La mayoría de los equipos ven la generación de SQL como un truco de magia. Escribes una pregunta y obtienes una consulta.
Pero la realidad es la siguiente: Snowflake Cortex Analyst solo funciona tan bien como el modelo semántico que se cree primero, y esa configuración no es nada sencilla. Al aprender a utilizar Snowflake Cortex para la generación de SQL, los equipos de datos ahora pueden transformar el lenguaje natural en consultas complejas y ejecutables en cuestión de segundos.
Esta guía le acompaña a lo largo del proceso de implementación, desde la definición de su modelo semántico YAML hasta la consulta de su almacén de datos mediante lenguaje natural, para que comprenda tanto las posibilidades como los requisitos previos antes de empezar.
También analizaremos las limitaciones de Snowflake Cortex y la compatibilidad de ClickUp con los flujos de trabajo más amplios relacionados con la generación de SQL.
¿Qué es Snowflake Cortex Analyst?
Snowflake Cortex Analyst es un servicio totalmente gestionado que te permite crear aplicaciones conversacionales basadas en tus datos analíticos.
Utiliza un agente especializado de conversión de texto a SQL para convertir preguntas en lenguaje natural en consultas precisas y ejecutables. Este servicio tiende un puente entre las estructuras de datos complejas y los usuarios de empresas que necesitan respuestas sin tener que escribir código.
Entre sus principales funciones se incluyen:
- Ofrece una interfaz de gran precisión para interactuar con datos estructurados
- Uso de modelos semánticos para comprender su lógica empresarial y su terminología específicas
- Ofrece una API REST para facilitar la integración en aplicaciones personalizadas o herramientas de BI.
- Garantizar la privacidad de los datos al procesar las solicitudes dentro del perímetro de seguridad de Snowflake
📮 Dato de ClickUp: El 88 % de los encuestados utiliza la IA para sus tareas personales, pero más del 50 % se muestra reacio a utilizarla en el trabajo. ¿Cuáles son las tres principales barreras? La falta de una integración fluida, las lagunas de conocimiento o las preocupaciones en materia de seguridad.
Pero, ¿y si la IA estuviera integrada en tu entorno de trabajo y ya fuera segura? ClickUp Brain, el asistente de IA integrado de ClickUp, lo hace realidad. Entiende las indicaciones en lenguaje sencillo, resolviendo las tres preocupaciones relacionadas con la adopción de la IA, al tiempo que establece la conexión entre tu chat, tus tareas, tus documentos y tus conocimientos en todo el entorno de trabajo.
¡Encuentra respuestas e información útil con un solo clic!
Requisitos previos para la generación de SQL con Snowflake Cortex
Lanzarse a utilizar Snowflake Cortex sin la configuración adecuada puede resultar frustrante. Es posible que obtengas resultados inexactos, pierdas tiempo solucionando problemas y llegues a la conclusión errónea de que la herramienta no funciona, cuando el verdadero problema es una base deficiente.
Para evitarlo, primero debes contar con tres elementos fundamentales.
1. Configura tu base de datos y tus tablas
Tu IA es tan inteligente como los datos a los que tiene acceso. Si el esquema de tu base de datos es un laberinto de nombres de columnas crípticos como «cust_dat_v2_final», tanto tus analistas como la IA tendrán dificultades para entenderlo.
Esta confusión hace que la IA genere uniones incorrectas o extraiga datos de las columnas equivocadas, y tu equipo pierda horas simplemente intentando descifrar el esquema antes incluso de poder escribir una consulta.
Empieza por asegurarte de que tu software de almacén de datos contenga las tablas que quieres que Cortex Analyst consulte. Siempre que sea posible, utiliza nombres de columna claros y descriptivos. Por ejemplo, una columna llamada «customer_lifetime_value» resulta mucho más intuitiva tanto para las personas como para la IA que «clv_01».
Para continuar con la configuración, su rol de Snowflake necesitará los siguientes permisos:
- USO: En la base de datos y el esquema que contienen sus tablas
- SELECT: En las tablas que desee que Cortex Analyst realice consultas
- CREATE FASE: En el esquema, que es necesario para cargar el archivo de su modelo semántico
📖 Lea también: Cómo utilizar Snowflake Cortex para la inteligencia empresarial en la empresa
2. Crea tu archivo de modelo semántico
El mayor obstáculo de cualquier herramienta de conversión de texto a SQL es que la IA no habla el lenguaje específico de su empresa. No sabe de por sí que «ARR» significa «ingresos recurrentes anuales» ni que la tabla de clientes se une a la tabla de pedidos mediante el campo customer_id.
