Análisis de datos con IA: de cero a dashboard con Claude Code.

El workflow completo: Spotify, Claude Code y lo que salió mal en dos horas.

Este domingo hice un livestream analizando mis datos de Spotify con agentes de inteligencia artificial. Dos horas, desde cero, y terminamos con un dashboard que cuenta mi año en música mejor de lo que yo hubiera podido en una semana.

Si ya sabes analizar datos, si ya sabes un poco de Python o de visualización, la inteligencia artificial multiplica lo que puedes hacer. No lo reemplaza. Y no hablo de pedirle a ChatGPT que te explique como hacer join dos DataFrames. Hablo de tener un agente en tu terminal que lee tus archivos, escribe código, lo ejecuta, y te entrega resultados mientras tú le vas dando dirección.

Abajo está el video, el workflow completo, y las herramientas.

La tesis: IA como herramienta, no como magia

Hay mucho hype sobre IA. También hay mucho miedo. La realidad es más aburrida y más útil:

Los LLMs alucinan. No opera de forma determinista. Si le preguntas lo mismo dos veces, puede darte respuestas diferentes. Eso los hace poco confiables para análisis de datos... si los usas mal.

Pero producen código. Y el código sí opera de forma determinista. Puedes revisarlo, probarlo, guardarlo, reutilizarlo.

Entonces la movida no es pedirle a Claude que “analice tus datos” y confiar ciegamente en lo que dice. La movida es usarlo como un junior coworker muy rápido que:

• Escribe el boilerplate que te da flojera

• Sugiere perspectivas que no se te habían ocurrido

• Ejecuta y debuggea mientras tú diriges

Tú sigues siendo el experto. Tú decides qué preguntas hacer. Tú verificas que el código tenga sentido. Pero llegas 10x más lejos en el mismo tiempo.

En mayo de 2025 se liberó Claude Code y mi productividad finalmente alcanzó a mi creatividad. En las primeras seis semanas llevé más lejos más proyectos que en los últimos seis años. Las habilidades que no tenía dejaron de ser barreras. Volví a escribir para tacos de datos y pude mantener consistencia, porque por fin el output podía acercarse a lo que tenía en la cabeza.

Lo que construimos (el ejemplo)

Usé mis datos de Spotify como ejemplo porque:

• Son datos reales, personales, interesantes

• Tienen estructura simple (JSON con timestamps y tracks)

• Cualquiera puede obtener los suyos y seguir el proceso

El resultado fue un dashboard interactivo con:

• Métricas agregadas (minutos, artistas, canciones)

• Distribución de géneros (via API de Spotify)

• Heatmap de actividad por hora × mes

• Narrativa personal basada en los datos

Pero el dashboard no es el punto. El punto es cómo llegamos ahí y qué tan rápido.

Nuestro dashboard Spotify Wrapped brutalista y personal

Herramientas

• Claude Code: Agente de IA en la terminal, lee archivos, escribe código y ejecuta scripts

• Python + uv: Manejo de entornos, uv es rapidísimo

• Spotify API: Metadata de artistas (géneros)

• Observable Plot: Paquete de visualización de datos en javascript

• Monologue: Speech-to-text para dictar instrucciones

Por qué speech-to-text importa

Dictando le das muchísimo más contexto a Claude que escribiendo. Hablas más rápido, explicas más, y esa explicación extra se traduce en mejores resultados.

No es obligatorio, pero ayuda muchísimo.

El workflow

1. Estructura primero

Antes de tocar los datos, le pedí a Claude que creara una estructura de proyecto y actualizara la documentación.

¿Por qué? Porque si Claude sabe dónde guardar las cosas, guarda los scripts en vez de solo ejecutarlos y perderlos. Y si guarda los scripts, yo puedo revisarlos después.

proyecto/
├── data/
├── scripts/      # <- aquí van los scripts, guardados
├── outputs/
└── CLAUDE.md     # <- contexto que Claude carga cada sesión

2. Empezar simple para validar

Las primeras métricas fueron obvias: total de minutos, top artistas, top canciones.

No porque sean interesantes, sino porque ya sé cuáles deberían ser los resultados. Es una prueba de sanidad. Si el análisis #1 está mal, todo lo demás está mal.

