Unidad 2 - Taller 6: la base que llegó del sistema

Taller práctico evaluable · Semana 6 · 06278-ECO

Autor/a

PhD. Eduard F. Martínez-González

1 Instrucciones generales

El caso: Ferretería El Tornillo, con 4 sedes (Norte, Sur, Centro y Palmira), quiere su primer reporte de ventas del cuatrimestre. El área de sistemas te exporta la base tal como sale, sin que nadie la haya revisado. El gerente te dice:

“Ahí está todo. Necesito saber cuál sede vende más y qué producto jalona. Es para mañana.”

Tú ya sabes lo que él no sabe: que si corres ese reporte sobre la base como está, el número va a salir perfecto y equivocado. Antes del reporte va el diagnóstico.

Cómo funciona este taller

  • Es individual y evaluable, y se desarrolla en el tiempo restante de la clase (⏱️ diseñado para ≈ 50 minutos).
  • Se resuelve sin la guía del profesor: todo lo necesario está en este documento, en la práctica y en la teoría. El profesor solo atiende dudas logísticas.
  • Herramienta: RStudio, dentro de tu proyecto intro_ba.

Los datos: descarga 📄 ferreteria_raw.csv y guárdalo en la carpeta data/ de tu proyecto. Tiene 7 columnas: sede, mes, producto, categoria, precio, unidades y observaciones.

El entregable son tres archivos (si Intu solo acepta uno, comprímelos en un .zip):

  • 📄 apellido_nombre_taller6.R — el script con todos los puntos, comentado, incluida el acta de limpieza.
  • 📊 ferreteria_clean.csv — tu dataset analysis-ready exportado.
  • 🖼️ El gráfico del Punto 4, exportado con ggsave() como .png.
  • 📤 Entrega: en el espacio habilitado en Intu antes de terminar la clase.
Advertencia

Reglas de juego (la rúbrica las aplica)

  1. El script debe correr completo de arriba a abajo (con ferreteria_raw.csv en data/). Se revisa con Source: si se detiene en un error, se califica hasta esa línea. Prueba de fuego antes de entregar: rm(list = ls()) → Source.
  2. ferreteria_raw no se sobrescribe. Todo se construye sobre ferreteria_clean. Sobrescribir la base original descuenta.
  3. Cada corrección va acompañada de su verificación. Corregir sin comprobar no cuenta como corregir: si estandarizaste, muestra el table() que lo demuestra.
  4. Toda decisión se justifica en un comentario de 1-2 líneas tuyas. Este taller evalúa criterio, no memoria de funciones.
  5. Uso de IA: permitido solo para explicar errores o conceptos después de intentarlo tú; prohibido pedir la solución de un punto. Las decisiones de limpieza y los hallazgos son tuyos. Declaración obligatoria al final del script.

Distribuye tu tiempo: P1 ≈ 8 min · P2 ≈ 10 min · P3 ≈ 15 min · P4 ≈ 10 min · P5 ≈ 7 min.

2 Punto 1 — Setup y radiografía (0.75 puntos)

  1. Crea el script apellido_nombre_taller6.R en scripts/, con el encabezado estándar (nombre, código, fecha, qué hace) y el bloque de librerías (require(pacman) + p_load(dplyr, ggplot2, skimr)).
  2. Lee los datos con ruta relativa y guárdalos en el objeto ferreteria_raw.
  3. Corre skim() y responde en comentarios:
    • ¿Cuántas filas y columnas tiene la base?
    • ¿Qué representa una fila? (la pregunta que va antes que todas)
    • ¿Qué tipo de dato tiene precio? ¿Es el que debería tener?

3 Punto 2 — El diagnóstico (1.0 punto)

No corrijas nada todavía. Este punto es solo detectar y documentar. Para cada literal, escribe el código que lo demuestra y el hallazgo en un comentario.

  1. Consistencia: ¿cuántos valores únicos tiene sede? La ferretería tiene 4 sedes. ¿Cuántos reporta R y por qué? Haz lo mismo con producto (hay 4 productos).
  2. Unicidad: ¿cuántas filas son copias exactas de otra?
  3. Validez (rango): ¿hay algún valor imposible en unidades? Muestra la fila completa del problema — no solo el número.
  4. Validez (outlier): grafica la distribución de precio (necesitarás convertirlo temporalmente a número) e identifica el valor sospechoso. Muestra la fila completa y di qué producto es.
  5. Completitud: ¿cuántos NA hay en precio y en unidades?

Pista de método: en (c) y (d) te pedimos la fila completa a propósito. Un analista no juzga un número suelto: va y mira el registro entero antes de decidir. Esa fila te va a decir cosas que el número solo no dice — y en uno de los dos casos, te va a cambiar la decisión.

4 Punto 3 — La limpieza (1.5 puntos)

Construye ferreteria_clean a partir de ferreteria_raw, en el orden correcto. Cada literal lleva su verificación y su justificación en comentario.

