Los informes semanales son ese tipo de tarea que nadie quiere hacer. Recopilar datos, darles formato, escribir el texto, repetir. Cada semana. Es el candidato perfecto para automatizarlo.

En este tutorial te enseño a crear un sistema que:

  1. Recoge datos de tus fuentes (bases de datos, hojas de cálculo, APIs)
  2. Los analiza y resume
  3. Escribe un informe en lenguaje natural con ChatGPT
  4. Lo envía por email o lo guarda donde quieras

Todo con Python y menos de 100 líneas de código.

Lo que necesitas

  • Python 3.8+ instalado en tu máquina
  • Una API key de OpenAI (consíguela aquí)
  • Un correo SMTP (Gmail, Outlook o cualquier proveedor)

Instala las dependencias:

pip install openai pandas python-dotenv

Paso 1: Estructura del proyecto

Crea una carpeta para el proyecto:

informes-automaticos/
├── .env              # Tus claves API (¡no compartirlas!)
├── informe.py        # El script principal
├── plantilla.md      # Plantilla del informe
└── datos/            # Donde guardamos los datos históricos

El .env tendrá esto:

OPENAI_API_KEY=sk-tu-api-key-aqui
SMTP_SERVER=smtp.gmail.com
SMTP_PORT=587
SMTP_USER=tu-email@gmail.com
SMTP_PASS=tu-contraseña-de-aplicacion
DESTINO_EMAIL=jefe@empresa.com

Paso 2: Recoger los datos

Vamos a simular datos de ventas para el ejemplo. En tu caso, esto puede ser una consulta SQL, un archivo CSV o una API.

import pandas as pd
from datetime import datetime, timedelta
from dotenv import load_dotenv
import os

load_dotenv()

def obtener_datos_semana():
    """Simula datos de ventas de la última semana.
    Reemplaza esto con tu fuente real de datos."""
    
    # Esto podría ser: pd.read_sql("SELECT ...", conexion)
    # O: pd.read_csv("datos/ventas.csv")
    
    data = {
        "fecha": [datetime.now() - timedelta(days=i) for i in range(7)],
        "ventas": [1200, 1450, 980, 2100, 1650, 1900, 1350],
        "pedidos": [15, 18, 12, 25, 20, 22, 17],
        "clientes_nuevos": [3, 5, 2, 7, 4, 6, 3]
    }
    return pd.DataFrame(data)

Este script devuelve un DataFrame con la última semana. Sustituye la parte de los datos por tu conexión real (base de datos, Google Sheets, etc.).

Paso 3: Calcular métricas clave

Antes de pedirle a ChatGPT que escriba, calculamos lo importante:

def calcular_metricas(df):
    """Extrae métricas relevantes de los datos."""
    total_ventas = df["ventas"].sum()
    media_ventas = df["ventas"].mean()
    total_pedidos = df["pedidos"].sum()
    total_clientes = df["clientes_nuevos"].sum()
    
    # Comparación con semana anterior (simulada)
    semana_anterior = 9500  # Este valor vendría de un histórico real
    variacion = ((total_ventas - semana_anterior) / semana_anterior) * 100
    
    # Mejor y peor día
    mejor_dia = df.loc[df["ventas"].idxmax()]
    peor_dia = df.loc[df["ventas"].idxmin()]
    
    return {
        "total_ventas": total_ventas,
        "media_ventas": round(media_ventas, 2),
        "total_pedidos": total_pedidos,
        "total_clientes": total_clientes,
        "variacion": round(variacion, 1),
        "mejor_dia": mejor_dia["fecha"].strftime("%A"),
        "mejor_dia_ventas": mejor_dia["ventas"],
        "peor_dia": peor_dia["fecha"].strftime("%A"),
        "peor_dia_ventas": peor_dia["ventas"],
    }

Paso 4: Generar el informe con ChatGPT

Aquí viene la magia. Usamos la API de OpenAI para convertir las métricas en un texto natural:

from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def generar_informe(metricas):
    """Usa ChatGPT para redactar el informe a partir de las métricas."""
    
    prompt = f"""
Eres un analista de negocio. Redacta un informe semanal profesional en español
a partir de estas métricas de la última semana:

- Ventas totales: {metricas['total_ventas']}€
- Media diaria: {metricas['media_ventas']}€
- Variación respecto a la semana anterior: {metricas['variacion']}%
- Pedidos totales: {metricas['total_pedidos']}
- Clientes nuevos: {metricas['total_clientes']}
- Mejor día: {metricas['mejor_dia']} ({metricas['mejor_dia_ventas']}€)
- Peor día: {metricas['peor_dia']} ({metricas['peor_dia_ventas']}€)

Estructura:
1. Resumen ejecutivo (2-3 líneas)
2. Análisis de rendimiento (destaca tendencias)
3. Recomendaciones para la próxima semana

No uses markdown ni negritas. Lenguaje directo y profesional.
"""
    
    respuesta = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7,
        max_tokens=500
    )
    
    return respuesta.choices[0].message.content

Nota sobre costes: Con gpt-4o-mini, cada informe cuesta menos de 1 céntimo de euro. Para 52 informes al año, hablamos de unos 50 céntimos.