3. Extender con APIs externas

El historial de Spotify no incluye géneros. Solo tracks y artistas.

Le dije a Claude: “necesito los géneros, creo que están en la API de Spotify, ¿me ayudas a conectarla?”

Claude:

1. Me preguntó si tenía credenciales

2. Me explicó cómo obtenerlas

3. Escribió el script para autenticar y hacer requests

4. Manejó los rate limits

Yo no memoricé la documentación de la API de Spotify. Claude la buscó, la interpretó, y escribió el código. Yo lo revisé y lo ejecuté.

4. La técnica de “entrevístame”

Cuando quise construir el dashboard, en vez de describir exactamente qué quería, le dije:

“Quiero crear un dashboard interactivo. Hazme 5 preguntas para definir mejor el proyecto.”

Las preguntas que hizo:

• ¿Cuál es el objetivo principal del dashboard?

• ¿Qué tan interactivo quieres que sea?

• ¿Tienes alguna referencia visual que te guste?

• ¿Qué historia quieres contar?

• ¿Hay alguna restricción técnica o preferencia?

Esto me forzó a pensar qué quería antes de construir. Y le dio a Claude el contexto para hacerlo bien desde el inicio.

Tip: Si no sabes exactamente qué quieres, pídele que te entreviste. Es más rápido que iterar 10 veces sobre algo mal definido.

5. Sub-agentes en paralelo

Quería mejorar las visualizaciones usando principios de expertos en dataviz: Edward Tufte, Georgia Lupi, Alberto Cairo.

En vez de investigar yo y luego explicarle a Claude, le pedí que creara sub-agentes en paralelo, cada uno investigando a un experto y generando críticas del dashboard actual.

Cada sub-agente gastó ~70,000 tokens. Si lo hubiera hecho en la misma conversación, habría llenado mi ventana de contexto y perdido información temprana.

El resultado: Críticas específicas y accionables desde tres perspectivas diferentes.

Estos tres representan cómo pienso sobre dataviz. Tufte es eficiencia: cada elemento tiene que ganarse su lugar. Cairo ve la visualización como lenguaje con dialectos: el estadístico (¿es preciso?), el periodístico (¿es honesto?), el de diseño (¿captura la atención?). Y Lupi es data humanism: los datos son personas con vidas. ¿Cómo hago que esto tenga impacto?

Un ejemplo: Mega Drive de Geassassin fue mi canción más escuchada. 400 minutos, 97 reproducciones. El número no dice nada. Pero yo sé que Geassassin tiene un flow del norte de México sin cambiar su slang. Y Fntxy, el segundo artista en la canción, es de Tijuana y rapea en Spanglish con referencias a mi ciudad. Es productividad, nostalgia, y futuro en una sola canción. Me ayuda a concentrarme, me recuerda de dónde vengo, y me hace pensar a dónde voy. Eso es lo que Lupi llama data humanism: el dato es humano, no solo número.

Yo tengo estos conceptos internalizados porque he trabajado en esto, he dado cursos. Pero no puedo tenerlo todo en la cabeza al mismo tiempo: el código que extrae los datos, el código que construye el dashboard en vanilla HTML, el CSS para que se vea brutalista, y además la teoría de dataviz.

Y aquí es donde la IA se vuelve frictionless. Doble clic en mi tecla Option, le dicto “investiga qué dirían Tufte, Lupi, y Cairo sobre esto”, y mientras el agente hace eso, yo pienso en el contexto humano. Cuando me dice “algo pasó en mayo” yo le puedo explicar qué. La fricción es tan baja que puedo pensar en las preguntas correctas en vez de en la implementación.

6. Cachando errores en vivo

Alberto Cairo (via el sub-agente) me hizo notar que estaba comparando 5 días de semana contra 2 días de fin de semana sin normalizar. Obviamente la semana iba a tener más horas totales.

También noté que el dashboard destacaba mayo como el mes más activo, pero los datos mostraban que noviembre era el pico real.

Esto es exactamente el punto: Claude no cachó estos errores por sí solo. Los cachamos porque yo tenía el contexto y las herramientas (en este caso, la perspectiva de Cairo) para cuestionarlo.

