Convierte datos sin procesar en un informe ejecutivo con este prompt de IA reutilizable
Why this prompt matters
Raw tables rarely persuade anyone on their own. A structured briefing helps teams spot the real signal faster, avoid talking past each other, and make decisions before a meeting turns into manual spreadsheet narration.
What we use it for
You have a weekly leadership review in 30 minutes and only a rough CSV export from your product, marketing, or operations dashboard.
Prompt
Role: Act as a senior analytics strategist and chief of staff who turns messy operational data into clear executive briefings. Context: I will give you [RAW DATA OR CSV], [METRIC DEFINITIONS], [BUSINESS CONTEXT], [TIME WINDOW], and [TARGET AUDIENCE]. The data may be incomplete, inconsistently formatted, or missing useful labels. Your job is to identify the signal, not just restate the table. Task: Analyze the input and produce a decision-ready executive briefing that explains what changed, what matters, what is uncertain, and what action should be considered next. Constraints: - Use only the information provided. If something important is missing, say so explicitly. - Distinguish observed facts from hypotheses or interpretations. - Quantify changes wherever possible (absolute and percentage change when relevant). - Highlight only the most material trends, anomalies, risks, and opportunities. - Do not flood the reader with every metric. - If the data quality is weak, include a short "data confidence" note. - If useful, ask up to [NUMBER OF FOLLOW-UP QUESTIONS] clarifying questions first, but still provide a provisional briefing. - Keep the tone concise, executive, and specific. Output Format: 1. Executive Summary (5-7 bullet points) 2. Key Trends Table - Metric - What changed - Why it likely matters 3. Anomalies and Red Flags 4. Likely Drivers and Caveats 5. Recommended Actions for [TARGET AUDIENCE] 6. Data Confidence Note Input: - Raw data / CSV: [PASTE DATA HERE] - Metric definitions: [DEFINE THE METRICS] - Business context: [DESCRIBE THE PRODUCT / TEAM / BUSINESS] - Time window: [E.G. LAST 7 DAYS VS PRIOR 7 DAYS] - Target audience: [E.G. CEO, COO, VP GROWTH] - Decision needed: [WHAT DECISION THIS SHOULD SUPPORT] - Follow-up question limit: [E.G. 3]
Result
Executive Summary
- New trial signups fell 14 percent week over week, but the larger issue is lower activation after signup, not just top-of-funnel volume.
- Activation dropped from 42 percent to 34 percent, which means the business lost conversion efficiency at the point where value should become visible to a new user.
- Paid acquisition spend increased 11 percent while cost per activated user rose 32 percent, suggesting recent campaign mix is sending weaker traffic or landing-page intent is mismatched.
- Expansion revenue grew 9 percent and churn stayed mostly flat, so this does not look like a broad product failure. The pressure is concentrated in new-user onboarding.
- Support tickets mentioning import errors increased 38 percent in the same period. That is the strongest operational clue in the dataset.
- Immediate focus should shift from buying more traffic to verifying whether onboarding friction is suppressing activation.
Key Trends Table
Trial signups: 8,420 → 7,241 (-14.0%). This matters because top-of-funnel volume is softening, but the decline is not severe enough by itself to explain the full revenue risk.
Activation rate: 42% → 34% (-8 points / -19.0%). This is the most material movement in the dataset because it directly affects pipeline quality for paid conversion.
Paid media spend: $118,000 → $131,000 (+11.0%). Spend rose while activation quality fell, reducing efficiency.
Cost per activated user: $33.40 → $44.10 (+32.0%). This indicates deteriorating unit economics in acquisition.
Support tickets tagged “import error”: 211 → 291 (+37.9%). This likely points to onboarding friction that deserves immediate product and support review.
Anomalies and Red Flags
The support-ticket jump is too closely timed with the activation decline to ignore. The most plausible explanation is that a product, integration, or UX issue is interrupting account setup. A secondary possibility is traffic quality degradation from a new paid campaign, but current data supports the onboarding-friction hypothesis more strongly.
Likely Drivers and Caveats
The dataset does not include landing-page breakdowns, device segmentation, or release notes, so the root cause is not confirmed. However, the numbers are directionally consistent with a setup bottleneck rather than pure demand weakness.
Recommended Actions
1. Audit onboarding flows and import logs from the last 7 days.
2. Pull campaign-level activation quality before increasing paid budget.
3. Ask support to classify the import-error spike by integration, browser, and account type.
4. Prepare a follow-up readout within 24 hours with segmented activation data.
Data Confidence Note
Confidence is moderate. The trend is clear, but root-cause certainty is limited because the export lacks segmentation and product release context.