Sin este contexto, la IA podría generar código SQL técnicamente válido pero lógicamente erróneo, lo que te daría respuestas que parecen correctas pero que son peligrosamente engañosas.
El modelo semántico es la solución. Se trata de un archivo YAML que actúa como tu «capa de traducción» personalizada, enseñando a Cortex Analyst el vocabulario y la lógica específicos de tu empresa. La creación y el mantenimiento de este archivo son el resultado de un esfuerzo colaborativo entre los ingenieros de datos, que utilizan herramientas ETL para conocer el esquema, y los analistas de negocio, que conocen la terminología.
Su archivo de modelo semántico debe contener estos componentes clave:
| Componente | Objetivo |
| Tablas | Lista de tablas con una descripción en lenguaje sencillo de su finalidad. |
| Columnas | Define el tipo semántico de cada columna (como categoría o métrica) y puede incluir valores de muestra. |
| Relaciones | Especifica cómo se conectan las tablas mediante uniones, lo que elimina cualquier margen de incertidumbre para la IA. |
| Consultas verificadas | Ofrece ejemplos de pares de preguntas y consultas SQL que sirven como guías muy útiles para el modelo de lenguaje grande (LLM). |
3. Configurar Cortex Search Service (opcional)
A veces, las respuestas que necesitas se esconden en textos no estructurados, como descripciones de productos, tickets de Soporte o transcripciones de llamadas. Las consultas SQL estándar no pueden acceder a estos datos, lo que significa que a menudo te pierdes el «por qué» que hay detrás del «qué».
Si lo desea, puede añadir aquí Snowflake Cortex Search Service. Se trata de una capa de «búsqueda como servicio» que le permite realizar consultas tanto en sus tablas estructuradas como en sus datos de texto no estructurados utilizando, al mismo tiempo, agentes de IA para el análisis de datos.
Deberías configurar Cortex Search si tus analistas necesitan formular preguntas que requieran extraer contexto del texto antes de generar el código SQL. Por ejemplo, podrías buscar primero todas las reseñas de productos que contengan la frase «problema con la batería» y, a continuación, generar una consulta SQL para agregar los datos de ventas únicamente de esos productos.
Para la generación de SQL puro sobre tablas estructuradas, este servicio no es necesario.
🧠 Dato curioso: A principios de la década de 1970, los investigadores de IBM Donald Chamberlin y Raymond Boyce crearon el «Structured English Query Language» (Lenguaje estructurado de consulta en inglés). Tuvieron que cambiar el nombre a SQL porque «SEQUEL» ya era una marca registrada de una empresa aeronáutica británica.
Guía paso a paso para generar SQL con Cortex Analyst
Ya has terminado el trabajo preliminar, pero ahora te encuentras ante una pantalla en blanco, sin tener claro cuál es el flujo de trabajo real. ¿Cómo pasas de una pregunta que tienes en la cabeza a una consulta SQL ejecutable? Cuando la gestión del flujo de trabajo no está clara, las nuevas herramientas suelen quedar sin usar y la inversión en su configuración se desperdicia.
El proceso práctico es sorprendentemente sencillo. ¡Echemos un vistazo más de cerca!
Paso n.º 1: Prepara tus datos en Snowflake
Antes de nada, sus datos estructurados deben estar almacenados en Snowflake. Cada aplicación de Cortex Analyst apunta a una sola tabla o a una vista compuesta por una o más tablas. Asegúrese de que sus tablas estén creadas y pobladas.
Si estás cargando datos desde archivos planos:
- Sube tus archivos de datos (por ejemplo, CSV) a una fase de Snowflake
- Utiliza el comando COPY INTO para cargar datos desde la fase a tus tablas.
- Comprueba que los datos se hayan cargado de forma correcta antes de continuar.
Paso n.º 2: Crear un modelo semántico (o vista semántica)
Este es el paso más importante de la configuración. La potencia de Cortex Analyst reside en la combinación de modelos de lenguaje a gran escala (LLM) con modelos semánticos, un archivo YAML que se integra con el esquema de su base de datos y codifica el contexto empresarial.
