Kit de prompts del webinar

================================================================================
PROMPT 01 — AVANZADO (AGENTIC IDE)
Nombre: Contract Downloader · Track Avanzado
Herramientas: Claude Code, Cursor, Codex CLI, Windsurf, GitHub Copilot Workspace
Tiempo estimado breakout: 25 minutos
Nivel: Conocimiento basico de Python, terminal y entornos virtuales
================================================================================

OBJETIVO DEL BREAKOUT
---------------------
Al finalizar los 25 minutos, el participante debe contar con un script Python
funcional que DESCARGUE archivos PDF de tabuladores y contratos colectivos
desde el repositorio publico del Centro Federal de Conciliacion y Registro
Laboral (CFCRL), a partir de una lista de numeros de expediente CCT.

El producto a obtener es una carpeta local organizada por empresa con los
archivos descargados, no un CSV de metadata. El facilitador entrega 3 CCTs
de prueba al inicio del breakout.

REQUISITOS PREVIOS
------------------
- Python 3.10+ instalado
- Acceso a terminal con permisos para crear venv e instalar paquetes
- Editor con agente IA abierto en una carpeta vacia
- Conexion a internet estable (sin proxy corporativo bloqueando .gob.mx)
- Lista de 3 CCTs de prueba (entregada por el facilitador)

ALCANCE DEL EJERCICIO
---------------------
ESTA version replica la parte BASICA del descargador real: busca el CCT,
entra a la pagina del contrato y descarga los archivos cuyo enlace ya esta
visible en el HTML (links "/documento-publico/download/...").

NO entra en este alcance el flujo AJAX (botones "btn-generar-liga") que
requiere CSRF + token temporal — ese es el componente que diferencia un
descargador profesional y se cubre en el modulo extendido fuera del webinar.

================================================================================
PROMPT — COPIAR Y PEGAR EN EL AGENTE
================================================================================

ROL
Actua como un ingeniero de datos senior con experiencia en descarga
automatizada de documentos publicos en sitios gubernamentales mexicanos.
Eres pragmatico: priorizas que el codigo descargue archivos reales sobre
la elegancia arquitectonica.

CONTEXTO
Voy a descargar archivos PDF de contratos colectivos publicos del repositorio
del Centro Federal de Conciliacion y Registro Laboral (CFCRL). Las URLs base
del sitio son:

    Busqueda:        https://repositorio.centrolaboral.gob.mx
    Pagina contrato: https://repositorio.centrolaboral.gob.mx/contrato/{id}
    Descarga PDF:    https://registro.centrolaboral.gob.mx/documento-publico/download/...

El flujo real verificado es:

    1. GET https://repositorio.centrolaboral.gob.mx con query params:
           search={numero_cct}
           tab=contratos
           form_general=1
       Devuelve HTML con una tabla. Cada fila relevante tiene un
       <a href="/contrato/{id}"> donde {id} es un entero.

    2. Para cada {id} encontrado, GET
       https://repositorio.centrolaboral.gob.mx/contrato/{id}
       Devuelve HTML con multiples enlaces <a href="..."> donde algunos
       contienen la subcadena "/documento-publico/download/" y apuntan a
       PDFs (o xlsx/docx) en el dominio registro.centrolaboral.gob.mx.

    3. Para cada uno de esos enlaces, GET la URL completa con la sesion
       (mantiene cookies). Stream-download el contenido a disco como PDF.

Los nombres de los archivos vienen embebidos en la URL, separados por "|":
    .../download/2025|06|26|tramite-403862|contratos|nombrearchivo.pdf
El nombre real del archivo es el segmento posterior al ultimo "|".

TAREA
Genera un proyecto minimo con esta estructura:

    cfcrl_basic_downloader/
    |-- requirements.txt
    |-- config.py
    |-- downloader.py
    `-- README.md

1. requirements.txt — solamente: requests, beautifulsoup4, lxml

2. config.py — exponer:
       BASE_REPO    = "https://repositorio.centrolaboral.gob.mx"
       USER_AGENT   = string realista de Chrome 120 Windows
       TIMEOUT      = 30
       PAUSA        = 2.5  # segundos entre peticiones (no abusar del sitio publico)
       OUTPUT_DIR   = "descargas"
       CCTS_DEMO    = ["REEMPLAZAR_CCT_1", "REEMPLAZAR_CCT_2", "REEMPLAZAR_CCT_3"]
       # Estas tres entradas las completara el participante con los CCTs
       # reales que entregue el facilitador al inicio del breakout.

3. downloader.py — funciones puras + main:

   construir_sesion() -> requests.Session
       Headers: User-Agent y "Accept-Language: es-MX,es;q=0.9".

   buscar_ids_contrato(session, cct: str) -> list[int]
       GET BASE_REPO con params {"search": cct, "tab": "contratos",
       "form_general": "1"}. Parsear HTML con BeautifulSoup (parser lxml).
       Encontrar todos los <a href="/contrato/N"> donde N es entero.
       Devolver lista unica ordenada descendente (mas reciente primero).

   obtener_links_descarga(session, contrato_id: int) -> list[str]
       GET BASE_REPO + "/contrato/" + str(contrato_id). Parsear HTML.
       Devolver lista de URLs absolutas que contengan
       "/documento-publico/download/" en su href.
       Si href empieza con "/", anteponer "https://registro.centrolaboral.gob.mx".
       Si href empieza con "http", dejar tal cual.
       Eliminar duplicados conservando orden.

   nombre_archivo_desde_url(url: str) -> str
       Si la URL contiene "|", devolver el segmento posterior al ultimo "|".
       Si no, devolver la ultima parte despues del ultimo "/".
       Sanitizar caracteres no validos para sistema de archivos
       (mantener solo letras, digitos, guion, punto, underscore).
       Truncar a 120 caracteres.