La mayoría de los equipos no tienen problemas para recopilar datos. Su dificultad está en convertir una exportación en bruto en algo que el equipo directivo pueda usar rápido. Ese es el vacío que este prompt busca llenar. En lugar de pedirle a un modelo de IA que simplemente "analice este CSV", le asigna un rol claro, contexto de negocio, objetivo de decisión y una estructura de salida, para que el resultado se lea como un informe ejecutivo y no como un chorro de observaciones.
La tesis central es simple: los prompts de análisis mejoran cuando dejas de tratar al modelo como una calculadora y empiezas a tratarlo como un analista que escribe para una audiencia concreta. Los ejecutivos no necesitan que les repitan cada número. Necesitan la señal: qué cambió, qué importa, qué es incierto y qué decisión está sobre la mesa.
Para qué está diseñado este prompt
Este prompt funciona mejor cuando tienes una tabla aproximada, una exportación de hoja de cálculo, un copia-pega de un dashboard o una instantánea de KPIs y necesitas informar a un manager, fundador, cliente o responsable de operaciones. Obliga al modelo a organizar la información en cinco capas útiles: un breve resumen ejecutivo, las tendencias más importantes, las anomalías que merecen investigación, las probables implicaciones de negocio y una lista práctica de acciones.
Esa estructura es importante porque la mayoría de los prompts con datos en bruto fallan de dos maneras. O producen un muro de estadísticas descriptivas sin valor de decisión, o saltan demasiado rápido a recomendaciones sin dejar claro qué números son hechos y qué afirmaciones son interpretación. Este prompt fuerza al modelo a separar la evidencia de la inferencia. Eso hace que el resultado sea más fácil de confiar y también de cuestionar.
Por qué el prompt usa Rol, Contexto, Tarea, Restricciones y Formato de Salida
La sección de Rol le dice al modelo que se comporte como un estratega sénior de analytics y jefe de gabinete, no como un chatbot genérico. Eso cambia el tono y las prioridades. Quieres que el modelo piense en tradeoffs, sensibilidad de la audiencia y utilidad para la toma de decisiones.
La sección de Contexto le da las condiciones operativas: la empresa, el modelo de negocio, la audiencia, el periodo de reporting y las definiciones detrás de los números. Sin eso, incluso un modelo capaz puede malinterpretar una caída en conversión, reaccionar de más a la estacionalidad o no captar la diferencia entre una campaña puntual y un cambio estructural.
La sección de Tarea define el trabajo real. No dice "resume los datos". Dice "produce un informe ejecutivo listo para decidir". Esa redacción importa. Le indica al modelo que optimice por claridad y capacidad de acción, no por exhaustividad.
La sección de Restricciones es donde ocurre el salto de calidad. Le dice explícitamente al modelo que cuantifique los cambios, señale información faltante, distinga los hechos observados de las hipótesis y evite inventar certezas. En flujos de reporting reales, esa es la diferencia entre algo que puedes reenviar y algo que necesitas reescribir desde cero.
Finalmente, el Formato de Salida le da al lector una plantilla reutilizable. Un buen prompt no solo crea una respuesta sólida; crea un patrón de reporting consistente que tu equipo puede usar cada semana.
Dónde es especialmente útil este prompt
Es ideal para revisiones semanales de negocio, resúmenes del equipo de growth, tendencias de soporte al cliente, reporting de operaciones de marketplace, instantáneas financieras o chequeos de KPIs de producto. También es útil cuando los datos están incompletos. El prompt instruye al modelo para que señale puntos ciegos y aún así genere una lectura provisional, que suele ser justo lo que los equipos necesitan antes de una reunión.
Es menos útil cuando necesitas pruebas estadísticas formales, controles financieros o interpretación regulatoria de dominio específico. En esos casos, el prompt sigue siendo valioso como capa de briefing inicial, pero no debe reemplazar a un analista, contable o operador que sea dueño de los números.
Cómo obtener mejores resultados
Tres ediciones mejoran el resultado de inmediato. Primero, define la audiencia con precisión: "COO", "VP Growth" o "director de servicios al cliente" es mejor que "liderazgo". Segundo, incluye definiciones de métricas cuando los nombres sean ambiguos. Tercero, dile al modelo qué decisión está pendiente. Si el lector está eligiendo entre reasignación de presupuesto, pausa de campaña o retirada de producto, las recomendaciones se vuelven mucho más afiladas.
Lo mejor de este prompt es que escala tanto hacia abajo como hacia arriba. Un fundador puede pegar una tabla aproximada y obtener un memo claro. Un equipo más grande puede integrar la misma estructura en flujos de reporting recurrentes. En ambos casos, el valor es el mismo: menos tiempo convirtiendo exportaciones en prosa, y más probabilidades de que la persona correcta note la señal correcta antes de que empiece la próxima reunión.