Las vistas semánticas son ahora el método recomendado por Snowflake para Cortex Analyst. Almacenan métricas empresariales, relaciones y definiciones directamente dentro de Snowflake. Los archivos de modelos semánticos YAML heredados siguen funcionando, pero Snowflake orienta las nuevas implementaciones hacia las vistas semánticas.
Su modelo semántico o vista debe incluir:
- Descripciones de tablas y columnas: Explicaciones en lenguaje sencillo sobre el significado de cada campo
- Métricas empresariales: Definiciones de campos calculados como ingresos, tasa de abandono o tasa de conversión
- Filtros y sinónimos: Términos alternativos que podrían utilizar los usuarios (por ejemplo, «cancelado» correlacionado con un valor de estado específico).
- Consultas verificadas: El repositorio de consultas verificadas de Snowflake almacena pares aprobados de preguntas y código SQL. Cuando la pregunta de un usuario se asemeja a una de esas entradas, Cortex Analyst puede hacer referencia a ella durante la generación de código SQL.
🤝 Recordatorio: Snowflake recomienda no utilizar más de 10 tablas ni más de 50 columnas seleccionadas para obtener un rendimiento óptimo en el flujo de trabajo de Snowsight.
Paso n.º 3: Carga el modelo semántico en una fase de Snowflake
Si utilizas un modelo semántico basado en YAML, es necesario implementarlo en la fase de ejecución para que Cortex Analyst pueda hacer referencia a él.
- Sube tu archivo .yaml a una fase interna de Snowflake (por ejemplo, RAW_DATA).
- Comprueba que el archivo aparece en la fase a través de la interfaz de usuario de Snowsight o mediante el comando LIST @stage_name.
- Toma nota de la ruta de la fase; la necesitarás en tus llamadas a la API o en la configuración de la aplicación.
Si utiliza una vista semántica, este paso se gestiona de forma nativa en Snowflake, por lo que no es necesario realizar ninguna carga adicional.
🔍 ¿Sabías que...? El valor NULL en SQL no significa cero ni vacío. Representa datos desconocidos o que faltan, lo que da lugar a comportamientos poco intuitivos, como comparaciones que no devuelven ni verdadero ni falso.
Paso n.º 4: Envía una pregunta en lenguaje natural a través de la API REST
Ahora comienza la generación propiamente dicha de SQL. La API REST genera una consulta SQL para una pregunta determinada utilizando un modelo semántico o una vista semántica proporcionados en la solicitud.
Estructura tu solicitud de API con:
- mensajes; una matriz que contiene la pregunta del usuario con el rol: «usuario»
- Una referencia a su modelo semántico o vista semántica
- Tu modelo preferido (o déjalo en «auto» para que Cortex realice la selección más adecuada)
Podrás mantener conversaciones de varios turnos en las que podrás formular preguntas de seguimiento basadas en consultas anteriores.
Paso n.º 5: Analizar la respuesta de la API
Cada mensaje de una respuesta puede contener varios bloques de contenido de distintos tipos. Los tres valores que se admiten actualmente para el campo «type» son: «texto», «suggestions» y «SQL».
Esto es lo que significa cada tipo:
- SQL: Cortex ha generado correctamente una consulta; esto es lo que vas a ejecutar
- texto: Una explicación o respuesta en lenguaje natural que acompaña al código SQL
- Sugerencias: El tipo de contenido «sugerencias» solo se incluye en una respuesta si la pregunta del usuario era ambigua y Cortex Analyst no pudo devolver una instrucción SQL para esa consulta. Utilícelas para aclarar o precisar la pregunta.
🔍 ¿Sabías que...? El orden en el que escribes el código SQL no es el orden en el que se ejecuta. Aunque escribas SELECT primero, las bases de datos procesan en realidad FROM y WHERE antes de realizar la selección de las columnas. Esto confunde tanto a los principiantes como a los usuarios experimentados.
Paso n.º 6: Ejecuta el código SQL generado en Snowflake
Una vez que tenga el bloque SQL de la respuesta, ejecútelo en su almacén virtual de Snowflake. La consulta SQL generada se ejecuta en su almacén virtual de Snowflake para generar el resultado final. Los datos permanecen dentro de los límites de gobernanza de Snowflake.