   clasificar_tipo(url: str) -> str
       Devuelve "tabuladores" si la URL contiene "tabulador",
       "sueldos_pdf" o "sueldos_excel".
       Devuelve "actas_votacion" si contiene "acta" o "resultado".
       Devuelve "convocatorias" si contiene "convocatoria".
       Devuelve "contratos" en cualquier otro caso (default seguro).

   descargar_archivo(session, url: str, ruta_destino: Path) -> bool
       GET con stream=True y timeout. Si la respuesta no es 2xx, log warning
       y devolver False. Escribir el contenido en chunks de 8KB. Devolver
       True si se escribio algun byte. Si el archivo ya existe en disco,
       saltarlo y devolver True (idempotente).

   main():
       Iterar sobre CCTS_DEMO. Para cada uno:
           1. Crear carpeta OUTPUT_DIR / cct.
           2. buscar_ids_contrato. Loggear cuantos IDs se encontraron.
              time.sleep(PAUSA) entre peticiones.
           3. Para cada id, obtener_links_descarga.
           4. Para cada link, clasificar_tipo, crear subcarpeta
              OUTPUT_DIR/cct/{tipo}/, generar nombre, descargar.
           5. Loggear: descargados, ya_existian, errores.
       Al final, imprimir resumen total.

   Logging con el modulo `logging` (nivel INFO), formato corto. Sin emojis
   en los logs (la consola Windows usa cp1252 y truena con caracteres
   especiales).

4. README.md corto: instalacion, como editar CCTS_DEMO, como ejecutar,
   estructura de salida esperada, disclaimer de uso responsable.

VALIDACION
Despues de generar los archivos:
    a. Crear venv, instalar dependencias.
    b. Editar config.py reemplazando los 3 CCTs placeholder por los reales
       que entrego el facilitador.
    c. Ejecutar: python downloader.py
    d. Verificar que en la carpeta `descargas/` aparezca al menos un PDF
       descargado para uno de los CCTs.

CRITERIOS DE ACEPTACION
[ ] El script corre end-to-end sin excepcion no manejada.
[ ] Al menos uno de los tres CCTs de prueba produce 1 o mas PDFs reales
    en disco (>10 KB, mime application/pdf).
[ ] Respeta PAUSA entre peticiones (verificable por timing del log).
[ ] La estructura de salida es: descargas/{cct}/{tipo}/{nombre.pdf}
[ ] El log muestra resumen final: total descargados, ya existian, errores.
[ ] El README incluye disclaimer de uso responsable.

RESTRICCIONES
- No uses Selenium ni Playwright. El sitio sirve HTML estatico para los
  enlaces directos; con requests + BeautifulSoup es suficiente.
- No intentes implementar el flujo AJAX btn-generar-liga ni el manejo CSRF.
  Si encuentras botones de ese tipo en el HTML, ignoralos y comentalo en
  el log como "documento requiere flujo AJAX (fuera de alcance)".
- No agregues base de datos, GUI ni API.
- Sin emojis en codigo ni en logs.

ENTREGA
Cuando termines:
    1. Muestra la estructura de archivos creada.
    2. Muestra la salida de la corrida (ultimas 30 lineas del log).
    3. Lista los archivos descargados con su tamanio.

================================================================================
SI ALGO SALE MAL — TROUBLESHOOTING
================================================================================

1. "buscar_ids_contrato devuelve []"
   El CCT puede no existir o estar mal escrito. Pidele al agente:
   "Modifica buscar_ids_contrato para que en caso de 0 resultados imprima
    la URL completa que consulto y guarde la respuesta HTML en
    debug_search.html. Voy a abrirlo para ver que devolvio el sitio."

2. "obtener_links_descarga devuelve [] aunque la pagina existe"
   Probablemente todos los documentos requieren AJAX (btn-generar-liga).
   En ese caso ese CCT no es util para esta version basica. Prueba con
   otro CCT de los entregados. Pidele al agente que muestre cuantos
   botones de ese tipo encontro vs cuantos enlaces directos.

3. "Descarga 200 OK pero el archivo no abre"
   Verifica que la respuesta tenga Content-Type "application/pdf"
   (o xlsx/docx). Algunas respuestas son HTML de error disfrazadas.
   Pidele: "Antes de escribir el archivo, valida que el primer bloque de
   bytes empiece con %PDF (firma de PDF). Si no, descarta y log."

4. "HTTP 403 o 429"
   Sube PAUSA a 5 segundos. Verifica que el User-Agent no sea el default
   de requests. Si persiste, tu red corporativa puede estar bloqueando
   *.gob.mx (probar desde red personal o hotspot).

================================================================================
VARIANTES Y EXTENSIONES (mas alla del breakout)
================================================================================

A. Validacion de integridad SHA-256
   Calcula el SHA-256 de cada archivo descargado y guardalo en un
   manifiesto JSON. Permite detectar archivos corruptos en re-ejecuciones.

B. Persistencia de progreso
   Guarda en progreso.json el set de CCTs ya completados. Al re-ejecutar,
   saltarlos sin pegarle al servidor. Util para listas largas.

C. Deteccion de documentos AJAX
   Antes de cada CCT, contar cuantos enlaces directos hay vs cuantos
   botones btn-generar-liga. Reportar como "documentos accesibles vs
   documentos protegidos" para entender que tan completa esta la
   descarga basica para ese contrato.

================================================================================
DISCLAIMER DE USO RESPONSABLE
================================================================================
El portal del CFCRL es un servicio publico financiado con recursos publicos.
Usa el script con moderacion: respeta PAUSA de minimo 2 segundos entre
peticiones, no corras descargas masivas en horario laboral, y limita el
volumen a lo que realmente necesites para tu analisis. La informacion es
publica pero su tratamiento posterior esta sujeto a la Ley Federal de
Proteccion de Datos Personales en Posesion de los Particulares cuando
incluya datos de personas fisicas identificables. Cita la fuente al
publicar analisis derivados.

