En trends.google.es compara protector solar, crema hidratante y champú sólido. Región España, periodo últimos 5 años.

✍️ P1a: describe la estacionalidad de cada término. ¿Coincide con las ventas de la categoría Solar de Verde Mediterráneo? (Comprueba en pedidos_2025_es.csv con una tabla dinámica por mes y categoría.)

Para cosmética natural, mira Interés por subregión y Consultas relacionadas › En aumento.

✍️ P1b: las 3 comunidades con más interés y 3 consultas en aumento que podrían inspirar un producto o un contenido.

Abre resenas_es.csv en Excel. Copia las 40 primeras reseñas (columnas id_resena y texto, sin las estrellas).

Clasifica el sentimiento de cada reseña de una tienda de cosmética en
positivo, neutro o negativo, e indica el tema principal entre:
efecto, olor/textura, envío/logística, precio, alergia/reacción, atención al cliente.
Devuelve SOLO una tabla con columnas: id_resena | sentimiento | tema.
No añadas reseñas ni cambies los id.
[pega aquí las 40 reseñas]

Pega la tabla resultante en una hoja nueva del libro.

Crea la «verdad de referencia» a partir de las estrellas: 4-5 = positivo, 3 = neutro, 1-2 = negativo (=SI(E2>=4;"positivo";SI(E2=3;"neutro";"negativo"))). Une las dos columnas por id_resena (con BUSCARX) y calcula el porcentaje de coincidencia.

✍️ P2: % de acuerdo, ejemplos de desacuerdo y por qué crees que ocurren. ¿Qué temas concentran las reseñas negativas? ¿Qué acción propondrías al equipo?

Abre clientes_es.csv. Columnas útiles: I = num_pedidos, J = gasto_total, L = dias_desde_ultima_compra, M = recompra_90d. En N1 escribe segmento y en N2:

=SI.CONJUNTO(Y(L2<=90;I2>=4);"Campeones";I2>=3;"Leales";L2<=90;"Prometedores";L2>180;"Dormidos";VERDADERO;"Ocasionales")

Rellena hasta la fila 1501.

Tabla dinámica: Filas = segmento; Valores = Cuenta de id_cliente, Promedio de gasto_total, Promedio de num_pedidos, Promedio de dias_desde_ultima_compra y Promedio de recompra_90d (con formato porcentaje).

✍️ P3: propone una acción de marketing para cada segmento (fidelización, venta cruzada, reactivación…) con su canal y su KPI.

Completa con tu tabla dinámica (añade el canal de captación y la edad media por segmento) y pide a un asistente:

Con estos datos agregados de dos segmentos de clientes de una tienda online de
cosmética natural, redacta una buyer persona por segmento (nombre ficticio,
edad, motivaciones, frenos, canales, mensaje clave). Marca con [DATO] cada rasgo
que salga de los datos y con [SUPUESTO] cada rasgo que sea una hipótesis.
[pega aquí los datos de "Campeones" y "Dormidos"]

✍️ P4: ¿cuántos rasgos son [DATO] y cuántos [SUPUESTO]? Elige dos supuestos y explica cómo los validarías (encuesta, entrevista, test).

Elige dos marcas reales de cosmética natural que vendan online en España. Búscalas en la Biblioteca de anuncios de Meta (facebook.com/ads/library, país España, todos los anuncios) y en el Centro de transparencia de anuncios de Google (adstransparency.google.com).

✍️ P5: para cada una: nº aproximado de anuncios activos, formatos (imagen, vídeo, carrusel), mensajes y ofertas principales, si usan creatividades que parecen generadas con IA y si lo indican.

Pide a un asistente con búsqueda web un análisis DAFO de Verde Mediterráneo frente a esas marcas. Comprueba las fuentes que cite y elimina lo que no puedas verificar.

Usad lo obtenido en P1-P4 (tendencias, quejas de las reseñas, segmentos) para formular el problema: «[Segmento] necesita [necesidad] porque [hallazgo con dato]».

Con un asistente generad 10 conceptos de producto, elegid uno y cread: nombre, claim, ficha de producto (sin afirmaciones de salud no verificadas), una imagen del envase con un generador de imágenes (etiquetada «prototipo generado con IA») y el texto de una página de aterrizaje.

✍️ P6: cómo lo probaríais con clientes reales (encuesta a Campeones, lista de espera, test A/B de la página), qué métrica y qué umbral decide el lanzamiento, y qué riesgos legales hay (cosmética: afirmaciones, etiquetado; IA: transparencia).