Introducción: la pregunta clave
¿Cómo pueden los modelos de lenguaje avanzados (LLM) transformar datos brutos y cifras incomprensibles en historias atractivas y fáciles de entender? La respuesta breve es: con un prompt bien estructurado y las herramientas adecuadas, puedes automatizar todo el proceso de creación de historias basadas en datos, desde la limpieza de los datos hasta la narrativa final.
Por qué el data storytelling es fundamental en 2026
Hoy en día, las empresas generan más datos que nunca, pero el análisis estadístico por sí solo no es suficiente. Una buena historia basada en datos:
- Acelera la toma de decisiones
- Hace que los conocimientos sean comprensibles para todos, incluso para los no técnicos
- Aumenta el compromiso y la memorabilidad de los informes
Los LLM modernos, como Nemotron 3.5 Transcribe y Dessa, ofrecen capacidades únicas que simplifican la creación de narrativas dinámicas y multimodales.
Los nuevos LLM que están cambiando el juego
- Nemotron 3.5 Transcribe
- Dessa
- Hermit
Cómo crear prompts efectivos para el data storytelling
La clave no es la complejidad del modelo, sino la claridad del prompt. Sigue esta estructura:
- Define el objetivo: ¿qué decisión debe tomar el público?
- Identifica al público: nivel técnico, sector, preferencias.
- Elige el formato: texto, diapositivas, audio, visualización interactiva.
- Proporciona los datos: adjunta un archivo CSV, JSON o un URL.
- Solicita la estructura: introducción, evolución, anomalías, previsiones, llamada a la acción.
Ejemplo de prompt(adecuado para Nemotron o cualquier LLM textual):
Analiza el siguiente conjunto de datos de ventas (CSV adjunto) y produce una historia en 3 actos:
1. Introducción: tendencia general y contexto del mercado.
2. Evolución: mes a mes, destacando picos y caídas.
3. Perspectiva futura: 3 conocimientos clave y sugerencias para el próximo trimestre.
Usa un tono profesional, incluye tablas en markdown y sugiere una posible diapositiva para la presentación.
Conjunto de datos:Ejemplo práctico: de un archivo CSV a una historia en 5 pasos
Carga el archivo CSV en un entorno Jupyter. Usa pandas para obtener una primera visión general.
import pandas as pd
import numpy as np
df = pd.read_csv('sales_2026.csv')
print(df.head())
print(df.info())Si tienes entrevistas grabadas con tus clientes, convierte el audio en texto usando Nemotron 3.5 Transcribe.
from transformers import pipeline
asr = pipeline('automatic-speech-recognition', model='NVIDIA/Nemotron-3.5-Transcribe')
result = asr('customer_feedback.wav')
text = result['text']
# Guardar en un JSON para el siguiente paso
import json
json.dump({'transcript': text}, open('feedback.json', 'w'))Usa un LLM (por ejemplo, un modelo de código abierto alojado en Hugging Face) para crear la historia.
from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('meta-llama/Llama-2-7b-chat-hf')
model = AutoModelForCausalLM.from_pretrained('meta-llama/Llama-2-7b-chat-hf')
def generate_story(prompt):
inputs = tokenizer(prompt, return_tensors='pt')
outputs = model.generate(**inputs, max_length=800, num_return_sequences=1)
return tokenizer.decode(outputs[0], skip_special_tokens=True)
prompt = """Analiza el conjunto de datos de ventas adjunto y produce una historia en 3 actos.
Conjunto de datos:
""" + open('sales_2026.csv').read()
story = generate_story(prompt)
print(story)Convierte la historia en audio usando Dessa para una narración atractiva.
import requests
def text_to_speech_dessa(text, voice='professional'):
payload = {'text': text, 'voice': voice}
resp = requests.post('https://api.block.ai/dessa/speech', json=payload)
return resp.content
audio_bytes = text_to_speech_dessa(story)
with open('story.mp3', 'wb') as f:
f.write(audio_bytes)Hermit te permite crear un agente que puede responder preguntas sobre el conjunto de datos, filtrar conocimientos e incluso regenerar la historia con diferentes audiencias.
# Ejemplo de configuración de un agente Hermit
from hermit import HarnessAgent
agent = HarnessAgent(
name='StoryAgent',
tools=['data_loader', 'analyzer', 'generator'],
memory=['sales_2026.csv', 'feedback.json']
)
question = '¿Cuáles son los productos con mayor ROI en el trimestre 3?'
answer = agent.query(question)
print(answer)Tendencias actuales: integrar LLM multimodales en los flujos de trabajo
Las empresas están pasando de pipelines estáticos a bucles de narración dinámicos:
- Flujos de trabajo basados en audio: usa Nemotron para transcribir reuniones, Dessa para generar resúmenes vocales.
- Agentes de datos: Hermit orquesta cargas de trabajo complejas, conectando conjuntos de datos, modelos e interfaces de usuario en una sola historia.
- Prompts ingenierizados: el sector está adoptando plantillas de prompts estructuradas (como el modelo de 5 pasos anterior) para estandarizar la calidad de las historias.
Consejos para la integración
- Empieza con un pequeño prototipo: carga un conjunto de datos, genera una historia y preséntala a tu equipo.
- Usa adaptadores de código abierto (Nemotron, Dessa, Hermit) para mantener el control sobre los datos.
- Documenta cada prompt: los equipos técnicos y no técnicos pueden así replicar y mejorar los resultados.
Errores comunes y cómo evitarlos
- Sobrecarga del prompt: un prompt demasiado largo puede generar respuestas irrelevantes. Divídelo en subtareas.
- Datos de baja calidad: los LLM reflejan la calidad de los datos de entrenamiento. La limpieza y validación son fundamentales.
- Falta de contexto: no especificar el público o el objetivo puede llevar a una narración genérica. Siempre incluye contexto y tono.
Conclusión: transforma los datos en historias poderosas
Próximos pasos:
- Elige un pequeño conjunto de datos (CSV o archivos de audio) y prueba el flujo de trabajo descrito anteriormente.
- Crea una plantilla de prompt que se adapte a tu sector y compártela con tu equipo.
- Explora las funcionalidades de Dessa y Hermit para agregar voz e interactividad a tus historias.
El futuro del data storytelling es ahora, y los LLM son su motor. Empieza a contar historias basadas en datos de forma más rápida, clara y memorable.