================================================================================
PROMPT 02 — CONVERSACIONAL (CHAT WEB)
Nombre: Contract Downloader · Track Conversacional
Herramientas: ChatGPT (web/app), Claude.ai (web), Gemini (web/Pro)
Tiempo estimado breakout: 25 minutos
Nivel: Sin experiencia en programacion; sabe abrir terminal o usar Replit/Colab
================================================================================

OBJETIVO DEL BREAKOUT
---------------------
Al finalizar los 25 minutos, el participante debe haber recibido del modelo un
unico bloque de codigo Python listo para copiar, pegarlo en su computadora o en
Replit/Google Colab, ejecutarlo y obtener una carpeta `descargas/` con archivos
PDF reales de contratos colectivos descargados desde el portal publico del
Centro Federal de Conciliacion y Registro Laboral (CFCRL).

El facilitador entrega al inicio del breakout 3 numeros de CCT de prueba.

REQUISITOS PREVIOS
------------------
- Cuenta activa en ChatGPT, Claude.ai o Gemini
- Una de estas tres opciones para ejecutar el codigo:
    Opcion A: Python 3.10+ instalado en la computadora + terminal
    Opcion B: Cuenta gratuita en https://replit.com (recomendada para no tecnicos)
    Opcion C: Cuenta de Google para usar Google Colab (https://colab.research.google.com)
- Lista de 3 CCTs de prueba entregada por el facilitador
- Conexion a internet sin proxy corporativo que bloquee .gob.mx

ALCANCE DEL EJERCICIO
---------------------
Este script descarga archivos PDF cuyos enlaces estan visibles directamente en
el HTML del repositorio (tabuladores, contratos colectivos, actas). NO incluye
el flujo de descarga protegido (boton "btn-generar-liga") que requiere CSRF y
tokens temporales — ese componente diferencia al descargador profesional y se
abordara en otro modulo. Aun asi, esta version basica recupera la mayoria de
documentos publicos accesibles.

================================================================================
PROMPT — COPIAR Y PEGAR EN EL CHAT (UN SOLO MENSAJE)
================================================================================

Hola. Necesito tu ayuda para construir un script de Python que descargue
archivos PDF reales desde un sitio publico del gobierno mexicano. Voy a darte
todo el contexto y al final te pedire que me entregues el codigo COMPLETO en
UN solo bloque, para copiar, pegar y ejecutar sin armar nada por mi cuenta.

CONTEXTO
Soy profesional de Recursos Humanos en Mexico y quiero descargar documentos
publicos de contratos colectivos de trabajo (CCT) que estan en el repositorio
del Centro Federal de Conciliacion y Registro Laboral. El sitio es publico, la
informacion es publica.

Las URLs reales y verificadas son:

    Busqueda:        https://repositorio.centrolaboral.gob.mx
    Pagina contrato: https://repositorio.centrolaboral.gob.mx/contrato/{id}
    Descarga PDF:    https://registro.centrolaboral.gob.mx/documento-publico/download/...

EL FLUJO REAL ES ESTE (importantisimo, sigue exactamente este flujo):

    PASO 1: Hacer GET a https://repositorio.centrolaboral.gob.mx con
            estos query parameters:
                search   = numero del CCT (string)
                tab      = "contratos"
                form_general = "1"
            La respuesta es HTML que contiene una tabla. Cada fila relevante
            tiene un enlace asi: <a href="/contrato/12345">...</a>
            donde 12345 es un numero entero. Hay que extraer todos esos
            numeros (puede haber 1, varios o ninguno).

    PASO 2: Para cada numero N obtenido, hacer GET a
                https://repositorio.centrolaboral.gob.mx/contrato/N
            La respuesta es otro HTML. Hay que buscar TODOS los enlaces
            <a href="..."> cuyo href CONTENGA la cadena
            "/documento-publico/download/". Esos son los archivos a bajar.
            Si el href empieza con "/", convertirlo en
            "https://registro.centrolaboral.gob.mx" + href.

    PASO 3: Para cada URL de descarga, hacer GET con stream=True y guardar
            el contenido en disco como PDF. Los nombres de archivo vienen
            DENTRO de la URL, separados por barra vertical "|". Ejemplo:
            .../download/2025|06|26|tramite-403862|contratos|miarchivo.pdf
            El nombre real del archivo es lo que viene despues del ULTIMO "|".

    PASO 4: Organizar las descargas en carpetas por tipo:
            - Si la URL contiene "tabulador", "sueldos_pdf" o "sueldos_excel"
              -> carpeta "tabuladores"
            - Si contiene "acta" o "resultado" -> carpeta "actas_votacion"
            - Si contiene "convocatoria" -> carpeta "convocatorias"
            - Cualquier otro caso -> carpeta "contratos"

LO QUE NECESITO QUE HAGAS
1. Escribe un script de Python en UN solo archivo, en UN solo bloque de codigo,
   que haga lo siguiente:

   a) Use solamente: requests, beautifulsoup4 (de bs4 import BeautifulSoup),
      pathlib, time, logging, re. Nada mas.

   b) Tenga al inicio del archivo, faciles de cambiar:
        CCTS = ["1234567", "2345678", "3456789"]   # los 3 CCTs del facilitador
        CARPETA_SALIDA = "descargas"
        PAUSA_SEGUNDOS = 2.5

   c) Use un User-Agent realista de Chrome de Windows
      (ej. "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36
      (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36") y header
      "Accept-Language: es-MX,es;q=0.9".

   d) Para cada CCT en CCTS:
      - Loggea "Procesando CCT XXXXX".
      - Busca los IDs de contrato (paso 1 del flujo).
      - Para cada ID, entra a la pagina y extrae los enlaces de descarga
        (paso 2 del flujo).
      - Para cada enlace, clasifica el tipo y descarga (pasos 3 y 4).
      - Espera PAUSA_SEGUNDOS (time.sleep) entre cada peticion al servidor.

   e) Si un archivo ya existe en disco (mismo nombre y carpeta), saltalo.
      Loggea como "ya existe".

   f) Si una descarga falla (timeout, 4xx, 5xx), loggea warning con el
      detalle y CONTINUA con el siguiente. No abortes todo el proceso.

   g) Antes de escribir cada archivo a disco, valida que los primeros bytes
      empiecen con la firma %PDF para PDFs (o que el Content-Type sea PDF/
      xlsx/docx). Si no, descarta y loggea como "respuesta no es archivo".

   h) Al final, imprime un resumen: cuantos archivos descargados, cuantos
      ya existian, cuantos errores, y la ruta completa de la carpeta de
      salida.

