Patron Data-Analysis Agent: analitica de datos confiable

Esencia Del Patron

Data-Analysis Agent es un patron donde el agente trabaja con datos tabulares o series temporales mediante un pipeline analitico controlado: policy check, ingest, profile, transform, analyze, validate, report.

Cuando usarlo: cuando necesitas calcular y verificar metricas con datos reales, no describirlas con palabras generales.

A diferencia de "solo responder", el agente ejecuta analitica secuencial:

• Ingest + profile: lee datos y verifica calidad
• Transform: limpia anomalias y faltantes segun reglas
• Analyze: calcula metricas, KPI y agregados
• Validate: verifica consistencia de resultados
• Report: arma conclusiones y artefactos para auditoria

Problema

Imagina que preguntas:

"Cuanto ganamos la semana pasada?"

Recibes un numero, pero no entiendes que se hizo con los datos antes del calculo.

Quedan preguntas criticas:

• si se incluyeron devoluciones
• si se eliminaron duplicados
• como se trataron los faltantes
• si partes de datos desaparecieron durante la "limpieza"

Analitica sin proceso fijo entrega numeros dificiles de explicar, verificar y reproducir.

Por eso distintas personas pueden calcular el mismo dataset de manera diferente.

Ese es el problema central: sin pipeline transparente, el resultado del analisis se vuelve impredecible y no auditable.

Solucion

Data-Analysis Agent opera mediante un pipeline analitico fijo.

Analogia: es como un analisis de laboratorio. Primero se toma una muestra y se revisa su calidad, luego se calculan indicadores. Sin esa secuencia no se puede confiar en los numeros.

Principio clave: el valor no esta solo en el numero, sino en que cada paso del analisis puede explicarse y reproducirse.

El agente no puede "calcular directo" - debe pasar por pasos:

1. Policy check: verificar acceso a la fuente
2. Ingest: cargar datos
3. Profile: revisar estructura y calidad
4. Transform: limpiar por reglas
5. Analyze: calcular metricas
6. Validate: verificar resultado

Y debe registrar:

• fuente de datos
• reglas de limpieza
• verificaciones ejecutadas
• limitaciones de datos

Esto permite mostrar, por ejemplo:

• que filas fueron eliminadas
• como se trataron faltantes
• que anomalias se detectaron
• que invariantes pasaron

Funciona bien si:

• el paso de ingest no puede saltarse
• las reglas de limpieza estan fijadas
• el paso de validacion es obligatorio
• la capa de ejecucion no permite saltar pasos del pipeline

Analitica confiable es un pipeline que el agente no puede saltarse tecnicamente.

Como Funciona

Este patron suele usar Code-Execution Agent para ejecutar calculos en sandbox.

Diferencia clave: aqui el foco no es ejecutar codigo como tal, sino el ciclo analitico completo con controles de calidad.

En Codigo Se Ve Asi

decision = policy_engine.evaluate_source(source, user_role=user_role)
if decision.type != "allow":
    return stop_with_reason("source_policy_denied")

df = load_data(source)
profile = profile_data(df)

if profile.schema_mismatch:
    return stop_with_reason("schema_mismatch")

df_clean = clean_data(df, rules=cleaning_rules)
metrics = compute_metrics(df_clean)

checks = validate_metrics(metrics, rules=[
    "no_negative_revenue",
    "conversion_between_0_1",
])

if not checks.ok:
    return escalate_or_fallback(checks.errors)

report = build_report(metrics, checks, profile)
return report

El resultado analitico debe incluir no solo numeros, sino tambien evidence: que checks pasaron y que limitaciones tenia el dato.

Como Se Ve En Ejecucion

Goal: preparar resumen semanal de ventas

Ingest:
- sales.csv de los ultimos 7 dias

Profile:
- 2% faltantes en channel
- 1 outlier en revenue

Transform:
- completar channel = "unknown"
- eliminar duplicado id=8472

Analyze:
- revenue: 142,300
- conversion: 3.84%
- top channel: paid_search

Validate:
- todas las invariantes pasaron

Report:
- tabla KPI + conclusiones cortas

Cuando Encaja - Y Cuando No

Encaja

No Encaja

Porque Data-Analysis Agent necesita ingenieria adicional: pipeline, checks, monitoreo y versionado de fuentes.

Diferencia Frente A Code-Execution

Code-Execution es mecanismo de ejecucion. Data-Analysis es proceso para obtener resultado analitico confiable.

Cuando Usar Data-Analysis (vs Otros Patrones)

Usa Data-Analysis cuando necesitas explorar datos y devolver conclusiones basadas en analisis.

Prueba rapida:

• si necesitas "explicar que esta pasando en los datos y dar conclusiones" -> Data-Analysis
• si necesitas "solo ejecutar codigo y obtener output tecnico" -> Code-Execution Agent

Como Combinar Con Otros Patrones

• Data-Analysis + Code-Execution: cuando hay que calcular o transformar datos, el agente ejecuta codigo en sandbox con limites.
• Data-Analysis + Guarded-Policy: si hay datos sensibles, las policies limitan que tablas y campos se pueden leer.
• Data-Analysis + Fallback-Recovery: si falla fuente o paso, el pipeline cambia a ruta segura de recuperacion.

Resumen

Ventajas Y Desventajas

FAQ

Q: Puede el agente analizar sin perfilar datos?
A: Puede, pero es riesgoso. Sin paso profile, es facil omitir problemas de schema y romper metricas.

Q: Para que validar metricas despues del calculo?
A: Para detectar anomalias antes de enviar resultado: revenue negativo, conversion fuera de [0,1] y otras invariantes.

Q: Data-Analysis Agent reemplaza un sistema BI?
A: No. Complementa BI: automatiza analisis puntual, limpieza y explicacion, pero no reemplaza data governance.

Que Sigue

Data-Analysis Agent trabaja con datos estructurados y metricas reproducibles.

Como construir un agente para investigacion open-world: busqueda de fuentes, lectura, extraccion de hechos y citas?