  1. Duplicados: elimínalos y demuestra cuántas filas se fueron (la cuenta debe coincidir con tu Punto 2b).
  2. Categorías: estandariza sede y producto. Verifica con table() que ahora sí queden 4 y 4.
  3. Tipo de dato: convierte precio a número. ⚠️ Verifica con summary() que no aparecieron NA nuevos — compara contra tu conteo del Punto 2e. Si aparecieron, los creaste tú.
  4. El outlier: corrígelo. Usa una condición específica (producto + umbral), no solo el umbral. Justifica en un comentario por qué concluiste que era un error de captura y no un precio real.
  5. El valor imposible — decisión de criterio: en el Punto 2c encontraste unidades negativas. Mira la columna observaciones de esa fila antes de decidir. Elige una de las tres opciones de la teoría (eliminar / convertir a NA / conservar y corregir) y defiéndela en 2 líneas. No hay una única respuesta correcta: hay respuestas justificadas y respuestas automáticas.
  6. Estructura final: elimina la columna sin valor analítico (justifica cuál y por qué) y crea ingreso = precio * unidades.
Advertencia

El literal (e) es el que separa las notas

Ahí no se evalúa qué decidiste, sino si leíste antes de decidir. La respuesta refleja lo que dice la teoría: “una devolución documentada puede tener cantidad negativa de forma legítima”. Si eliminaste esa fila sin mirar el contexto que trae al lado, borraste un dato real. Si la conservaste, tienes que explicar qué le hace eso a tu cálculo de ingreso.

5 Punto 4 — La EDA (1.0 punto)

  1. La verificación: corre skim(ferreteria_clean) y escribe en un comentario tres cosas que cambiaron frente al skim() del Punto 1.
  2. La tabla que pidió el gerente: construye kpis_sede con el ingreso_total, las unidades_totales y el n_transacciones por sede, ordenada de mayor a menor ingreso (recuerda .groups = "drop").
  3. El gráfico: el ingreso total por sede, en barras horizontales y ordenadas, con título que diga el mensaje (no “gráfico de ingresos”), ejes etiquetados y un tema profesional. Expórtalo con ggsave().
  4. La lectura (2 líneas tuyas): ¿la sede que más ingreso genera es también la que más unidades mueve? ¿Qué te dice eso del tipo de negocio de cada sede?

Pista de calidad: compara el ingreso por sede que te da tu base limpia con el que habrías obtenido corriendo el mismo group_by() sobre ferreteria_raw. La diferencia entre esas dos tablas es el trabajo de hoy, y es exactamente el reporte errado que el gerente iba a recibir.

6 Punto 5 — El acta y los hallazgos (0.75 puntos)

  1. El acta de limpieza (0.5). Cierra tu script con el bloque de decisiones. Cada línea dice qué hiciste y por qué:
## ============================================
## ACTA DE LIMPIEZA
## - Duplicados: eliminadas ___ filas exactas. Causa probable: ______
## - Categorías: sede y producto estandarizados con ______; de ___ a 4 sedes.
## - precio: ______________________________________
## - Valor imposible: ______________________________
##   Decisión: ______________ porque ______________
## - Outlier: ____________________________________
## - Columna eliminada: ______ porque ______________
## ============================================
  1. Los hallazgos (0.25). En comentarios, escribe:
    • 2 hallazgos — lo que ya sabes de este negocio, con el número que lo respalda.
    • 1 pregunta abierta — algo que la EDA te destapó y que todavía no puedes responder con esta base.

La vara de calidad de la pregunta abierta: debe ser una pregunta que te haga pedir más datos, no una que se responda con dos líneas más de código.

7 Rúbrica de evaluación

El script que no corre completo se evalúa hasta la línea del primer error. Sobrescribir ferreteria_raw descuenta -0.3. Corregir sin verificar no cuenta como corregir. En el Punto 3e se evalúa la justificación, no cuál de las tres opciones elegiste.
Punto Qué se evalúa Puntos
1. Setup y radiografía Encabezado + librerías + ruta relativa (0.3); qué representa una fila (0.2); tipo de precio detectado (0.25) 0.75
2. Diagnóstico Consistencia en sede y producto con su código (0.3); duplicados (0.15); valor imposible con la fila completa (0.2); outlier detectado con gráfico y fila completa (0.2); conteo de NA (0.15) 1.0
3. Limpieza Duplicados + verificación (0.2); estandarización + table() que lo prueba (0.3); precio a numérico sin NA nuevos (0.25); outlier con condición específica y justificación (0.25); decisión defendida sobre el valor imposible (0.3); estructura final + ingreso (0.2) 1.5
4. EDA Tres cambios verificados vs. el skim inicial (0.2); kpis_sede completo y ordenado (0.3); gráfico horizontal, ordenado y pulido + ggsave() (0.3); lectura propia ingreso vs. unidades (0.2) 1.0
5. Acta y hallazgos Acta completa con el porqué de cada decisión (0.5); 2 hallazgos con número + 1 pregunta abierta genuina (0.25) 0.75
Total 5.0

8 Declaración de uso de IA

Cierra tu script con este bloque diligenciado (obligatorio, aunque sea para decir que no la usaste):

## ============================================
## DECLARACIÓN DE USO DE IA
## Herramienta y modelo usados: _______________ (o "No usé IA")
## La usé para: _______________________________
## Verifiqué por mi cuenta: ____________________
## ============================================

La política de siempre: la IA para entender (un error de gsub(), qué hace distinct()), no para resolver los puntos. Y una advertencia específica de esta semana: si le pides a un modelo “límpiame esta base”, te va a devolver un script que corre y que elimina la fila de la devolución sin preguntar. Va a verse impecable. Va a estar mal. En la semana 8 vas a aprender a dirigir y auditar exactamente ese tipo de código — y esta semana es la razón por la que vas a poder hacerlo.