2. Despues del bloque de codigo, en texto normal y en espanol claro, dime:
   - Como instalar las dependencias en una sola linea (pip install ...).
   - Como ejecutar el script en mi computadora (Windows y macOS).
   - Como ejecutarlo en Replit paso a paso (asume que nunca lo he usado).
   - Que estructura de carpetas voy a tener al terminar.

3. Si el portal no responde o cambia su estructura HTML, dimelo claramente
   y proponme una alternativa simple. NO me digas "instala Selenium" como
   primera opcion.

REGLAS DE ENTREGA
- El codigo debe ser AUTOCONTENIDO. Nada de "completa esta funcion" ni
  placeholders tipo "TODO" ni "tu_codigo_aqui".
- No intentes implementar manejo CSRF ni el flujo de "btn-generar-liga".
  Si en el HTML de un contrato no hay enlaces directos /documento-publico/
  download/, simplemente loggealo como "sin documentos directos" y sigue.
- Comentarios en espanol, breves, solo donde aporten claridad.
- Sin print() decorativos ni emojis (la consola Windows truena con
  caracteres especiales).
- El script tiene que CORRER tal cual lo entregues, sin que yo tenga que
  modificar nada mas alla de la lista CCTS.

Cuando termines, espera mi respuesta antes de hacer cambios. Voy a ejecutarlo
y volvere con la salida o con el error que aparezca.

================================================================================
SI ALGO SALE MAL — QUE PEGAR DE VUELTA EN EL CHAT
================================================================================

1. Aparece un error de Python (Traceback)
   Copia las ultimas 15 lineas del Traceback y pega esto:
   "Me salio este error al ejecutar el script. Corrige el codigo y entregame
    el archivo COMPLETO otra vez en un solo bloque, no me des solo el parche."

2. El script corre pero no descargo nada
   Pega esta instruccion:
   "El script corrio sin error pero la carpeta descargas esta vacia. Modifica
    el codigo para que ANTES de procesar, en el primer CCT, guarde el HTML de
    busqueda en debug_busqueda.html y el HTML de la primera pagina de contrato
    en debug_contrato.html. Tambien que imprima en consola cuantos enlaces
    /contrato/ encontro y cuantos /documento-publico/download/ encontro.
    Entregame el codigo completo otra vez."
   Cuando lo corras, pega los conteos al chat.

3. Las descargas devuelven HTML en vez de PDF
   Pega: "Las descargas devuelven contenido pero no son PDFs validos.
    Modifica el codigo para imprimir Content-Type y los primeros 200
    caracteres de la respuesta antes de guardar, solo para la primera
    descarga. Entregame el codigo completo."

4. Replit/Colab da error de instalacion
   Pega: "Estoy ejecutando esto en [Replit / Google Colab] y la instalacion
    de dependencias falla con este mensaje: [pega el error]. Dame la version
    adaptada para este entorno con la instruccion exacta de instalacion."

================================================================================
VARIANTES Y EXTENSIONES (mas alla del breakout)
================================================================================

A. Resumen ejecutivo de descargas
   Despues de correr el script, sube al chat 1 o 2 PDFs descargados (los mas
   pequenios) y pide:
   "Lee este contrato colectivo y dame en una pagina: vigencia, sindicato
    titular, numero de trabajadores estimado si lo menciona, y 5 prestaciones
    extralegales destacadas. No inventes lo que no este en el texto."

B. Procesar lista grande de CCTs desde Excel
   Pidele: "Modifica el script para que en vez de tener CCTS en codigo, lea
    una columna llamada 'CCT' de un archivo Excel llamado empresas.xlsx (hoja
    Sheet1). Mantengo todo lo demas igual."

C. Programar la descarga periodica
   Pidele: "Dame el comando de Windows Task Scheduler (schtasks.exe) para
    correr este script todos los lunes a las 8:00 AM, registrando la salida
    en un archivo .log con la fecha del dia." Util para mantener un
    repositorio local actualizado sin intervenir.

================================================================================
DISCLAIMER DE USO RESPONSABLE
================================================================================
El portal del CFCRL es un servicio publico. Mantente en PAUSA_SEGUNDOS de
minimo 2 segundos entre peticiones, no corras el script en bucles infinitos
ni en horarios pico, y descarga solo lo que necesites para tu analisis. La
informacion es publica pero su tratamiento posterior debe respetar la Ley
Federal de Proteccion de Datos Personales en Posesion de los Particulares
cuando incluya datos de personas fisicas identificables. Cita la fuente al
publicar analisis derivados.

================================================================================
PROMPT 03 — INTEGRADO (MICROSOFT COPILOT)
Nombre: Contract Downloader · Track Copilot Iterativo
Herramientas: Microsoft Copilot Chat (web / Microsoft 365), Copilot en VS Code,
              Copilot en Edge
Tiempo estimado breakout: 25 minutos
Nivel: Usuario corporativo de Microsoft 365 con Copilot habilitado
================================================================================

OBJETIVO DEL BREAKOUT
---------------------
Al finalizar los 25 minutos, el participante debe tener un script Python
ensamblado a partir de 4 prompts cortos secuenciales, capaz de DESCARGAR
archivos PDF de tabuladores y contratos colectivos desde el repositorio
publico del Centro Federal de Conciliacion y Registro Laboral (CFCRL),
a partir de una lista de numeros de CCT entregada por el facilitador.

