ModelMonkey para Analistas de Datos

ModelMonkey transforma la manera en que trabajan los analistas de datos al habilitar el acceso a datos en autoservicio mediante lenguaje natural. En lugar de escribir consultas SQL o esperar el apoyo del equipo de ingeniería de datos, puedes simplemente describir los datos que necesitas en texto plano.

Esta guía cubre las funciones de ModelMonkey más relevantes para los analistas de datos:

• Consulta bases de datos conectadas sin escribir SQL
• Habilita a los usuarios de negocio para gestionar sus propias solicitudes de datos
• Combina fuentes de datos uniendo datos de hojas de cálculo con bases de datos externas
• Crea visualizaciones y resúmenes directamente en tu hoja de cálculo

Antes de poder consultar datos externos, deberás configurar conexiones a tus bases de datos. ModelMonkey admite:

PostgreSQL
Conéctate a cualquier base de datos PostgreSQL, incluidas Amazon RDS, Google Cloud SQL, Azure Database for PostgreSQL e instancias alojadas por cuenta propia.

Google BigQuery
Conéctate a conjuntos de datos de BigQuery usando una cuenta de servicio para cargas de trabajo de análisis a gran escala.

Una vez conectado, puedes referenciar estas fuentes de datos por nombre en tus solicitudes. Por ejemplo, si nombras tu conexión "Base de Datos de Ventas", puedes decir "Obtén los datos de clientes desde la Base de Datos de Ventas."

Para instrucciones detalladas de configuración, consulta Conexiones de datos externos.

Con tus fuentes de datos conectadas, puedes consultarlas usando texto plano. ModelMonkey traduce tus solicitudes a SQL y devuelve los resultados.

Ejemplos de solicitudes

• "Muéstrame las ventas por región del mes pasado desde nuestra base de datos PostgreSQL"
• "Encuentra los 10 principales clientes por ingresos en BigQuery"
• "Obtén todos los pedidos de los últimos 7 días y agrégalos a mi hoja de cálculo"
• "¿Cuántos usuarios activos tenemos por país?"
• "¿Cuál es el valor promedio de pedido por categoría de producto?"

Cómo funciona

1. Describe los datos que necesitas en lenguaje natural
2. ModelMonkey genera la consulta SQL correspondiente
3. La consulta se ejecuta en tu base de datos conectada
4. Los resultados se devuelven a tu hoja de cálculo o se muestran para revisión

También puedes hacer preguntas de seguimiento para refinar tu consulta: "Ahora filtra eso para mostrar solo las regiones con más de $100K en ventas."

Una vez que tengas datos en tu hoja de cálculo, ModelMonkey puede ayudarte a analizarlos y visualizarlos:

Crear gráficos

• "Crea un gráfico de barras que muestre las ventas por región"
• "Haz un gráfico de líneas de las tendencias de ingresos mensuales"
• "Agrega un gráfico de pastel que muestre la participación de mercado por producto"

Resumir datos

• "Calcula totales y promedios para cada columna"
• "Resume estos datos por categoría"
• "¿Cuáles son los hallazgos clave de este conjunto de datos?"

Agregar cálculos

• "Agrega una columna que calcule el cambio porcentual mes a mes"
• "Calcula el crecimiento año a año para cada producto"
• "Agrega una columna de total acumulado"

Formato y resaltado

• "Resalta las celdas donde el valor supere el promedio"
• "Aplica formato condicional para mostrar a los mejores en verde"
• "Formatea la columna de ingresos como moneda"

Una de las funciones más potentes de ModelMonkey es la capacidad de unir datos de diferentes fuentes en una sola solicitud:

Combinar datos de hojas de cálculo con bases de datos

• "Relaciona los IDs de clientes en mi hoja de cálculo con la tabla de clientes en nuestra base de datos PostgreSQL"
• "Enriquece esta lista con direcciones de correo electrónico desde nuestra base de datos CRM"
• "Agrega datos de tamaño de empresa desde BigQuery a mi lista de prospectos"

Comparación cruzada de documentos
Carga un informe en PDF y compáralo con datos de la base de datos:

• "Compara las cifras trimestrales de este PDF con nuestros números reales en la base de datos"
• "Verifica estos totales de facturas contra nuestra tabla de pedidos"

Agregar datos de múltiples fuentes

• "Combina el análisis web de BigQuery con los datos de ventas de PostgreSQL"
• "Crea una vista unificada de datos de clientes de múltiples bases de datos"

Esto elimina las exportaciones manuales de datos y los flujos de trabajo de copiar y pegar, dándote una única fuente de verdad en tu hoja de cálculo.

Usa nombres de conexión descriptivos
Nombra tus conexiones de base de datos con claridad (p. ej., "Analytics de Producción", "Almacén de Datos de Marketing") para que puedas referenciarlas fácilmente en tus solicitudes.

Empieza con poco, luego expande
Comienza con consultas simples para verificar que estás obteniendo los datos correctos, y luego agrega filtros y agregaciones. Esto ayuda a detectar problemas de manera temprana.

Especifica rangos de fechas
Incluye siempre rangos de fechas en tus solicitudes cuando trabajes con datos de series temporales: "ventas de los últimos 30 días" es más preciso que "ventas recientes."

Guarda las consultas frecuentes
Para las extracciones de datos que usas con frecuencia, mantén una hoja de referencia con ejemplos de prompts que puedas copiar y modificar.

Combina con la carga de archivos
Carga informes en PDF o documentos cuando necesites comparar datos externos con tu base de datos. Esto es especialmente útil para el análisis de variaciones y la conciliación.

Verifica los números críticos
Para decisiones de negocio importantes, comprueba los resultados comparando algunos puntos de datos con tus sistemas de origen.

¿Listo para profundizar? Explora estas funciones relacionadas:

• Conexiones de datos externos — Configura conexiones de PostgreSQL y BigQuery
• Consultas SQL — Escribe SQL personalizado para casos de uso avanzados
• Carga de archivos — Carga archivos PDF para referencias cruzadas
• Edición de hojas de cálculo — Aprende sobre todas las operaciones de hojas de cálculo

Para preguntas sobre configuraciones específicas de bases de datos o patrones de consultas avanzadas, consulta las páginas de documentación detallada vinculadas anteriormente.