File: 'Q1-2026-revenue-by-segment.csv'\nRows: 18 · Columns: month, segment, mrr, customer_count, churn_rate\n\nFull data:\n2025-11, SMB, $42,300, 312, 4.1%\n2025-11, Mid-Market, $128,500, 87, 2.2%\n2025-11, Enterprise, $89,000, 12, 1.0%\n2025-12, SMB, $40,800, 298, 4.8%\n2025-12, Mid-Market, $134,200, 91, 2.0%\n2025-12, Enterprise, $94,500, 13, 0.8%\n2026-01, SMB, $38,100, 281, 5.4%\n2026-01, Mid-Market, $141,800, 95, 1.9%\n2026-01, Enterprise, $98,200, 14, 0.7%\n2026-02, SMB, $35,200, 263, 6.1%\n2026-02, Mid-Market, $148,900, 99, 1.7%\n2026-02, Enterprise, $108,000, 16, 0.5%\n2026-03, SMB, $33,400, 245, 6.8%\n2026-03, Mid-Market, $156,200, 104, 1.5%\n2026-03, Enterprise, $115,500, 18, 0.4%\n2026-04, SMB, $31,200, 228, 7.2%\n2026-04, Mid-Market, $164,400, 109, 1.4%\n2026-04, Enterprise, $122,800, 20, 0.3%\n\nAuto-detected: SMB MRR is declining month-over-month while Mid-Market and Enterprise are growing. Total MRR is growing despite SMB decline. SMB churn rate has nearly doubled over the period.

Summary  
This chapter covers prompt chaining and contextual prompting for analyzing structured data, showing how to load a dataset once and reuse it with different analytical questions.

General domain of usage  
Data analysis

Puedes enviar un archivo CSV a Claude y recibir de vuelta **"El MRR ha aumentado en general."** Inútil. También puedes obtener un análisis conciso en tres líneas que nombra el segmento con problemas, el mes en que comenzó y qué hacer al respecto. Mismos datos – diferente prompt del sistema.

## El cambio de notas a números

Una herramienta que lee notas devuelve prosa. Una herramienta de hojas de cálculo devuelve filas, pero eso solo cambia el **modo de fallo** en lugar de eliminarlo.

| Tipo de entrada | Fallo típico |
|---|---|
| Prosa (notas, documentos) | **Omisión** de elementos |
| Números (hojas de cálculo) | **Repetición** de datos |

Si pides **"resume esta hoja de cálculo"**, obtendrás: **"Los ingresos crecieron, la rotación varió, los clientes fluctuaron."** Todo cierto, pero inútil. El modelo debe **interpretar** los números, no repetirlos.



## Forzar la interpretación

El prompt del sistema en este laboratorio obliga a realizar tres acciones:

1. **Las 3 principales conclusiones** – citando números específicos (meses, segmentos, porcentajes);
2. **Una anomalía destacada** – algo que la mayoría pasaría por alto en una primera revisión;
3. **Una recomendación** – una acción concreta, no una generalidad.

**Conclusión:** los datos estructurados requieren demandas estructuradas. De lo contrario, el modelo se limita a describir educadamente la hoja de cálculo.

## Tarea

>Analiza esta hoja de cálculo de ingresos. ¿Cuáles son las principales tendencias que debería presentar en la reunión de liderazgo de la próxima semana?

Luego profundiza:

>Profundiza en SMB. ¿Qué está impulsando el aumento de la deserción?

>¿Qué pasaría con el MRR total si la deserción de SMB sigue aumentando a este ritmo?

>¿En qué segmento deberíamos enfocarnos para el tercer trimestre?

Cada seguimiento utiliza los mismos datos cargados. Mismos números, diferente perspectiva.

Un curso práctico y accesible para principiantes, diseñado para usuarios empresariales sin formación técnica, que busca comprender y aprovechar herramientas y conceptos de IA en su trabajo diario. El curso abarca conceptos fundamentales de IA, comunicación efectiva con IA, uso práctico de herramientas impulsadas por IA y la creación de asistentes de IA sencillos.

Introducción a la inteligencia artificial, los grandes modelos de lenguaje y el vocabulario esencial de IA para usuarios empresariales.

Aprenda a comunicarse de manera efectiva con sistemas de IA mediante la ingeniería de prompts y la selección de tono.

Explora cómo la IA puede integrarse con herramientas empresariales para la investigación, la toma de notas y el análisis de datos.

Aprenda los conceptos básicos de las personalidades de agentes y cómo construir y ajustar asistentes de IA simples para el trabajo.