POR QUE ESTE FORMATO
--------------------
- Copilot Chat suele truncar respuestas largas y prefiere ejemplos cortos.
- Funciona mejor refinando codigo existente que generandolo desde cero.
- En entorno corporativo el participante ya tiene Copilot habilitado y no
  necesita crear cuentas extra.

REQUISITOS PREVIOS
------------------
- Microsoft Copilot Chat habilitado (web, M365 o Edge sidebar)
- Python 3.10+ y pip instalados, o acceso a una terminal con permisos
- Un archivo nuevo en VS Code o Notepad llamado `cfcrl_downloader.py`
- 3 CCTs de prueba entregados por el facilitador
- Red sin proxy corporativo que bloquee *.gob.mx

ALCANCE DEL EJERCICIO
---------------------
Esta version basica descarga los archivos cuyos enlaces estan visibles
directamente en el HTML del repositorio. NO implementa el flujo AJAX
"btn-generar-liga" (CSRF + token temporal) que el descargador profesional
usa para bajar convenios y anexos protegidos. Aun asi, recupera la mayoria
de documentos publicos accesibles, incluyendo tabuladores y contratos
firmados directamente enlazados.

================================================================================
FLUJO ITERATIVO — 4 PROMPTS CORTOS, EN ORDEN
================================================================================

Despues de cada respuesta de Copilot, copia el codigo sugerido al archivo
`cfcrl_downloader.py` en el orden que se indica. Si Copilot entrega menos de
lo pedido, mandale: "Continua desde donde te quedaste, sin repetir lo
anterior." Suele funcionar.

--------------------------------------------------------------------------------
PASO 1 — CONFIGURACION INICIAL Y CONSTANTES (3-4 min)
--------------------------------------------------------------------------------

PROMPT A COPIAR:

Necesito construir un script Python que descargue archivos PDF desde el
repositorio publico del Centro Federal de Conciliacion y Registro Laboral
de Mexico. Las URLs reales y verificadas del sitio son:

  Busqueda:        https://repositorio.centrolaboral.gob.mx
  Pagina contrato: https://repositorio.centrolaboral.gob.mx/contrato/{id}
  Descarga PDF:    https://registro.centrolaboral.gob.mx/documento-publico/download/...

Dame solo la primera seccion del archivo cfcrl_downloader.py:

- Imports: requests, BeautifulSoup de bs4, time, logging, re, pathlib.Path
- Constantes en mayusculas:
    BASE_REPO = "https://repositorio.centrolaboral.gob.mx"
    BASE_REG  = "https://registro.centrolaboral.gob.mx"
    USER_AGENT = string realista de Chrome 120 en Windows
    TIMEOUT = 30
    PAUSA = 2.5  # segundos entre peticiones
    OUTPUT_DIR = Path("descargas")
    CCTS = ["REEMPLAZAR_1", "REEMPLAZAR_2", "REEMPLAZAR_3"]
- Configuracion de logging a nivel INFO con formato corto sin emojis
- Una funcion construir_sesion() que devuelva una requests.Session con los
  headers User-Agent y "Accept-Language: es-MX,es;q=0.9"

Solo esa parte. Codigo en un solo bloque, sin explicacion larga.

--------------------------------------------------------------------------------
PASO 2 — BUSQUEDA DE CONTRATOS POR CCT (5-7 min)
--------------------------------------------------------------------------------

PROMPT A COPIAR:

Sobre el archivo anterior, agrega dos funciones:

1. buscar_ids_contrato(session, cct) que:
   - Haga GET a BASE_REPO con query params
     {"search": cct, "tab": "contratos", "form_general": "1"}
     y timeout=TIMEOUT.
   - Si la respuesta no es 2xx, log warning y devuelva lista vacia.
   - Parsee el HTML con BeautifulSoup (parser "html.parser") y encuentre
     todos los <a> cuyo href haga match con la expresion regular
     r"^/contrato/(\d+)$"
   - Devuelva una lista de enteros unicos, ordenada de mayor a menor (mas
     reciente primero).

2. obtener_links_descarga(session, contrato_id) que:
   - Haga GET a BASE_REPO + "/contrato/" + str(contrato_id) con
     timeout=TIMEOUT.
   - Si falla, log warning y devuelva [].
   - Parsee el HTML y devuelva todas las URLs absolutas de los <a> cuyo
     href contenga la cadena "/documento-publico/download/".
   - Si el href empieza con "/", anteponer BASE_REG. Si empieza con
     "http", dejarlo tal cual.
   - Eliminar duplicados conservando orden.

Dame solo esas dos funciones, listas para pegar despues de las constantes.

--------------------------------------------------------------------------------
PASO 3 — CLASIFICACION Y DESCARGA DE ARCHIVOS (6-8 min)
--------------------------------------------------------------------------------

PROMPT A COPIAR:

Ahora agrega tres funciones mas al mismo archivo:

1. nombre_archivo_desde_url(url) que:
   - Extraiga el nombre del archivo desde la URL. Las URLs del sitio usan
     "|" como separador interno, por ejemplo:
       .../download/2025|06|26|tramite-403862|contratos|miarchivo.pdf
     El nombre real es el segmento posterior al ULTIMO "|". Si la URL no
     contiene "|", usar la ultima parte despues del ultimo "/".
   - Sanitizar dejando solo letras, digitos, guion, punto y underscore;
     reemplazar el resto por "_".
   - Truncar a 120 caracteres.

