación visual humana.
Fase 4: ingeniería de variables (feature engineering)
El reto: capturar variación con nuevas variables
El análisis exploratorio identifica patrones, pero rara vez los explica. Para entender qué factores influyen en el precio es necesario construir nuevas variables —features— que capturen hipótesis específicas sobre la dinámica del mercado. En este ejercicio formulamos tres hipótesis:
Temporal: ¿Influye el día de la semana en el precio? ¿Es más caro repostar en fin de semana?
Geográfica: ¿Influye la distancia a un hub económico (en este caso, Madrid)?
Regional: ¿Existen diferencias estructurales entre el norte, el centro y el sur de España?
La ingeniería de variables consiste precisamente en traducir esas hipótesis en columnas calculadas que el resto del análisis pueda utilizar.
El enfoque: cada variable, una historia testable
Una buena variable debe contar una historia clara. No basta con calcular un número: hay que poder explicar qué pregunta intenta responder. En nuestro caso:
es_fin_semana (0/1): ¿cambia el precio el sábado y el domingo?
distancia_a_madrid (km): ¿se encarece el combustible al alejarse del hub logístico?
region (norte/centro/sur): ¿hay brechas estructurales entre regiones?
Cada una de estas tres variables es, en realidad, una pregunta empírica disfrazada de columna. Si la variable no explica nada cuando la cruzamos con el precio, simplemente la descartamos.
El código resultante
Implementamos las tres variables en una única función. La más interesante técnicamente es la distancia a Madrid, que requiere la fórmula de Haversine para calcular distancias sobre la superficie terrestre teniendo en cuenta la curvatura del planeta:
from math import radians, cos, sin, asin, sqrt
def crear_features_carburantes(df):
# Variable temporal
df['es_fin_semana'] = (
df['fecha'].dt.dayofweek.isin([5, 6]).astype(int)
)
# Variable geográfica: distancia haversine a Madrid
madrid_lat, madrid_lon = 40.4168, -3.7038
def haversine(lat, lon):
lat, lon = radians(lat), radians(lon)
m_lat, m_lon = radians(madrid_lat), radians(madrid_lon)
dlat = lat - m_lat
dlon = lon - m_lon
a = sin(dlat/2)**2 + cos(m_lat) * cos(lat) * sin(dlon/2)**2
return 6371 * 2 * asin(sqrt(a)) # radio de la Tierra en km
df['distancia_a_madrid'] = df.apply(
lambda r: haversine(r['latitud'], r['longitud']), axis=1
)
# Variable regional
def region(lat):
if lat >= 42: return 'Norte'
if lat >= 39: return 'Centro'
return 'Sur'
df['region'] = df['latitud'].apply(region)
return dfReflexión: proponer variables con argumento, no solo con código
En esta fase la IA aporta un valor especialmente alto, pero no en lo que se podría pensar a primera vista. Lo verdaderamente útil no es que escriba la fórmula de Haversine —cualquier referencia técnica la contiene—, sino que proponga variables candidatas con argumentación detrás. Cuando le preguntamos "¿qué features podrían capturar la variación de precios?", la propuesta vino acompañada de razonamiento: Madrid se sugirió como hub porque es el mercado más eficiente y estable, y por tanto las desviaciones respecto a su precio funcionan como aproximación a la fricción logística.
Ese razonamiento es lo valioso: no la fórmula, sino la justificación. Trial-and-error puro habría llevado tres o cuatro horas explorando variables hasta encontrar las útiles; con la iteración asistida, llegamos a un conjunto razonado en aproximadamente cuarenta y cinco minutos.
Fase 5: análisis de impacto de las variables
El reto: cuantificar la contribución real
Construir variables es una cosa; demostrar que realmente explican algo es otra. En esta última fase del análisis evaluamos el impacto efectivo de cada una de las tres variables creadas, combinando dos enfoques: una medida numérica (correlación o diferencia de medias) y una representación visual que permita interpretar el resultado de un vistazo.
El enfoque: dos enfoques complementarios
Para cada variable, calculamos:
Una medida numérica que cuantifica el efecto (correlación de Pearson para variables continuas; diferencia de medias para categóricas).
Una representación visual que permite interpretar la magnitud del efecto y detectar relaciones no lineales.
El cruce de ambos enfoques es lo que da fiabilidad al resultado. Una correlación alta sin una visualización que la respalde puede ser engañosa (por ejemplo, si está dominada por outliers); una visualización sugestiva sin métrica puede llevar a sobreinterpretación.
El código resultante
Como ejemplo, mostramos el análisis de impacto de la distancia a Madrid. Primero calculamos la correlación, después segmentamos en cuartiles para hacer la relación visualmente interpretable:
# Medida numérica
correlacion = df['distancia_a_madrid'].corr(df['precio'])
print(f"Correlación (distancia a Madrid → precio): {correlacion:.3f}")
# Representación visual por cuartiles de distancia
df['cuartil_distancia'] = pd.qcut(
df['distancia_a_madrid'], q=4,
labels=['Q1 (cercano)', 'Q2', 'Q3', 'Q4 (lejano)']
)
precio_por_cuartil = df.groupby('cuartil_distancia')['precio'].mean()
fig, ax = plt.subplots(figsize=(10, 5))
precio_por_cuartil.plot(kind='bar', ax=ax, color='#2ecc71')
ax.set_title('Impacto geográfico: precio medio por cuartiles de distancia a Madrid')
ax.set_ylabel('Precio medio (€/litro)')
plt.xticks(rotation=0)
plt.tight_layout()
plt.show()El patrón emergente del análisis completo —comparando las tres variables— es que la distancia a Madrid es la más explicativa, seguida por la región, y por último por el efecto fin de semana, que en nuestro periodo de estudio resulta ser marginal. En conjunto, las tres variables explican aproximadamente el 60-70% de la variación de precios; el resto depende de factores como la marca específica, el tipo de estación (autopista, urbana, rural) y eventos puntuales del mercado.
