Resumen
En este episodio del podcast enCoders se debate si Excel tiene lugar en la ciencia de datos. Matías defiende, con matices, saber usarlo: no por su capacidad técnica, sino porque permite ganar confianza y credibilidad ante equipos de negocio, hacer análisis en vivo y entregar soluciones rápidas en el formato que el cliente conoce. Rodo sostiene que todo se puede hacer mejor programando en R o Python, que Excel no es reproducible ni escala, y que lo mejor es evitarlo salvo cuando se lo exigen. Cris aporta su experiencia histórica con Excel y lo defiende para valorizaciones de proyectos y cálculos simples donde las fórmulas visibles facilitan la validación. Matías recorre en vivo las funcionalidades clave (importación con Power Query, tablas dinámicas, BUSCARV, macros, gráficos). La conclusión compartida es que Excel sirve para exploración rápida, pruebas de concepto, comunicación y entregables puntuales, pero no como herramienta de Data Science ni como producto en producción. Un profesional debe conocer varias herramientas y saber cuándo usar cada una.
Capítulos
- 00:00IntroSe presenta el tema "Excel en Data Science" y se plantean las posturas: Rodo cree que no es necesario porque todo se puede hacer mejor programando y exportar a Excel si alguien lo pide. Cris lo defiende para flujos de caja y cálculos de beneficios, donde se puede ver la fórmula (F2) y explicar a gerencia cómo se llega a un número. Matías busca una "sutileza" más allá de la técnica: la confianza ante otros equipos.
- 06:17Algunas funcionalidades básicasMatías muestra un dataset de ventas de ~1500 videojuegos y comprueba con una suma que la columna global no cuadra con las ventas regionales. Enseña inmovilizar paneles y ajustar columnas. Cris cuenta la historia de Excel como herramienta de facto en las empresas: era corporativa, sin restricciones de TI, y de ahí nacieron "monstruos" de Excel enlazados entre sí.
- 14:16Importación de datosSe explica Power Query y el asistente de texto en columnas para CSV, y el problema de decimales con punto o coma según la configuración regional. Se mencionan conexiones a la web (por ejemplo el valor del dólar) y a bases de datos, y los límites de Excel: alrededor de un millón de filas y problemas de rendimiento hacia 70–100 MB. Se comenta que las bases de Excel (o Access) no escalan y que cada vez usarían menos Excel que antes.
- 19:32Formatos de tablaSe muestran formato condicional (mapas de calor), quitar duplicados, atajos de teclado (pegado especial, Ctrl+flechas), validación de datos (listas desplegables), filtros y ordenamiento. Mac y otros del chat comentan que Excel sirve para ejemplos rápidos "de servilleta" y con clientes comerciales. Matías nota que Excel carga los datos en formato "tabla", que le parece incómodo, y que prefiere convertirlo a rango.
- 32:35Tablas dinámicasMatías explica que una tabla dinámica es esencialmente un Group By: agrupa por género, suma ventas globales, ordena y muestra porcentaje del total (acción ~19%). Añade filtros por año, campos calculados, segmentación de datos y gráficos dinámicos tipo dashboard. Afirma que dominar tablas dinámicas es cubrir "el 80%" de lo que un data scientist necesitaría en Excel.
- 37:08Funciones importantesSe revisan BUSCARV (valor buscado, matriz, columna, coincidencia exacta o aproximada) con un ejemplo de Nintendo y Sony, y el manejo de #N/D con SI.ERROR. También INDIRECTO, SUSTITUIR, CONCATENAR, LARGO, SUMAR.SI, CONTAR.SI, INDICE/COINCIDIR, XLOOKUP y correlación. Se enfatiza que BUSCARV es popular porque permite unir tablas por una llave, y se menciona que fue requisito en pruebas de postulación.
- 42:28MacrosSe muestra VBA: asignar una macro a una imagen que lanza un mensaje y grabar macros que registran acciones como filtrar. Cris cuenta que aprendió a programar con Visual Basic y que las macros permitían automatizar procesos con botones; se comenta que son lentas frente a las funciones nativas y que se pueden crear verdaderos aplicativos. También se mencionan Solver, gráficos (dispersión con línea de tendencia, circulares y 3D) y el complemento Crystal Ball para simulaciones Monte Carlo.
- 49:40MemesSe comentan memes sobre bases de datos hechas en Excel y sobre cómo Excel convierte números en fechas. Rodo opina que quien hace análisis solo con Excel hace análisis simple y no Data Science, y que un proyecto serio no es reproducible allí. Se discute cómo plantear la transición dentro de una empresa y que la falta de presupuesto no es excusa porque hay herramientas gratuitas y open source.
- 01:00:21Transparencia versus eficienciaSegunda parte: Matías sostiene que Excel gana credibilidad al mostrar los cálculos en vivo y permite entregar dashboards actualizables con una macro a equipos que no manejan otras herramientas. Rodo y Cris coinciden en que sirve para exploración y pruebas de concepto, pero que como producto es frágil, no reproducible y propenso a errores manuales. Cris prefiere Excel para valorizaciones con pocos supuestos por la menor latencia al revisar; Rodo sostiene que lo importante es que el resultado se entienda y que se puede validar en código. Matías insiste en que el valor está en la confianza y luego en migrar sutilmente a mejores herramientas.
- 01:27:50CierreSe coincide en que Excel no debe usarse para Data Science ni para análisis serios, salvo correcciones mínimas o entregables solicitados. El mensaje final es conocer el conjunto de herramientas y saber en qué caso usar cada una. Se invita al Discord y se recuerda que en YouTube están los primeros seis episodios.