Aspectos clave que hay que tener en cuenta en el momento de la ejecución:
- Cortex Analyst se integra plenamente con las políticas de control de acceso basado en roles (RBAC) de Snowflake, lo que garantiza que las consultas SQL generadas y ejecutadas cumplan con todos los controles de acceso establecidos.
- Si un usuario no tiene acceso a una tabla, la consulta fallará al ejecutarse, igual que ocurriría con un código SQL escrito manualmente.
- En esta fase se aplican los costes de computación del almacén de datos, independientes de las tarifas de uso propias de Cortex Analyst.
Paso n.º 7: Perfeccionar y repetir
No siempre es posible obtener una consulta perfecta a la primera. A continuación te explicamos cómo mejorar los resultados con el tiempo:
- Añade consultas verificadas a tu modelo semántico para las preguntas que surgen repetidamente.
- Enriquece tu modelo semántico con mejores descripciones, sinónimos y filtros cuando Cortex malinterprete un término.
- Utiliza conversaciones de varios turnos para continuar, por ejemplo: «Ahora filtra eso por región». Las conversaciones de varios turnos permiten formular preguntas de seguimiento que se basan en consultas anteriores.
- Supervisa el uso a través de CORTEX_ANALYST_USAGE_HISTORY y el historial de consultas de Snowflake para detectar patrones en las consultas fallidas o inexactas.
🧠 Dato curioso: Una sola condición JOIN que falte puede provocar problemas graves. Olvidar una condición JOIN puede generar un producto cartesiano, lo que multiplica drásticamente el número de filas y, en ocasiones, provoca fallos en los sistemas.
Buenas prácticas para la precisión de la conversión de texto a SQL en Snowflake
La calidad de su modelo semántico determina directamente la precisión de las consultas que genera. A continuación le presentamos las buenas prácticas para mejorar la precisión. 🛠️
- Añade consultas verificadas a tu modelo semántico: esto es lo más eficaz que puedes hacer. Incluye numerosos ejemplos de pares «pregunta-SQL» que reflejen la forma en que tu equipo formula realmente las preguntas.
- Utiliza nombres descriptivos para las columnas y las tablas: el modelo funciona mejor cuando los nombres de las columnas y las tablas se explican por sí mismos. Si no puedes cambiar el esquema, añade descripciones claras en tu archivo YAML para cualquier nombre de columna críptico.
- Incluye valores de muestra: Añadir datos de muestra para las columnas categóricas (como «estado» o «región») ayuda al modelo a comprender las opciones de filtro válidas disponibles.
- Realiza pruebas con casos extremos: durante el desarrollo, formula deliberadamente preguntas ambiguas o complicadas para identificar en qué puntos tu modelo semántico necesita más contexto o aclaraciones.
- Realiza iteraciones en tu modelo semántico: Considera tu modelo semántico como un documento vivo. Debe actualizarse continuamente mediante un proceso iterativo basado en qué consultas tienen éxito y cuáles fallan.
ClickUp: una alternativa más sencilla a Snowflake Cortex
Snowflake Cortex resulta muy útil cuando los equipos desean generar código SQL y ejecutar consultas en datos estructurados. Los equipos definen esquemas, correlacionan relaciones y escriben consultas para extraer información relevante. Esta configuración resulta ideal para entornos con grandes volúmenes de datos, especialmente cuando los analistas se encargan de la elaboración de informes.
Sin embargo, muchos equipos no necesitan una capa SQL completa para responder a las preguntas operativas cotidianas. Los gestores de producto, los responsables de programas y los equipos de operaciones suelen buscar respuestas rápidas relacionadas con el trabajo en curso.
ClickUp ofrece una vía más accesible. Los equipos formulan preguntas en lenguaje sencillo, revisan paneles de control en tiempo real y actúan en función de la información obtenida sin necesidad de escribir código SQL ni crear modelos semánticos.
Genera y perfecciona el código SQL más rápidamente
Snowflake Cortex se centra en generar consultas SQL a partir de conjuntos de datos estructurados dentro de un entorno de almacén de datos. Esto funciona bien cuando los datos ya se encuentran en Snowflake y se dispone de esquemas correlacionados.