Reflexión: no todas las variables impactan por igual
Una de las virtudes de este análisis estructurado es que revela cuáles de nuestras hipótesis iniciales se sostienen y cuáles no. En este caso, la hipótesis temporal (fin de semana) resultó ser mucho más débil de lo esperado, mientras que la hipótesis geográfica se confirmó con claridad. Sin este paso de cuantificación, habríamos podido seguir asumiendo que todas las variables aportan información valiosa.
Síntesis: las lecciones técnicas que nos llevamos
A lo largo de las cinco fases anteriores hemos ido acumulando soluciones a problemas concretos. La siguiente tabla resume las más reutilizables; cada una está documentada con mayor detalle en el directorio prompts del repositorio:
Fase
Problema
Solución
Reutilizable en
Ingesta
Bloqueos SSL o de IP en APIs
Triple respaldo: request -> curl -> demo
Cualquier API pública
Ingesta
Documentación inconsistente
Validación de estructura + manejo de errores
APIs gubernamentales
Limpieza
Variantes textuales en marcas
.st.upper().str.trip() antes de agrupar
Cualquier agregación categórica
Limpieza
Coordenadas fuera de España
Bounding box [27.5-43.8, -18.2- 4.4]
Análisis geográficos en España
Limpieza
Rangos comprimidos en gráficos
ax.set_xlim(min*0.95, max*1.05)
Visualización con rangos estrechos
EDA
Elección de tipo de gráfico
Mapeo explícito pregunta -> gráfico
Cualquier EDA
Features
Variables sin justificación
Cada feature responde una hipótesis testable
Feature engineering en general
Análisis
Impacto no cuantificado
Métrica + visualización en paralelo
Cualquier análisis de impacto
Figura 3. Tabla resumen de soluciones a problemas concretos. Fuente: elaboración propia - datos.gob.es
Reflexión final: qué hace que la IA sea un buen copiloto
Al cabo del ejercicio, podemos extraer algunas conclusiones generales sobre el uso de IA generativa como apoyo al análisis de datos. Las dividimos en dos planos: dónde aporta valor, y dónde no debe sustituir al criterio humano.
Donde la IA aporta valor de forma clara:
Iteración rápida. El ciclo "describir problema – obtener solución – validar" se reduce de horas a minutos. Esto cambia cualitativamente la dinámica de trabajo: nos permite probar ideas que de otro modo descartaríamos por coste.
Pensamiento lateral. La IA propone alternativas que un analista podría pasar por alto, como la idea de usar curl cuando requests falla. No siempre acierta, pero sí amplía el espacio de soluciones consideradas.
Documentación articulada. La IA es especialmente buena explicando el porqué de una decisión técnica, no solo el qué. Esto facilita que el código resultante sea legible para personas no técnicas.
Donde el criterio humano sigue siendo imprescindible:
Conocimiento de dominio. La IA no sabe que CEPSA y MOEVE son la misma marca, ni que Canarias tiene un sobrecoste logístico estructural. Esa información debe aportarla el analista.
Validación estadística. La IA puede sugerir modelos, pero la validez estadística del análisis es responsabilidad humana.
Lectura de gráficos. La IA no ve sus propias visualizaciones. El juicio sobre si una gráfica es legible, comunica lo que se pretende y respeta buenas prácticas visuales sigue siendo humano.
Decisiones de negocio. Qué preguntar a los datos, qué considerar relevante, cómo comunicar los resultados a la organización: son decisiones que la IA puede apoyar, pero no sustituir.
En síntesis, la idea que resume mejor nuestra experiencia es la siguiente: la IA generativa funciona mejor cuando piensa con nosotros que cuando piensa por nosotros. El ejercicio que aquí presentamos no fue "pedir a Claude que hiciera el análisis", sino mantener una conversación estructurada en la que la IA proponía, el analista cuestionaba, la IA refinaba y el analista validaba. El resultado de esa conversación es un análisis más robusto, mejor documentado y más reutilizable que el que habríamos producido en solitario.
Cómo aprovechar este repositorio
El código completo, los prompts y la documentación están disponibles en el repositorio público del proyecto. Distintos perfiles pueden aprovecharlo de formas distintas:
Si estudias análisis de datos: abre directamente el notebook en Google Colab y recorre cada celda en orden. Para cada visualización, consulta el prompt correspondiente en prompts/visualizacion/.
Si trabajas como científico de datos: revisa specs/001-carburantes-ia/plan.md, donde están documentadas las decisiones arquitectónicas y las lecciones aprendidas. Los snippets de prompts/ son reutilizables tal cual en otros proyectos.
Si te interesa la metodología de prompt engineering: el patrón "describe – cuestiona – refina – valida" está documentado caso por caso a lo largo de los prompts. Es replicable en cualquier dominio: finanzas, salud, marketing o cualquier análisis de datos abiertos.
Conclusión
El ejercicio que hemos presentado muestra que la IA generativa, utilizada con criterio, puede acelerar de manera notable el análisis de datos abiertos sin sacrificar rigor metodológico. Las cinco fases recorridas —ingesta, limpieza, exploración, ingeniería de variables y análisis de impacto— siguen siendo las mismas que en un flujo tradicional, pero la dinámica de trabajo cambia: pasamos de escribir código a describir intenciones y validar resultados.
Contenido elaborado por Alejandro Alija, experto en Transformación Digital e Innovación. Los contenidos y los puntos de vista reflejados en esta publicación son responsabilidad exclusiva de su autor