Briefing del Caso Práctico
Contexto
Florette ha recopilado 1,000 reviews de consumidores procedentes de tres fuentes:
- Amazon Fresh — 400 reviews
- Web de Carrefour — 350 reviews
- Redes sociales — 250 reviews
La dirección necesita saber qué piensan los consumidores y qué acciones priorizar.
Tu misión: Usar Claude (IA generativa) para analizar las reviews, identificar problemas y fortalezas, y proponer un plan de acción priorizado.
Objetivo del ejercicio
- Explorar y comprender un dataset de reviews reales
- Realizar análisis de sentimiento con IA generativa
- Categorizar problemas y fortalezas automáticamente
- Crear una matriz de priorización de acciones
- Formular recomendaciones basadas en datos
Requisitos
Herramientas necesarias
- Cuenta en Claude (claude.ai) — gratuita o de pago
- Navegador web moderno
- El archivo CSV de reviews (descárgalo a continuación)
Descargar dataset
reviews_florette.csv — 1,000 reviews de productos Florette
Columnas: Fecha, Producto, Fuente, Rating (1-5), Comentario
Paso 1: Conocer el Dataset
Duración estimada: 5 minutos
Descargar y explorar el CSV
- Descarga el archivo reviews_florette.csv si aún no lo has hecho
- Abre el archivo con Excel, Google Sheets o cualquier editor de texto
- Familiarízate con las columnas:
Estructura del dataset
| Columna | Descripción | Ejemplo |
|---|---|---|
Fecha | Fecha de la review | 2026-03-15 |
Producto | Producto de Florette | Ensalada César |
Fuente | Origen de la review | Amazon Fresh |
Rating | Puntuación 1-5 estrellas | 4 |
Comentario | Texto libre del consumidor | Fresca y sabrosa |
Ejercicio: Exploración visual
Sin usar ninguna herramienta de IA, observa el archivo y responde:
Paso 2: Exploración Inicial con Claude
Duración estimada: 10 minutos
Subir el CSV a Claude
- Abre claude.ai en tu navegador
- Inicia una nueva conversación
- Haz click en el icono de adjuntar archivo (clip) en la barra de texto
- Selecciona el archivo
reviews_florette.csvque descargaste - Claude confirmará que ha recibido el archivo
Prompt 1: Resumen general
Copia el siguiente prompt y pégalo en Claude junto con el archivo:
Analiza este CSV de reviews de productos Florette. Dame un resumen general con: 1. Número total de reviews 2. Distribución de ratings (cuántas de cada puntuación, 1 a 5) 3. Los 3 productos más valorados (mayor rating medio) 4. Los 3 productos menos valorados 5. Distribución por fuente (Amazon Fresh, Carrefour, Redes Sociales) Presenta los datos en tablas claras.
Anota los resultados
Prompt 2: Reviews negativas
Ahora pidamos a Claude que profundice en las reviews negativas:
Del mismo dataset, filtra las reviews con rating 1 o 2. 1. ¿Cuántas reviews negativas hay en total? 2. Muéstrame las 10 más representativas (las que mejor reflejan quejas comunes) 3. ¿Qué patrones o temas comunes detectas en las quejas? Agrupa los patrones por categoría.
Paso 3: Análisis de Sentimiento
Duración estimada: 10 minutos
Prompt 3: Clasificación de sentimiento
Pide a Claude que clasifique el sentimiento de todas las reviews:
Clasifica cada review del dataset como Positiva (rating 4-5), Neutral (rating 3) o Negativa (rating 1-2). Dame: 1. Porcentaje total de cada categoría (Positivo, Neutral, Negativo) 2. Sentimiento neto (% Positivo - % Negativo) 3. Una tabla con el sentimiento desglosado por producto (nombre del producto, % positivo, % neutral, % negativo, sentimiento neto) 4. Una tabla con el sentimiento desglosado por fuente (Amazon Fresh, Carrefour, Redes Sociales) Ordena las tablas de peor a mejor sentimiento.
Resultados generales
Prompt 4: Producto con peor y mejor sentimiento
Del análisis anterior: 1. ¿Cuál es el producto con peor sentimiento neto? ¿Por qué? Dame ejemplos concretos de reviews que lo expliquen. 2. ¿Cuál es el producto con mejor sentimiento neto? ¿Qué hace bien según los consumidores? 3. ¿Hay diferencias significativas entre las fuentes (Amazon, Carrefour, Redes Sociales)? ¿Los consumidores se quejan de lo mismo en todas las plataformas?
