Solución — Laboratorio 2: Dashboards por Nivel Organizacional y Auditoría de Calidad
Semana 2 · W02 · Unidad 1 · Big Data y Analytics · Universidad San Sebastián
Documento de uso exclusivo del docente. No distribuir a estudiantes antes de que completen el laboratorio.
1 Parte A: Tres Dashboards, Tres Usuarios
1.1 Preguntas de reflexión — Respuestas esperadas
1. ¿Qué columnas son relevantes para Sofía pero irrelevantes para Roberto?
| Columna | Sofía (Operativa) | Roberto (Estratégica) |
|---|---|---|
order_id |
Relevante — identifica cada pedido | Irrelevante — nivel transaccional |
region |
Relevante — su zona de despacho | Relevante — pero agregado, no individual |
fecha (exacta) |
Relevante — necesita el día exacto | Irrelevante — ve mes o trimestre |
nombre_producto |
Relevante — sabe qué entregar | Irrelevante — ve categorías |
venta_neta |
Irrelevante — no necesita $ por pedido | Relevante — KPI financiero |
margen_pct |
Irrelevante — no es su decisión | Relevante — KPI de rentabilidad |
2. ¿Por qué el mismo dato “total de ventas” se muestra de forma distinta?
El dato numérico es el mismo (suma de venta_neta), pero la granularidad y el contexto cambian: - Sofía no lo ve — no es información que necesite para operar. - Juan lo ve desglosado por semana y categoría — para identificar tendencias y anomalías. - Roberto lo ve como un único número mensual comparado contra una meta — para tomar decisiones estratégicas.
Esto ilustra que la información útil no depende solo del dato, sino del destinatario y la decisión que debe tomar.
3. ¿Qué tipo de SI corresponde a cada vista?
| Vista | Tipo de SI | Justificación |
|---|---|---|
| Sofía (Página 1) | TPS (Transaction Processing System) | Gestión de operaciones del día, registro de transacciones individuales |
| Juan (Página 2) | DSS / BI (Decision Support System / Business Intelligence) | Análisis de tendencias para apoyar decisiones tácticas |
| Roberto (Página 3) | EIS (Executive Information System) | KPIs estratégicos en un vistazo para decisiones de alto nivel |
2 Parte B: Auditoría de Calidad y CMI
2.1 Paso 2: Tabla de problemas de calidad — Respuesta completa
El archivo techstyle_customers_dirty.csv contiene los siguientes problemas documentados:
| Columna | Problema encontrado | Dimensión de calidad | KPI afectado |
|---|---|---|---|
email |
41 filas con email vacío (campo nulo) | Completitud | CRM – segmentación, campañas de marketing |
region |
“RM”, “Metropolitana”, “Santiago” representan la misma región; variantes inconsistentes | Consistencia | Ventas por región — agrupa mal las métricas |
email |
Algunos correos con formato inválido (sin dominio completo) | Exactitud | Tasa de rebote en campañas de email |
region |
10 filas con región vacía (campo nulo) | Completitud | Análisis geográfico de clientes |
segmento |
Verificar si los valores son exactamente ‘Premium’, ‘Estándar’, ‘Básico’ sin variantes | Consistencia | Segmentación de clientes para campañas |
fecha_registro |
Formato de fecha puede variar entre filas (DD/MM/YYYY vs. texto) | Consistencia | Cálculo de antigüedad del cliente |
nombre / apellido |
Posibles inconsistencias de capitalización (FLORES vs. Flores) | Consistencia | Reportes y comunicaciones formales |
Para el docente: Los estudiantes deben encontrar al menos 5 problemas. La tabla anterior contiene 7 posibles respuestas válidas. Aceptar cualquier combinación de 5 bien justificada.
