Data Analytics: qué es, 4 tipos y por dónde empezar

Data analytics (analítica o análisis de datos) es el proceso de recopilar, organizar y analizar datos para responder preguntas de negocio y apoyar decisiones. Convierte números sueltos, como clics, ventas y leads, en información que alguien puede usar para decidir qué hacer la semana siguiente.

En la práctica, la mayoría de las empresas no sufre por falta de datos. Sufre por datos dispersos en herramientas que no se hablan, métricas sin responsable e informes que nadie usa. Esta guía muestra cómo organizarlo, del concepto al primer paso.

Los 4 tipos de análisis de datos

Cada tipo responde a una pregunta distinta. Cuanto más a la derecha de la tabla, más valor y más dificultad.

	Descriptivo	Diagnóstico	Predictivo	Prescriptivo
Pregunta	¿Qué pasó?	¿Por qué pasó?	¿Qué es probable que pase?	¿Qué debo hacer?
Ejemplo en marketing	Leads generados en el mes	Por qué subió el costo por lead	Qué leads tienen más probabilidad de comprar	Dónde reasignar el presupuesto de medios
Base necesaria	Datos recopilados y confiables	Datos segmentados y cruzables	Historial largo y modelos estadísticos	Modelos y reglas de negocio claras

Gran parte del valor que una empresa obtiene al principio está en los dos primeros tipos. Los modelos predictivos solo funcionan bien sobre una base descriptiva sólida.

Data analytics, BI, ciencia de datos y analítica de marketing

Los términos se mezclan, pero cada uno tiene un enfoque distinto:

Data analytics: analizar datos para responder preguntas específicas.
Business Intelligence (BI): paneles e informes recurrentes que siguen los indicadores del negocio.
Ciencia de datos: modelos estadísticos y de machine learning para predecir o automatizar.
Analítica de marketing: análisis aplicado a canales, campañas y recorrido del cliente, normalmente con Google Analytics 4, CRM y plataformas de medios.

Las etapas del proceso

Definir la pregunta. Sin pregunta, se vuelve un informe. Ejemplo: "¿qué canal trae los leads que más se convierten en venta?".
Recopilar. Reunir datos del sitio, medios pagos, CRM, correo y ventas.
Limpiar y organizar. Estandarizar nombres, eliminar duplicados y definir una fuente única para cada métrica.
Analizar. Segmentar, comparar períodos, cruzar fuentes y buscar el motivo detrás del número.
Visualizar. Armar un panel simple, con pocos indicadores y un responsable para cada uno.
Actuar y medir de nuevo. El análisis solo cuenta cuando cambia una decisión. Después se mide el efecto.

Por dónde empezar

El orden importa, porque cada paso prepara el siguiente.

Elige de 3 a 5 preguntas de negocio. Por ejemplo: de dónde vienen los clientes, cuánto cuesta conseguir uno y qué etapas del embudo pierden más gente.
Define las métricas y quién responde por cada una. Escribe la fórmula. "Lead" debe significar lo mismo para marketing y ventas.
Asegura la recopilación. Instala Google Tag Manager, configura GA4 con los eventos de conversión importantes (formulario, clic en WhatsApp, compra) y respeta el consentimiento del usuario.
Conecta las fuentes. Une sitio, medios y CRM con parámetros UTM estandarizados. Aquí es donde se traba la mayoría de los proyectos.
Arma un panel sencillo. Una página, pocos números y comparación con el período anterior.
Crea una rutina. Una reunión corta y recurrente para mirar los números y decidir una acción.

Herramientas por categoría

No existe la herramienta correcta, sino la combinación que cabe en tu momento:

Recopilación: Google Tag Manager y GA4.
Almacenamiento: hojas de cálculo al inicio, luego un data warehouse como BigQuery.
Transformación: SQL y rutinas de tratamiento.
Visualización: Looker Studio, Power BI o Tableau.
Activación: CRM y automatización, para usar el dato en la comunicación y en los medios.

Errores comunes

Empezar por la herramienta y no por la pregunta.
Medir todo y priorizar nada.
Tener números distintos para la misma métrica en cada área.
No estandarizar las UTM, lo que rompe el origen de los leads.
Ignorar la calidad del dato y confiar en un panel bonito con base errónea.
Entregar un informe sin recomendación de acción.

Cómo saber si está funcionando

Tres señales simples: las áreas coinciden en los números, las decisiones citan los datos y se puede explicar por qué un resultado subió o bajó. Si los informes siguen generando dudas sobre el origen del número, la base todavía necesita trabajo.

Preguntas rápidas

¿Qué es data analytics en una frase?

Es el proceso de convertir datos en información útil para decisiones, pasando por recopilación, organización, análisis y acción.

¿Cuál es la diferencia entre data analytics y BI?

El BI sigue indicadores de forma recurrente, en paneles e informes. Data analytics es más amplio e incluye análisis bajo demanda para responder preguntas específicas, como investigar la causa de una caída.

¿Necesito un data warehouse para empezar?

No. Muchas empresas empiezan bien con GA4, hojas de cálculo y un panel en Looker Studio. El data warehouse tiene sentido cuando crece el volumen o hay que cruzar muchas fuentes.

¿Por dónde empezar una carrera en data analytics?

Por los fundamentos: Excel u hojas de cálculo, SQL, nociones de estadística y una herramienta de visualización. Practicar con datos reales de un negocio acelera más que cualquier curso aislado.

¿Quieres organizar los datos de tu marketing? Lee también SEO, AEO y GEO: la diferencia y por dónde empezar o habla conmigo.