Procesamiento y limpieza de datos básicos

2.3 Procesamiento y limpieza de datos básicos

A menudo, los datos extraídos de sistemas operativos no están listos inmediatamente para análisis. Contienen errores, inconsistencias, valores faltantes, duplicados o formatos inconsistentes. Este proceso de "limpieza" de datos es crítico: datos defectuosos generan análisis defectuosos. El adagio en ciencia de datos es: "Garbage in, garbage out". Aunque ChatGPT puede ayudar en algunos aspectos, muchas tareas de limpieza deben hacerse antes en Excel.

Problemas comunes en datos de hostelería

1. Inconsistencias en formatos de fecha

Un problema extremadamente común es que las fechas se almacenan en diferentes formatos: 01/07/2024, 1-7-24, 01-07-2024, July 1, 2024, 2024/07/01. Cuando intentas ordenar o agrupar por fecha, Excel confunde estos formatos.

Ejemplo de problema:

Registro 1: 15/03/2024 (formato DD/MM/YYYY) Registro 2: 15/03/24 (formato DD/MM/YY) Registro 3: 2024-03-15 (formato ISO) Registro 4: March 15, 2024 (formato inglés)

Excel y ChatGPT pueden malinterpretar cuál es la fecha real, especialmente el mes y el día si son menores de 13.

2. Valores nulos o faltantes

A veces faltan datos en ciertos campos. Puede ser una celda en blanco, un guión "—", o la palabra "N/A". Ejemplos:

• Un cliente no tiene correo registrado.
• Una reserva no tiene anotaciones especiales.
• Un producto no tiene información de proveedor.

Si no mantienes consistencia (algunos campos en blanco, otros con "N/A"), los análisis pueden ser confusos.

3. Espacios en blanco extra

Datos capturados manualmente frecuentemente tienen espacios extra al inicio o final de texto:

" Habitación Doble " "Doble " "Habitación Doble"

Aunque parecen iguales visualmente, son técnicamente diferentes. Si quieres contar cuántas veces se vendió "Habitación Doble", estos tres ejemplos se contarían como tres categorías diferentes.

4. Mayúsculas/minúsculas inconsistentes

Similar al anterior: "HABITACIÓN DOBLE" "Habitación Doble" "habitación doble"

Son técnicamente diferentes aunque significan lo mismo. Cause problemas de agrupamiento.

5. Valores duplicados o registros duplicados

A veces el mismo registro aparece dos veces en la base de datos: misma reserva importada dos veces, o mismo gasto registrado accidentalmente dos veces. Esto infla números artificialmente.

6. Valores fuera de rango lógico

Errores de entrada que no tienen sentido: - Una ocupación del 150% (debería ser máximo 100%) - Una edad de cliente de 999 años - Una tarifa negativa - Una habitación que se vende con "cantidad: -5"

7. Caracteres especiales o encoding problemático

Acentos, ñ, o caracteres especiales a veces se guardan mal, especialmente si la base de datos no usa UTF-8. Ejemplo: "José María" se convierte en "Jos Mar", o caracteres chinos aparecen como cajas vacías.

Proceso de limpieza básica en Excel

Paso 1: Estandarizar fechas

En Excel, selecciona la columna de fechas. Usa Formato de Celdas (Ctrl+1) y establece un formato consistente, preferiblemente DD/MM/YYYY. Si hay fechas que Excel no reconoce como fechas, tendrás que convertirlas manualmente usando funciones DATEVALUE o similar.

Paso 2: Limpiar espacios en blanco

Excel tiene una función TRIM que elimina espacios extra al inicio y final. Si tus datos de habitación están en columna A, crea una columna auxiliar B con =TRIM(A1), copia la fórmula hacia abajo, luego copia el resultado y pégalo especial como valores. Finalmente, elimina columna A.

Paso 3: Estandarizar texto (mayúsculas/minúsculas)

Usa PROPER() para convertir a "Formato de Título" o UPPER() para mayúsculas. Por ejemplo: =PROPER(A1) convierte "habitación doble" en "Habitación Doble".

Paso 4: Reemplazar valores nulos

Usa Buscar y Reemplazar (Ctrl+H): - Busca: (déjalo vacío, celda en blanco) - Reemplaza por: N/A o 0 según corresponda Decide conscientemente qué valor utilizar. Si es dinero, usar 0. Si es texto descriptivo, usar "Sin datos".

Paso 5: Detectar duplicados

Excel tiene herramienta de Formato Condicional que puede resaltar duplicados. Ir a: Inicio → Formato Condicional → Resaltar Reglas de Celdas → Valores duplicados. Esto resaltará en rojo registros idénticos que deberías eliminar.

Paso 6: Validar rango lógico

Manualmente, revisa si hay valores imposibles. Si tu ocupación tiene 150%, ese dato es erróneo. Puedes usar fórmulas de validación, pero frecuentemente es más rápido revisar visualmente (especialmente en muestras pequeñas).

Paso 7: Encoding y caracteres especiales

Si ves caracteres extraños, intenta guardar el archivo con codificación UTF-8. En Excel: Archivo → Guardar Como → Tipo: CSV UTF-8 (.csv). Esto generalmente resuelve problemas de acentos.

Validación de datos en Excel

Una función poderosa es Validación de Datos (Datos → Validez). Permite crear reglas que previenen entrada de datos inválidos futuro. Por ejemplo:

• Ocupación: debe ser entre 0% y 100%
• Tipo de habitación: solo valores de lista predefinida (Doble, Individual, Suite)
• Fecha: debe ser posterior a 01/01/2020
• Tarifa: debe ser positiva

Aunque no limpia datos históricos, previene problemas futuros.

Automatización de limpieza con ChatGPT

ChatGPT es útil para algunos aspectos de limpieza, especialmente con datos no estructurados. Ejemplos:

Limpieza de descripciones o comentarios: si tienes 100 descripciones de servicios con inconsistencias, puedes pedirle a ChatGPT: "Estandariza estas descripciones a máximo 50 palabras cada una, en lenguaje profesional". ChatGPT genera versiones limpias.

Detección de anomalías en comentarios**: copias reseñas de clientes y pides "Identifica si alguna contiene información sensible (teléfono, correo, nombre de personal) que debería ser eliminada por privacidad."