Paso 5: Enviar por email el informe

Ninguna automatización está completa si no llega sola a tu bandeja de entrada:

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart

def enviar_email(informe, metricas):
    """Envía el informe por email."""
    
    msg = MIMEMultipart()
    msg["Subject"] = f"📊 Informe Semanal - Semana {datetime.now().isocalendar()[1]}"
    msg["From"] = os.getenv("SMTP_USER")
    msg["To"] = os.getenv("DESTINO_EMAIL")
    
    cuerpo = f"""
<html><body>
<h2>Informe Semanal de Ventas</h2>
<p><strong>Período:</strong> Últimos 7 días</p>

<table border="1" cellpadding="6" cellspacing="0" style="border-collapse:collapse;">
<tr><td>Ventas totales</td><td><strong>{metricas['total_ventas']}€</strong></td></tr>
<tr><td>Media diaria</td><td>{metricas['media_ventas']}€</td></tr>
<tr><td>Variación semanal</td><td>{metricas['variacion']}%</td></tr>
<tr><td>Pedidos</td><td>{metricas['total_pedidos']}</td></tr>
<tr><td>Clientes nuevos</td><td>{metricas['total_clientes']}</td></tr>
</table>

<h3>Resumen</h3>
<p>{informe}</p>
</body></html>
"""
    
    msg.attach(MIMEText(cuerpo, "html"))
    
    with smtplib.SMTP(os.getenv("SMTP_SERVER"), int(os.getenv("SMTP_PORT"))) as server:
        server.starttls()
        server.login(os.getenv("SMTP_USER"), os.getenv("SMTP_PASS"))
        server.send_message(msg)
    
    print("✅ Informe enviado correctamente")

Paso 6: Juntarlo todo

El script principal queda limpio y modular:

def main():
    print("📥 Obteniendo datos...")
    datos = obtener_datos_semana()
    
    print("📊 Calculando métricas...")
    metricas = calcular_metricas(datos)
    
    print("🤖 Generando informe con IA...")
    informe = generar_informe(metricas)
    
    print("📤 Enviando por email...")
    enviar_email(informe, metricas)
    
    print("✅ ¡Informe semanal completado!")

if __name__ == "__main__":
    main()

Paso 7: Automatizar la ejecución

Para que el informe se envíe solo cada semana, programa el script:

En Linux/Mac (crontab):

crontab -e
# Se ejecuta cada lunes a las 8:00
0 8 * * 1 cd /ruta/informes-automaticos && python informe.py

En Windows (Tareas programadas):

  1. Abre “Programador de tareas”
  2. Crea una tarea básica
  3. Disparador: semanal, lunes a las 8:00
  4. Acción: iniciar programa → python.exe
  5. Argumentos: C:\ruta\informes-automaticos\informe.py

Ideas para extenderlo

Mejora Cómo hacerlo
Más fuentes de datos Conecta Google Sheets, Airtable, o una API REST
Gráficos Añade matplotlib para generar gráficos y adjuntarlos
Dashboard web Genera un HTML con los datos y súbelo a Netlify o GitHub Pages
Varios destinatarios Envía el informe a CC con diferentes roles
Guardar histórico Almacena los datos semanales en SQLite para análisis a largo plazo
Slack/Telegram Sustituye el email por un mensaje a tu canal de equipo

Resumen

En menos de 100 líneas de Python has creado:

  • ✅ Un sistema que recopila datos automáticamente
  • ✅ Un generador de informes con lenguaje natural usando ChatGPT
  • ✅ Un envío automático por email
  • ✅ Una tarea programada que se ejecuta sola cada semana

Lo que antes te llevaba 1 hora cada lunes ahora son 0 segundos. Y el informe es más consistente porque no olvidas incluir nada.

¿Tienes algún proceso semanal que te gustaría automatizar? Cuéntamelo y te ayudo a diseñar el script.