Paso 4: Categorización de Problemas
Duración estimada: 10 minutos
Prompt 5: Top problemas
Analiza todas las reviews negativas (rating 1-2) del dataset y categoriza los problemas mencionados. Dame el Top 5 de categorías de problemas con: - Nombre de la categoría - Porcentaje sobre el total de reviews negativas - 3 ejemplos textuales representativos (citas directas de reviews) - Productos más afectados por ese problema Presenta como tabla + detalles.
Top 5 problemas detectados
Prompt 6: Top fortalezas
Ahora analiza las reviews positivas (rating 4-5). Dame el Top 3 de cosas que los consumidores más valoran: - Nombre de la categoría - Porcentaje sobre el total de reviews positivas - 3 ejemplos textuales representativos - Productos que mejor destacan en cada categoría ¿Hay alguna fortaleza que podría usarse para contrarrestar los problemas detectados?
Top 3 fortalezas
Paso 5: Priorización de Acciones
Duración estimada: 10 minutos
Prompt 7: Matriz de priorización
Con los problemas que has identificado en las reviews negativas, crea una matriz de priorización. Para cada problema, evalúa: - Frecuencia: porcentaje de reviews negativas que mencionan este problema - Factibilidad: qué tan fácil es para Florette resolverlo (Alta/Media/Baja) - Impacto en satisfacción: cuánto mejoraría la percepción si se resuelve (Alto/Medio/Bajo) - Prioridad resultante: ALTA / MEDIA / BAJA Presenta como tabla. Después, propón 1 acción concreta y medible para cada problema, con el impacto estimado. Ejemplo de formato: "Auditoría cadena de frío → reducción estimada del 50% en quejas de frescura"
Análisis de la matriz
Prompt 8: Informe ejecutivo (bonus)
Como cierre, pide a Claude que genere un resumen para la dirección:
Genera un informe ejecutivo de máximo 300 palabras para la dirección de Florette, con: 1. Situación actual: sentimiento general de los consumidores 2. Principales hallazgos: los 3 problemas más críticos y las 3 fortalezas clave 3. Recomendaciones: las 3 acciones prioritarias con impacto estimado 4. Conclusión: una frase resumen sobre el estado de la marca Escríbelo en un tono profesional y directo, como si fuera para un comité de dirección.
Conclusión
Resultados Esperados
Click en cada sección para revelar las soluciones:
- Positivas (rating 4-5): ~57% de las reviews
- Neutrales (rating 3): ~27%
- Negativas (rating 1-2): ~16%
- Sentimiento neto: ~+41
- Frescura / Calidad (~30%) — "hojas marchitas, amarillentas, en mal estado". Productos más afectados: Ensalada de Espinacas, Brotes Tiernos
- Precio (~25%) — "demasiado cara, no compensa". Más afectados: Ensalada Gourmet, Ensalada Completa
- Vida útil (~21%) — "se pone mala muy rápido, dura solo 2 días". Más afectados: Brotes Tiernos, Rúcula
- Empaque (~12%) — "bolsa rota, envase frágil". Distribuido entre varios productos
- Cantidad (~8%) — "muy poca ensalada para el precio". Más afectado: Mini Ensalada
- Frescura (~65% de positivas) — "muy fresca, como recién cortada"
- Sabor (~58%) — "deliciosa, buen sabor, buena mezcla"
- Conveniencia (~42%) — "muy práctica, lista para comer, ideal para llevar"
Paradoja: la frescura es tanto la principal fortaleza como el principal problema, lo que indica inconsistencia en la cadena de suministro.
| Problema | Frecuencia | Factibilidad | Prioridad |
|---|---|---|---|
| Frescura inconsistente | Alta (30%) | Media | ALTA |
| Precio percibido alto | Alta (25%) | Baja | MEDIA |
| Vida útil corta | Alta (21%) | Media | ALTA |
| Empaque frágil | Media (12%) | Alta | ALTA |
- Auditoría cadena de frío → reducción estimada 50% quejas de frescura
- Comunicación de valor/precio → reducción 30% percepción negativa de precio
- Mejora de empaque → reducción 80% quejas de empaque (alta factibilidad)
Checklist de Finalización
Marca lo que has completado:
- Descargué y exploré el CSV de reviews
- Subí el CSV a Claude y obtuve resumen general
- Identifiqué patrones en las reviews negativas
- Realicé análisis de sentimiento por producto
- Categoricé el Top 5 de problemas
- Identifiqué el Top 3 de fortalezas
- Creé la matriz de priorización
- Generé el informe ejecutivo
Ejercicio completado
Has finalizado el caso práctico del Módulo 3. Competencias adquiridas:
- Análisis de texto no estructurado con IA generativa
- Clasificación de sentimiento a escala
- Categorización automática de problemas y fortalezas
- Priorización basada en datos para toma de decisiones
- Generación de informes ejecutivos con IA