2. clasificar_tipo(url) que devuelva:
   - "tabuladores" si la URL en minusculas contiene "tabulador",
     "sueldos_pdf" o "sueldos_excel"
   - "actas_votacion" si contiene "acta" o "resultado"
   - "convocatorias" si contiene "convocatoria"
   - "contratos" en cualquier otro caso (default)

3. descargar_archivo(session, url, ruta_destino) que:
   - Si ruta_destino ya existe en disco, log info "ya existe" y devolver
     "ya_existe".
   - Hacer GET con stream=True y timeout=TIMEOUT.
   - Si la respuesta no es 2xx, log warning y devolver "error".
   - Leer los primeros 4 bytes para validar firma de PDF ("%PDF") o
     verificar Content-Type que contenga "pdf", "officedocument" o
     "msword". Si no es archivo valido, log warning y devolver "no_archivo".
   - Crear las carpetas necesarias (mkdir parents=True exist_ok=True).
   - Escribir el contenido en chunks de 8192 bytes.
   - Devolver "ok" si se escribio correctamente.

Dame solo esas tres funciones.

--------------------------------------------------------------------------------
PASO 4 — ORQUESTACION Y MAIN (3-4 min)
--------------------------------------------------------------------------------

PROMPT A COPIAR:

Cierra el script con la orquestacion principal:

1. procesar_cct(session, cct) que:
   - Loggea "==== Procesando CCT {cct}".
   - Llama buscar_ids_contrato; si vacio, log warning "sin resultados" y
     devuelve dict {"ok":0,"ya_existe":0,"error":0,"no_archivo":0}.
   - Para cada id, espera PAUSA, llama obtener_links_descarga, y para
     cada link clasifica el tipo, arma la ruta
     OUTPUT_DIR / cct / tipo / nombre, espera PAUSA, llama
     descargar_archivo y acumula contadores.
   - Devuelve los contadores.

2. Bloque main bajo if __name__ == "__main__":
   - Crea la sesion.
   - Inicializa contador global.
   - Itera sobre CCTS, suma contadores parciales al global.
   - Al final imprime un resumen claro:
       "RESUMEN: descargados=X, ya_existian=Y, errores=Z, no_archivo=W"
       "Carpeta de salida: {OUTPUT_DIR.resolve()}"

Dame solo esa parte final. Despues confirmare que el archivo completo corre.

--------------------------------------------------------------------------------
EJECUCION
--------------------------------------------------------------------------------

En terminal, en la carpeta donde guardaste cfcrl_downloader.py:

    pip install requests beautifulsoup4
    python cfcrl_downloader.py

Antes de ejecutar, edita la lista CCTS al inicio del archivo y reemplaza los
3 placeholders por los CCTs reales que entrego el facilitador.

Despues de la corrida, abre la carpeta `descargas/` para ver los archivos
PDF organizados por CCT y por tipo.

================================================================================
SI ALGO SALE MAL — TROUBLESHOOTING RAPIDO
================================================================================

1. Copilot entrega un fragmento incompleto o cortado
   Mandale: "La respuesta se corto. Continua exactamente desde donde te
   quedaste, sin repetir lo anterior."

2. El script corre pero la carpeta descargas queda vacia
   Pega en Copilot:
   "Modifica buscar_ids_contrato y obtener_links_descarga para que la
    primera vez que se ejecuten guarden el HTML recibido en
    debug_busqueda.html y debug_contrato.html. Ademas que impriman cuantos
    enlaces /contrato/ y cuantos /documento-publico/download/ encontraron."
   Cuando tengas esos archivos, abrelos en VS Code para ver que devolvio
   el sitio.

3. Las descargas devuelven contenido pero no son PDFs validos
   Pidele a Copilot: "En descargar_archivo, antes de validar la firma PDF,
   imprime Content-Type, Content-Length y los primeros 200 caracteres de la
   respuesta solo en la primera descarga. Devuelveme el codigo modificado."

4. El portal devuelve 403 o no responde
   Pidele a Copilot: "Agrega manejo del 403 con un reintento usando un
   User-Agent alternativo de Firefox y sube PAUSA a 4 segundos." Si persiste,
   verifica que tu red corporativa no este bloqueando dominios *.gob.mx
   (puede pasar en redes con proxy estricto; prueba con hotspot 5G).

5. Encuentras el HTML pero no hay enlaces /documento-publico/download/
   Es probable que ese contrato use exclusivamente botones AJAX
   ("btn-generar-liga"), que estan fuera del alcance de este ejercicio.
   Prueba con otro CCT de los entregados.

================================================================================
VARIANTES Y EXTENSIONES (mas alla del breakout)
================================================================================

A. Lectura de CCTs desde Excel
   Pidele a Copilot: "Modifica el script para que en vez de tener CCTS
   hardcoded, lea una columna llamada 'CCT' de un archivo Excel llamado
   empresas.xlsx hoja Sheet1, usando openpyxl. Mantente todo lo demas igual."

B. Integracion con Power Automate Desktop
   Pidele: "Convierte la logica de procesar_cct en pseudocodigo para un
   flujo de Power Automate Desktop, recibiendo un CCT como entrada y
   devolviendo el numero de archivos descargados como salida." Util si tu
   organizacion ya usa PAD y prefiere no distribuir Python a usuarios finales.

C. Programacion recurrente con Task Scheduler
   Pidele: "Dame el comando schtasks.exe para correr este script todos los
   lunes 7:00 AM en Windows, redirigiendo la salida a un archivo .log con
   la fecha del dia." Sirve para mantener un inventario local actualizado
   sin intervenir.

================================================================================
DISCLAIMER DE USO RESPONSABLE
================================================================================
El portal del CFCRL es un servicio publico. Mantente en PAUSA de minimo 2
segundos entre peticiones, limita el numero de CCTs por corrida a lo que
realmente necesites, y evita correr el script en horarios pico de oficinas
gubernamentales (9-14 hrs hora centro). La informacion es publica pero su
uso posterior debe respetar la Ley Federal de Proteccion de Datos Personales
en Posesion de los Particulares cuando incluya datos de personas fisicas
identificables. Cita la fuente al publicar analisis derivados.

