Reporte Ejecutivo: Comunicar Resultados

El mejor analisis del mundo es inutil si no podes comunicar los resultados. En esta leccion vas a aprender a crear reportes ejecutivos que los decision-makers realmente lean y usen.

1. RESUMEN EJECUTIVO (1 parrafo)
   - Que analizaste, que encontraste, que recomendas

2. KPIs PRINCIPALES (3-5 metricas)
   - Los numeros clave con comparacion vs objetivo/periodo anterior

3. HALLAZGOS PRINCIPALES (3-5 puntos)
   - Cada uno con un grafico de soporte

4. ANALISIS DETALLADO
   - Profundidad para quien quiera explorar

5. RECOMENDACIONES (2-3 acciones concretas)
   - Basadas en los datos

6. LIMITACIONES Y PROXIMOS PASOS
   - Que NO podes concluir con estos datos

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from IPython.display import Markdown, display

# Configuracion
sns.set_theme(style='whitegrid')
plt.rcParams.update({'figure.figsize': (12, 6), 'font.size': 12})

Seccion 1: Resumen Ejecutivo

# Cargar y preparar datos
np.random.seed(42)
meses = pd.date_range('2024-01-01', periods=24, freq='M')
df_ventas = pd.DataFrame({
    'fecha': meses,
    'ventas': np.cumsum(np.random.normal(50, 20, 24)) + 500,
    'clientes': np.cumsum(np.random.poisson(15, 24)) + 200,
    'ticket_promedio': np.random.normal(85, 10, 24)
})
df_ventas['mes'] = df_ventas['fecha'].dt.strftime('%b %Y')
df_ventas['anio'] = df_ventas['fecha'].dt.year

# Calcular KPIs
ventas_total = df_ventas['ventas'].iloc[-12:].sum()
ventas_anterior = df_ventas['ventas'].iloc[:12].sum()
crecimiento = (ventas_total - ventas_anterior) / ventas_anterior * 100
clientes_actual = df_ventas['clientes'].iloc[-1]
ticket_actual = df_ventas['ticket_promedio'].iloc[-12:].mean()

resumen = f"""
## Resumen Ejecutivo

Durante el periodo 2024-2025, las ventas totales alcanzaron 
**${ventas_total:,.0f}**, representando un crecimiento del 
**{crecimiento:+.1f}%** respecto al periodo anterior. 
La base de clientes crecio a **{clientes_actual:,}** clientes activos 
con un ticket promedio de **${ticket_actual:.2f}**.

**Recomendacion principal**: Invertir en adquisicion de clientes en 
la region Sur, donde se identifica la mayor oportunidad de crecimiento.
"""
print(resumen)

Seccion 2: Dashboard de KPIs

fig = plt.figure(figsize=(16, 4))
fig.patch.set_facecolor('white')

kpis = [
    ('Ventas Totales', f'${ventas_total:,.0f}', f'{crecimiento:+.1f}%', crecimiento > 0),
    ('Clientes Activos', f'{clientes_actual:,}', '+18%', True),
    ('Ticket Promedio', f'${ticket_actual:.2f}', '+5.2%', True),
    ('NPS Score', '72', '-3 pts', False)
]

for i, (titulo, valor, delta, positivo) in enumerate(kpis):
    ax = fig.add_subplot(1, 4, i+1)
    ax.axis('off')
    
    # Fondo sutil
    color_fondo = '#E8F5E9' if positivo else '#FFEBEE'
    ax.add_patch(plt.Rectangle((0.05, 0.05), 0.9, 0.9, transform=ax.transAxes,
                                facecolor=color_fondo, edgecolor='none', zorder=0))
    
    ax.text(0.5, 0.75, titulo, transform=ax.transAxes, ha='center',
            fontsize=11, color='gray')
    ax.text(0.5, 0.45, valor, transform=ax.transAxes, ha='center',
            fontsize=24, fontweight='bold')
    color_delta = '#4CAF50' if positivo else '#F44336'
    ax.text(0.5, 0.15, delta, transform=ax.transAxes, ha='center',
            fontsize=14, color=color_delta, fontweight='bold')

plt.suptitle('KPIs - Periodo 2024-2025', fontsize=16, fontweight='bold', y=1.05)
plt.tight_layout()
plt.show()

Seccion 3: Hallazgos con graficos

fig, axes = plt.subplots(1, 2, figsize=(16, 6))

# Hallazgo 1: Tendencia creciente
axes[0].plot(df_ventas['fecha'], df_ventas['ventas'], 'o-', color='#2196F3', linewidth=2)
axes[0].fill_between(df_ventas['fecha'], df_ventas['ventas'], alpha=0.1, color='#2196F3')
axes[0].set_title('Las ventas muestran tendencia creciente consistente',
                  fontsize=13, fontweight='bold', loc='left')
axes[0].set_ylabel('Ventas ($)')
axes[0].spines['top'].set_visible(False)
axes[0].spines['right'].set_visible(False)

# Hallazgo 2: Crecimiento de clientes
axes[1].bar(df_ventas['fecha'], df_ventas['clientes'], color='#4CAF50', width=25)
axes[1].set_title('La base de clientes crece de forma sostenida',
                  fontsize=13, fontweight='bold', loc='left')
axes[1].set_ylabel('Clientes acumulados')
axes[1].spines['top'].set_visible(False)
axes[1].spines['right'].set_visible(False)

plt.tight_layout()
plt.show()

Seccion 4: Recomendaciones

recomendaciones = """
## Recomendaciones

1. **Aumentar inversion en marketing digital**: Los datos muestran que los 
   meses con mayor inversion tienen +35% de crecimiento en clientes nuevos.

2. **Expandir operaciones en region Sur**: La region muestra demanda insatisfecha 
   con un 45% menos de cobertura que la region Norte.

3. **Implementar programa de retencion**: El NPS bajo 3 puntos. Recomendamos 
   un programa de fidelizacion para los top 20% de clientes.

## Limitaciones

- Los datos no incluyen informacion de competidores
- El periodo analizado puede tener efectos estacionales no capturados
- Se necesitan datos de costo de adquisicion para calcular ROI

## Proximos Pasos

- Analisis de cohortes para entender retencion a 6 meses
- Modelo predictivo de churn para identificar clientes en riesgo
- A/B test del programa de fidelizacion propuesto
"""
print(recomendaciones)

# Desde Jupyter Notebook:
# File > Export Notebook As > PDF
# File > Export Notebook As > HTML

# Con nbconvert desde terminal:
# jupyter nbconvert --to html reporte.ipynb
# jupyter nbconvert --to pdf reporte.ipynb

# Guardar graficos individuales
# plt.savefig('grafico_tendencia.png', dpi=150, bbox_inches='tight', facecolor='white')

Como Crear Reportes de Datos Profesionales con Python

Crea un notebook 22_reporte.ipynb con un reporte ejecutivo completo:

1. Resumen ejecutivo de 1 parrafo
2. Dashboard de 4 KPIs con deltas
3. Al menos 3 hallazgos, cada uno con su grafico
4. Tabla resumen de datos clave
5. Recomendaciones basadas en los datos
6. Exporta como HTML

Resumen

• Resumen ejecutivo primero: Los tomadores de decision leen esto y nada mas
• KPIs con contexto: Numeros absolutos + cambio vs referencia
• Hallazgos con evidencia: Cada insight respaldado por un grafico
• Recomendaciones accionables: No solo describir, proponer acciones
• Limitaciones honestas: Decir que NO podes concluir
• Exportar profesionalmente: HTML o PDF para compartir