ClickUp Brain ofrece compatibilidad con la generación de SQL de forma más flexible y centrada en la ejecución. Los equipos generan, perfeccionan y almacenan consultas SQL directamente en su entorno de trabajo, donde ya se llevan a cabo los análisis, los debates y la toma de decisiones.
Imaginemos que un analista de productos está trabajando en una tarea de análisis de retención dentro de ClickUp. En lugar de cambiar de herramienta para escribir consultas, le pregunta a ClickUp Brain:
📌 Prueba esta indicación: Escribe una consulta SQL para calcular la retención de siete días de los usuarios agrupados por cohorte de registro.
ClickUp Brain genera una consulta estructurada que incluye agrupación por cohortes, filtros de fecha y lógica de retención. El analista pega la consulta en Snowflake u otro almacén de datos y la ejecuta de inmediato.
Esto ayuda a:
- Escribe uniones entre varias tablas, como usuarios, pedidos y eventos
- Convierte preguntas sobre productos formuladas en inglés sencillo en lógica SQL lista para su ejecución
- Depura consultas erróneas y explica los problemas, como uniones incorrectas o condiciones que faltan.
- Reescribe las consultas para mejorar su rendimiento o legibilidad
Por ejemplo, durante la revisión de un experimento de crecimiento, un especialista en marketing pregunta: «Escribe una consulta SQL para comparar las tasas de conversión entre dos páginas de destino durante los últimos 14 días».
ClickUp Brain genera la consulta utilizando agregación condicional y filtros de fecha. El equipo la ejecuta en Snowflake y valida los resultados del experimento.
📌 Prueba esta indicación: Corrige esta consulta SQL en la que la unión duplica filas y explica el problema.
ClickUp Brain identifica el problema de la unión, corrige la consulta y explica cómo se produjeron las filas duplicadas debido a condiciones de unión incorrectas.
Sustituya la elaboración de informes basada en SQL
Los flujos de trabajo de Snowflake Cortex suelen implicar la generación de SQL, la ejecución de consultas y la visualización de resultados en una capa independiente. Los paneles de ClickUp eliminan ese proceso de varios pasos y presentan la información directamente desde el trabajo en tiempo real.
Un equipo de gestión de programas que realice el seguimiento del estado de preparación de un lanzamiento puede crear un panel sin necesidad de escribir consultas. Por ejemplo, un panel de lanzamientos puede incluir:
- Una tarjeta de lista de tareas filtrada para mostrar las tareas vencidas de todos los equipos de producto
- Una tarjeta de carga de trabajo que muestra la distribución de tareas entre los ingenieros
- Un gráfico de barras que compara las tareas completadas con las pendientes por sprint
- Una tarjeta de cálculo que realiza el seguimiento del tiempo medio de finalización
Supongamos que el responsable de un programa revisa este panel antes de una reunión de lanzamiento. De inmediato observa que los servicios de backend presentan mayores índices de retraso. Abre la tarjeta de la lista de tareas y examina las tareas concretas que suponen un riesgo.
Un usuario real de ClickUp nos cuenta:
ClickUp nos permite pasarnos los proyectos entre nosotros RÁPIDAMENTE, comprobar FÁCILMENTE el estado de los proyectos y ofrece a nuestra supervisora una visión de nuestra carga de trabajo en cualquier momento sin que tenga que interrumpirnos. Sin duda, hemos ahorrado un día a la semana gracias a ClickUp, si no más. El número de correos electrónicos se ha reducido CONSIDERABLEMENTE.
ClickUp nos permite pasarnos los proyectos entre nosotros RÁPIDAMENTE, comprobar FÁCILMENTE el estado de los proyectos y ofrece a nuestra supervisora una visión de nuestra carga de trabajo en cualquier momento sin que tenga que interrumpirnos. Sin duda, hemos ahorrado un día a la semana utilizando ClickUp, si no más. El número de correos electrónicos se ha reducido CONSIDERABLEMENTE.
Actúa en función de la información obtenida sin necesidad de flujos de trabajo
Snowflake Cortex se centra en extraer información a partir de los datos. Los equipos siguen teniendo que interpretar los resultados y actuar como desencadenantes por separado.