================================================================================
PROMPT 01 - NIVEL AVANZADO: AGENTIC IDE (Claude Code / Cursor / Codex)
================================================================================

Nombre del prompt : Extraccion batch de 40 empresas - matriz consolidada
                    + resumen de actas (input para el dashboard ejecutivo)
Herramientas      : Claude Code (CLI), Cursor, Codex, Windsurf u otro IDE
                    con agente de codigo. Requiere Python 3.10+ instalado.
Tiempo estimado   : 18-22 min (4 setup + 12 build pipeline + 4 review)
Resultado esperado: 2 CSVs canonicos listos para el dashboard ejecutivo:
                      - matriz_consolidada.csv (puesto x empresa x sector
                        x municipio, normalizado)
                      - actas_resumen.csv (sindicato, % aprobacion, n
                        trabajadores cubiertos, fecha, incremento)
                    + log_extraccion.csv con archivos OK / con error.
                    Procesa los 144 archivos PDF/XLSX de las 40 empresas
                    de la muestra publica.

DISCLAIMER: Los archivos de la carpeta originales/ son documentos de
dominio publico obtenidos del Centro Federal de Conciliacion y Registro
Laboral (CFCRL). Uso educativo en sesion ERIAC. Cualquier analisis
derivado debe citar la fuente y respetar la Ley Federal de Proteccion de
Datos Personales. Esta herramienta complementa - no sustituye - el
trabajo de las consultoras especializadas en compensaciones.

--------------------------------------------------------------------------------
PASO 0 - Antes de pegar el prompt
--------------------------------------------------------------------------------
- Abre Claude Code (o Cursor) en una carpeta de trabajo limpia, por
  ejemplo:
  C:\Users\TU_USUARIO\Desktop\analisis_breakout\
- Asegurate de tener Python 3.10+ instalado (ejecuta `python --version`).
- Confirma acceso de lectura a la carpeta de la muestra:
  C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\originales\
  (40 subcarpetas numeradas: 01_NEMAK_MEXICO ... 40_CONTINENTAL_AUTOMOTIVE,
  144 archivos PDF + XLSX, 96 MB).
- Si vas a usar fallback con LLM API para PDFs escaneados, exporta antes:
  ANTHROPIC_API_KEY o OPENAI_API_KEY. Si no las tienes, no pasa nada,
  el pipeline marcara los problematicos en log_extraccion.csv.

--------------------------------------------------------------------------------
PROMPT (copiar/pegar tal cual en el chat del agente)
--------------------------------------------------------------------------------

Eres un ingeniero de datos senior especializado en analitica de
compensaciones. Vas a construir un pipeline batch que procese la muestra
completa de 40 empresas (144 archivos PDF y XLSX) extraidas del
repositorio publico CFCRL, y entregue dos CSVs canonicos listos para
alimentar un dashboard ejecutivo sectorial.

CONTEXTO
- Carpeta de entrada (lectura recursiva):
  C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\originales\
- Estructura: 40 subcarpetas numeradas por empresa
  (01_NEMAK_MEXICO/, 02_MAGNA_MIRROR_MONTERREY/, ...
   40_CONTINENTAL_AUTOMOTIVE/). Dentro de cada empresa hay archivos
  PDF y/o XLSX que pueden ser tabuladores, actas de votacion sindical
  o contratos colectivos. El nombre del archivo suele dar pista del
  tipo (busca palabras clave: tabulador, salarios, acta, votacion,
  legitimacion, contrato).
- Universo: empresas grandes de Nuevo Leon, Coahuila, Bajio. Sectores:
  autopartes, manufactura industrial, empaque, energia, retail.
- Audiencia final: profesionales de Compensaciones (HRBP a Director).
  Necesitan tablas y un dashboard, no leer codigo.

TAREA - construir el pipeline en la carpeta actual:

  pipeline.py                # entry point, orquesta todo
  extractor_tabulador.py     # PDF/XLSX tabulador -> filas
  extractor_acta.py          # PDF acta -> metadata sindical
  normalizador.py            # diccionario puesto/sector + helpers
  llm_fallback.py            # opcional, solo si hay API KEY
  requirements.txt
  README.md                  # un solo comando para correr

STACK MINIMO RECOMENDADO
- pandas (consolidacion)
- openpyxl (XLSX)
- pdfplumber SOLO si es necesario; muchos tabuladores en la muestra
  son XLSX nativos y se leen sin OCR. Para PDFs:
    1) Primero intenta pdfplumber.extract_tables().
    2) Si devuelve vacio o el PDF parece escaneado, NO uses tesseract
       (no queremos dependencia binaria pesada para un breakout de
       25 min). En su lugar:
         a) Si hay ANTHROPIC_API_KEY o OPENAI_API_KEY en env,
            usa el LLM (Claude o GPT-4o) con la imagen rasterizada
            del PDF (pdf2image -> base64) y pidele estructurar a
            JSON con schema {puesto, categoria, sueldo_diario}.
            Documentar en codigo: "Fallback LLM activado para X.pdf
            por ser escaneado".
         b) Si no hay API KEY, marca el archivo en log_extraccion.csv
            con motivo 'PDF escaneado, sin LLM disponible' y sigue.
            NO abortar.
- jinja2 NO es necesario en esta carpeta (el dashboard lo construye
  el prompt 03/Salary_Dashboard a partir de los CSVs que generamos).