2.2 Paso 3: Transformaciones en Power Query — Guía de implementación
Transformación 1 — Estandarizar capitalización de nombres:
Seleccionar columna 'nombre' → Transformar → Formato → Poner en mayúsculas cada palabra
Seleccionar columna 'apellido' → Transformar → Formato → Poner en mayúsculas cada palabraTransformación 2 — Estandarizar la columna ‘region’:
1. Transformar → Formato → Mayúsculas (normalizar todo a mayúsculas)
2. Reemplazar valores:
"RM" → "Metropolitana"
"SANTIAGO" → "Metropolitana"
"REGIÓN METROPOLITANA" → "Metropolitana"
3. Poner en mayúsculas cada palabra para formato finalTransformación 3 — Eliminar filas con email vacío:
Filtrar columna 'email' → Desmarcar "(null)" y "" (vacío)
→ Resultado: 41 filas eliminadas (de 205 a ~164 clientes con email válido)Transformación 4 (adicional) — Recortar espacios:
Seleccionar todas las columnas de texto → Transformar → Formato → Recortar2.3 Paso 4: CMI TechStyle — Construcción en Power BI
Medidas necesarias (crear en Power BI con DAX):
-- Perspectiva Financiera
Total Ventas Mes =
CALCULATE(
SUM(techstyle_orders[venta_neta]),
MONTH(techstyle_orders[fecha]) = MONTH(TODAY()),
YEAR(techstyle_orders[año]) = YEAR(TODAY())
)
-- Perspectiva Cliente
Clientes Unicos Mes =
CALCULATE(
DISTINCTCOUNT(techstyle_orders[cliente_id]),
MONTH(techstyle_orders[fecha]) = MONTH(TODAY())
)
-- Perspectiva Aprendizaje
Nuevos Clientes Mes =
CALCULATE(
COUNTROWS(techstyle_customers_dirty),
MONTH(techstyle_customers_dirty[fecha_registro]) = MONTH(TODAY()),
YEAR(techstyle_customers_dirty[fecha_registro]) = YEAR(TODAY())
)Visualizaciones del CMI:
| Perspectiva | KPI | Columna fuente | Visualización | Resultado esperado |
|---|---|---|---|---|
| Financiera | Ventas totales del mes | venta_neta (orders) |
Tarjeta | Varía según mes seleccionado |
| Cliente | Clientes únicos del mes | cliente_id (orders, distintos) |
Tarjeta | Número de clientes activos |
| Procesos | Margen promedio por categoría | margen_pct + categoria |
Gráfico de barras | Accesorios 68,9% / Ropa 64,7% / Hogar 63,2% / Electrónica 57,4% |
| Aprendizaje | Nuevos clientes registrados | fecha_registro (customers) |
Tarjeta | Clientes nuevos del mes |
2.4 Pregunta final — ¿Cuál KPI está afectado por los problemas de calidad?
KPI más afectado: “Clientes únicos del mes” (Perspectiva Cliente)
- Los 41 registros con email vacío representan aproximadamente un 20% de la base de clientes.
- Si un mismo cliente aparece varias veces con variantes de región (“RM” y “Metropolitana”), las segmentaciones geográficas del CMI mostrarán datos incorrectos.
- Antes de la limpieza: el conteo de clientes únicos puede estar inflado por duplicados y la segmentación por región fragmentada.
- Después de la limpieza: los conteos son más precisos y la vista por región está consolidada.
Punto pedagógico clave: Un KPI construido sobre datos sucios produce una ilusión de información. La decisión de Roberto basada en ese CMI podría ser incorrecta. La calidad de datos no es un problema técnico — es un problema de negocio.
3 Criterios de evaluación — Rúbrica de corrección
| Criterio | Puntaje máximo | Indicadores de logro |
|---|---|---|
| 3 dashboards diferenciados | 30 pts | Cada página tiene visualizaciones apropiadas al nivel (operativo/táctico/estratégico), usa los campos correctos, tiene filtros funcionales |
| Tabla de calidad (5 entradas) | 25 pts | Cada entrada identifica columna, problema concreto, dimensión de calidad (exactitud/completitud/consistencia/oportunidad) y KPI afectado |
| Limpieza Power Query (3+ transf.) | 25 pts | Transformaciones aplicadas y visibles en “Pasos aplicados”; datos resultantes son coherentes |
| CMI con 4 KPIs | 20 pts | Las 4 perspectivas del BSC representadas; respuesta a la pregunta final muestra comprensión del impacto de calidad |