Los Superagentes de ClickUp AI cierran esa brecha y convierten los conocimientos en acciones. Funcionan como compañeros de equipo de IA que supervisan continuamente los datos del entorno de trabajo y toman medidas en función de las condiciones.
Supongamos que un director de programas supervisa varias iniciativas de producto. Un «Super Agent» puede:
- Supervisa las tareas de todos los proyectos y detecta cuándo las tareas atrasadas superan un umbral definido.
- Identifica patrones como retrasos repetidos en la misma fase del flujo de trabajo
- Crea una tarea que resuma los proyectos afectados y asígnala al responsable del programa.
- Avisa a los propietarios de los equipos cuando haya tareas críticas sin resolver tras haber vencido los plazos.
Por ejemplo, durante un ciclo de lanzamiento, un Super Agent detecta que más de 10 tareas de alta prioridad de dos equipos no han cumplido los plazos. Crea una tarea de ClickUp titulada «Riesgo de lanzamiento: plazos incumplidos», adjunta todas las tareas relevantes y se la asigna al director del programa para que la revise de inmediato.
Los equipos también pueden interactuar directamente con el Superagente: «Analiza todos los proyectos activos y destaca los riesgos de entrega para este sprint».
El Super Agent revisa los plazos, las dependencias y el estado de las tareas, y a continuación publica un resumen estructurado en el entorno de trabajo.
A continuación te explicamos cómo configurar tu propio Super Agent en ClickUp:
Centraliza tus flujos de trabajo de datos con ClickUp
Las herramientas de conversión de texto a SQL, como Snowflake Cortex, facilitan el acceso a los datos. Sin embargo, conseguir resultados fiables sigue requiriendo un esfuerzo considerable.
Los equipos necesitan esquemas limpios, modelos semánticos sólidos y una iteración continua para garantizar la precisión de los resultados. Incluso después de generar la consulta adecuada, el trabajo no termina ahí. Alguien tiene que interpretar los resultados, compartir las conclusiones y convertirlas en decisiones.
ClickUp ofrece un enfoque diferente. En lugar de separar el análisis de la ejecución, ClickUp establece la conexión entre ambos. Los equipos generan código SQL, documentan sus conclusiones, colaboran en los resultados y actúan en consecuencia dentro del mismo entorno de trabajo.
ClickUp Brain ayuda a redactar y perfeccionar las consultas, mientras que los paneles y los agentes de IA ayudan a los equipos a realizar el seguimiento de los resultados y a avanzar en el trabajo sin tener que cambiar de herramienta.
Snowflake Cortex te ayuda a obtener respuestas. ClickUp te ayuda a sacarles partido. ¡Regístrate hoy mismo en ClickUp!
Preguntas frecuentes
¿Qué es Snowflake Cortex Analyst y en qué se diferencia de Cortex IA?
Snowflake Cortex Analyst es un servicio especializado dentro de la suite más amplia de Snowflake Cortex IA. Cortex Analyst se centra específicamente en la generación de SQL a partir de texto mediante modelos semánticos, mientras que Cortex IA incluye un intervalo más amplio de funciones de modelos de lenguaje grande (LLM), inferencia de modelos de aprendizaje automático y capacidades de búsqueda.
¿Funciona Snowflake Cortex Analyst con fuentes de datos externas, como las tablas de Iceberg?
Sí, Cortex Analyst puede consultar tablas de Apache Iceberg gestionadas a través de Snowflake. Siempre que se pueda acceder a las tablas desde su entorno de Snowflake y estén correctamente definidas en su modelo semántico, podrá generar consultas sobre ellas.
¿Qué grado de precisión tiene la generación de SQL a partir del texto de Snowflake para consultas complejas?
La precisión de las consultas complejas depende casi por completo de la calidad de su modelo semántico. Un modelo con relaciones entre tablas bien definidas, numerosas consultas verificadas y metadatos descriptivos producirá resultados significativamente más precisos para las uniones de varias tablas y las agregaciones complejas.
¿Cuánto cuesta Snowflake Cortex en lo que respecta a las funciones de generación de SQL?
Las tarifas de Snowflake Cortex Analyst siguen el modelo basado en el consumo de Snowflake, lo que significa que se le facturará en función de los créditos de computación utilizados durante el proceso de generación de consultas. Para conocer las tarifas más actuales, consulte siempre la documentación oficial de precios de Snowflake.