Cómo crear historias de datos con los LLM: ejemplos de ingeniería de prompts

Cómo transformar datos brutos en narrativas atractivas con los LLM

Eldata storytellingya no es una novedad: en 2026, losLLM(Large Language Models) permiten transformar conjuntos de datos complejos en historias comprensibles y atractivas en cuestión de segundos. Esta guía práctica te muestra cómo hacerlo paso a paso, con prompts listos para usar y ejemplos de código reales.

Por qué el data storytelling con LLM es fundamental hoy en día

El panorama en 2026: memoria continua y confianza

Las últimas novedades del sector destacan dos tendencias clave:

• Google Cloud Always-On Memory Agent: un servicio que combina memoria y razonamiento en un único proceso en ejecución, eliminando la necesidad de pipelines RAG separados.
• La brecha de contexto de la IA: las empresas tienen dificultades para confiar en el contexto proporcionado a los agentes, más que para recuperar su cantidad.

Estos avances hacen que los LLM sean ideales para el data storytelling, ya que pueden mantener el hilo lógico de un conjunto de datos y adaptarlo a diferentes audiencias.

Pasos prácticos para transformar los datos en narrativas

1. Define el objetivo y el público

Antes de escribir cualquier prompt, responde a estas preguntas:

• ¿Qué decisión debería guiar la historia?
• ¿Quién la leerá (técnico, ejecutivo, público general)?
• ¿Cuál es el nivel de detalle apropiado?

2. Prepara tus datos para los LLM

Incluso los LLM más avanzados funcionan mejor cuando los datos están bien estructurados:

• Convierte archivos CSV o Excel en JSON o pandas DataFrame.
• Elimina columnas innecesarias y normaliza los nombres.
• Añade notas contextuales (fuente de datos, metodología).

3. Escribe prompts efectivos: la fórmula

Usa una estructura de tres partes que los LLM gestionan fácilmente:

• Instrucción del sistema: el tono y formato deseados.
• Mensaje del usuario: los datos brutos y la solicitud.
• Ejemplos: uno o dos casos de salida esperados.

4. Ejemplo práctico con LangChain

A continuación se muestra unnotebooklisto para usar que lee un archivo CSV, lo transforma en una historia y la imprime.

# Instala las dependencias necesarias
# pip install langchain openai pandas

import pandas as pd
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage

# 1️⃣ Cargar los datos
df = pd.read_csv('ventas_mensuales.csv')

# 2️⃣ Preparar el contexto (opcional pero recomendable para los LLM más recientes)
context = df.to_dict(orient='records')

# 3️⃣ Definir el prompt del sistema (tono y formato)
sistema = SystemMessage(
    content=(
        "Eres un analista experto en data storytelling. "
        "Escribe una historia concisa y atractiva en italiano, adecuada para ejecutivos no técnicos. "
        "Usa viñetas para resaltar tendencias y sugerencias. "
        "Incluye un resumen ejecutivo de máximo 3 frases al principio."
    )
)

# 4️⃣ Prompt del usuario: envía los datos brutos + la solicitud
utente = HumanMessage(
    content=(
        f"Datos de ventas mensuales: {context}.\n\n"
        "Por favor, genera una historia que destaque:\n"
        "1. Tendencias de crecimiento o declive por producto.\n"
        "2. Picos estacionales.\n"
        "3. Sugerencia estratégica para el próximo mes."
    )
)

# 5️⃣ Generar la historia
llm = ChatOpenAI(model='gpt-4-turbo', temperature=0.3)
 respuesta = llm([sistema, utente])
print(respuesta.content)

Ejemplo de flujo de trabajo: de CSV a relato

Supongamos que tenemos un archivosoldi.csvcon columnasmes, producto, importe_venduto. El siguiente snippet automatiza todo el proceso:

import pandas as pd
from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate

# Cargar los datos
df = pd.read_csv('ventas.csv')

# Plantilla de prompt
prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(
        "Eres un narrador de datos experto. Escribe en italiano, tono profesional, usa viñetas."
    ),
    HumanMessagePromptTemplate.from_template(
        "Analiza el siguiente conjunto de datos de ventas mensuales:\n{dataset}\n\n"
        "Proporciona:\n1. Resumen ejecutivo (3 frases)\n2. Principales tendencias\n3. Sugerencia estratégica"
    )
])

# Compilar el prompt
chain = prompt | ChatOpenAI(model='gpt-4-turbo')
story = chain.invoke({'dataset': df.to_string()})
print(story.content)

Herramientas y plataformas de 2026 que apoyan esta tarea

Integración con los LLM más recientes

• Always-On Memory Agent de Google Cloud: mantiene el contexto de la conversación activa, ideal para historias interactivas que evolucionan con el tiempo.
• Plataformas de IA para el contexto: abordan la brecha de contexto de la IA proporcionando pasos de confianza verificados antes de que los datos lleguen al LLM.
• Nokia AI-RAN: muestra cómo los LLM pueden ejecutarse en hardware edge, allanando el camino para historias en tiempo real a partir de sensores IoT.

Al elegir una herramienta, evalúa lo siguiente:

• El soporte para memoria continua (por ejemplo, Always-On Memory Agent).
• Los niveles de confianza del contexto y las opciones de auditoría.
• La compatibilidad con hardware edge (como AI-RAN de Nokia) para una latencia ultra-baja.

Errores comunes y cómo evitarlos

• Dar demasiados datos brutos al LLM: limita el prompt a un subconjunto de filas o columnas clave.
• Desatender al público: una historia técnica no funciona para los ejecutivos. Define el tono con antelación.
• Ignorar el contexto: usa siempre una breve nota explicativa de los datos antes del prompt principal.

Conclusión: 5 acciones concretas para empezar ahora mismo

1. Selecciona un conjunto de datos pequeño (por ejemplo, datos de ventas mensuales de un producto) y conviértelo en JSON.
2. Escribe un prompt de sistema que defina el tono y el formato (usa el modelo de tres partes anterior).
3. Ejecuta el prompt a través de LangChain o OpenAI completions para generar la primera historia.
4. Itera: añade más datos, modifica el prompt para enfatizar tendencias o sugerencias diferentes.
5. Documenta el flujo en un notebook reutilizable para el próximo conjunto de datos.

Conclusión

En 2026, los LLM hacen que el data storytelling sea accesible para cualquiera que disponga de datos estructurados. Aprovechando el engineering de prompts efectivo y las funcionalidades de memoria continua ofrecidas por plataformas como el Always-On Memory Agent de Google Cloud, puedes transformar números brutos en narrativas atractivas que guían decisiones, convencen a los stakeholders y aceleran el proceso de toma de decisiones. Comienza con un pequeño conjunto de datos, aplica la fórmula del prompt y observa cómo tus datos cobran vida.