La IA acelera. Pero tú sigues siendo el control de calidad.

Lecciones (y lo que salió mal)

1. El análisis #100 llega mucho más rápido

Los primeros tres o cuatro análisis, probablemente te tardas lo mismo haciéndolos tú que dictándoselos a Claude.

Pero una vez que tienes el setup, que Claude entiende tu proyecto, que los scripts están guardados, el análisis #50, el #100, llegan en segundos.

Lo que funcionó: uv para Python. Setup en segundos, sin dramas de environments.

2. Guarda todo

Si Claude solo ejecuta código y lo pierde, no puedes verificar qué hizo. Configura tu proyecto para que guarde scripts en un folder específico.

Bonus: Al final de cada sesión, hago que Claude escriba un session summary: qué hicimos, qué aprendimos, qué quedó pendiente. Eso hace que la siguiente sesión arranque más rápido.

3. Dicta contexto, no solo instrucciones

“Hazme un heatmap” es una instrucción pobre.

“Quiero ver cómo cambia mi actividad musical por hora del día a lo largo del año, porque sospecho que después de mayo cambió mi patrón de trabajo y quiero ver si se refleja en la música” le da a Claude el por qué, y el resultado va a ser mejor.

Lo que funcionó: La técnica de “entrevístame”. En vez de describir exactamente qué quería, le pedí que me hiciera preguntas. Mejor definición desde el inicio.

4. Sub-agentes para tareas de investigación

Si necesitas que Claude investigue algo a fondo, hazlo en un sub-agente. Preserva tu contexto principal para el trabajo real.

Cada sub-agente en el stream gastó ~70,000 tokens investigando a Tufte, Lupi, y Cairo. Si lo hubiera hecho en la misma conversación, habría llenado mi ventana de contexto.

5. Tú eres el experto, Claude es el multiplicador

Claude puede escribir código, investigar, y ejecutar. Pero no sabe qué preguntas hacer. Eso lo pones tú.

Lo que NO funcionó: Asumí que los datos que había descargado tenía todo mi historial. Solo trae ~1 año. Claude cargó los datos correctamente y me mostró las estadísticas. Técnicamente, todo funcionó. Pero como yo sé que he escuchado música por años, pude cachar que algo no cuadraba. (Fui y descargué los datos correctos).

También noté que el dashboard destacaba mayo como el mes más activo, pero los datos mostraban que noviembre era el pico real. Claude no cachó ese error. Yo sí.

Ese nivel de atención sigue siendo necesario.

Lo que sigue

Estoy planeando otro livestream donde voy más a fondo. Quiero obtener las métricas enriquecidas por track que Spotify tiene (positividad, tempo, energía, el tono) y ver qué más puedo descubrir.

También quiero hacer más análisis temporal: ¿cómo se ven mis lunes en enero comparados con julio? ¿Qué cambió después de mayo cuando todo explotó? Esas cosas.

Hazlo tú mismo

El punto no es que hagas exactamente lo que hice yo con datos de Spotify. El punto es el workflow:

1. Estructura tu proyecto para que Claude guarde lo que produce

2. Empieza simple con análisis que puedas verificar

3. Extiende conectando APIs, agregando complejidad

4. Usa sub-agentes para investigación pesada

5. Cuestiona los resultados. Tú eres el control de calidad.

Si quieres practicar con Spotify:

• Pide tus datos en la sección de privacidad de Spotify → Extended Streaming History

• Mira el video (tiene capítulos en YouTube)

Cierre

La inteligencia artificial no reemplaza saber analizar datos. Lo multiplica.

Si no sabes qué preguntas hacer, Claude no te va a salvar. Pero si ya tienes la intuición, si ya sabes qué buscar, si ya entiendes qué hace un buen gráfico, Claude te deja llegar ahí en una fracción del tiempo.

Hace años que mi creatividad iba más rápido que mi capacidad de ejecutar. Tenía ideas pero no las terminaba. Ahora por fin puedo.

La pregunta ya no es si puedo hacer algo. Es qué construyo primero.

¿Y tú?

---

¿Te sirvió esto? Suscríbete a tacosdedatos.com para más sobre IA + datos.