SALIDAS OBLIGATORIAS (en analisis/, hermana de originales/)

a) matriz_consolidada.csv  -- ESTE ES EL CONTRATO CON EL DASHBOARD
   Schema EXACTO (mismas columnas, mismos nombres):

     empresa, sector, municipio, puesto_normalizado, categoria,
     sueldo_diario_mxn, sueldo_mensual_mxn, n_trabajadores,
     fuente_archivo

   Reglas:
   - Una fila por puesto/categoria detectada en cada empresa.
   - sueldo_mensual_mxn = sueldo_diario_mxn * 30.4 si no viene
     calculado.
   - n_trabajadores: deja vacio si el tabulador no lo trae (es comun).
   - puesto_normalizado: minusculas, sin acentos, sin abreviaciones
     (OP. -> OPERADOR, AYTE -> AYUDANTE). Mantener categoria aparte.
   - sector y municipio se infieren del nombre de la subcarpeta o se
     buscan en el contenido del PDF; si no hay forma, dejar 'n/d'.
   - fuente_archivo: ruta relativa desde originales/ para auditoria.

b) actas_resumen.csv  -- ESTE TAMBIEN VA AL DASHBOARD
   Schema EXACTO:

     empresa, sindicato, pct_aprobacion, n_trabajadores_cubiertos,
     fecha_revision, incremento_pct

   Reglas:
   - Una fila por acta procesada. Si una empresa tiene multiples actas,
     una fila por cada una.
   - pct_aprobacion: votos a favor / total votantes, en numero (0-100).
   - incremento_pct: solo si el acta menciona porcentaje de incremento
     pactado; si no, dejar vacio.
   - fecha_revision: ISO YYYY-MM-DD si es posible.

c) log_extraccion.csv
   Columnas: archivo, empresa, tipo_detectado, status, motivo.
   status in {OK, ERROR, REQUIERE_REVISION}. Para todo archivo que no
   se haya podido procesar, una fila aqui. Esto es lo que el
   facilitador mostrara en vivo: "se procesaron X de 144, los Y
   restantes requieren revision manual y aqui estan".

NORMALIZACION DE PUESTOS (paso 2 del breakout v3.2)
- Implementar normalizador.py con un diccionario base que reconcilie
  variantes del mismo puesto entre empresas:
    operador de produccion = op produccion = op. de prod = operador prod
    ayudante general = aytte general = ayudante gral
    montacarguista = operador montacargas = chofer montacargas
    tecnico de mantenimiento = tec mtto = tecnico mtto = mtto tecnico
- Cubrir minimo los 30 puestos mas frecuentes detectados en la muestra.
- Imprimir al final del log las top 50 variantes detectadas y proponer
  3-5 entradas adicionales para el diccionario.

MANEJO DE ERRORES
- Si una carpeta de empresa no tiene archivos legibles, log y sigue.
- Si un PDF no abre, log y sigue.
- Si una extraccion devuelve 0 filas, marcar REQUIERE_REVISION.
- NUNCA abortar el pipeline completo por un archivo.
- Tiempo objetivo total: < 6 minutos para los 144 archivos en una
  laptop estandar (i5/16GB).

LOGGING
- Usa logging estandar.
- Al final imprime resumen: 40 empresas escaneadas, X tabuladores OK,
  Y actas OK, Z archivos con error, ruta de matriz_consolidada.csv y
  actas_resumen.csv.

REGLAS
- Comentarios en espanol, breves.
- Sin emojis ni print() decorativos (consola Windows truena con
  caracteres especiales).
- Antes de empezar a codear, lista los archivos que vas a crear y
  espera mi "ok". Despues procede sin volver a preguntar.
- Cuando termines, ejecuta el pipeline tu mismo y reporta:
    - filas en matriz_consolidada.csv
    - filas en actas_resumen.csv
    - archivos OK / con error
    - 3 hallazgos sectoriales rapidos que veas en los datos

--------------------------------------------------------------------------------
SI ALGO SALE MAL
--------------------------------------------------------------------------------
1. pdfplumber no extrae tabla bien (devuelve texto plano sin columnas)
   Pega: "El tabulador {empresa} no se esta parseando bien con
    pdfplumber. Modifica extractor_tabulador.py para que primero intente
    extract_tables(), si devuelve vacio intente con find_tables() y
    settings de tolerancia, y si sigue vacio y hay ANTHROPIC_API_KEY
    o OPENAI_API_KEY, escale al LLM con la pagina rasterizada
    pidiendo JSON estructurado segun el schema de matriz_consolidada.
    Reintenta solo esa empresa."

2. Extraccion de acta deja casi todos los campos vacios
   Las actas suelen ser PDFs escaneados. Pega: "Las actas devuelven
    vacios. La mayoria son escaneadas. En lugar de tesseract, escala al
    LLM con la pagina rasterizada (pdf2image -> base64). Pidele que
    devuelva JSON con sindicato, pct_aprobacion (numero 0-100),
    n_trabajadores_cubiertos, fecha_revision, incremento_pct. Si no
    hay API KEY, marcalas REQUIERE_REVISION en el log."

3. Matriz_consolidada sale con 200 puestos distintos para 'operador'
   Pega: "El normalizador esta dejando pasar variantes. Imprime las 50
    variantes mas frecuentes de puesto detectadas, propon ampliacion
    del diccionario con minimo 15 entradas nuevas, regenera la matriz
    y reporta cuantos puestos_normalizados unicos quedaron al final."

4. El pipeline tarda mas de 10 minutos
   Pega: "Paraleliza el procesamiento por empresa con ThreadPoolExecutor
    (no asyncio, mantenlo simple), 6 workers. Mantener logging
    thread-safe. Reportar tiempo total al final."

--------------------------------------------------------------------------------
ALINEACION CON EL DASHBOARD (carpeta 03_Prompts_Salary_Dashboard)
--------------------------------------------------------------------------------
Los CSVs que genera este prompt (matriz_consolidada.csv +
actas_resumen.csv) son el INPUT directo del prompt 03_Prompts_Salary_
Dashboard/01_avanzado_claude_code.txt. El schema esta congelado entre
los dos prompts; no cambies nombres de columnas sin actualizar tambien
el dashboard.

--------------------------------------------------------------------------------
VARIANTES / EXTENSIONES (mas alla del breakout)
--------------------------------------------------------------------------------
A. CRUCE CON DATOS INTERNOS
   Despues de generar matriz_consolidada.csv, pega:
   "Crea merge_interno.py que reciba un Excel con mis puestos internos
    (puesto_interno, sueldo_actual, sector, municipio). Por cada
    puesto interno busca matches en matriz_consolidada (mismo sector +
    municipio + puesto_normalizado con fuzzy >= 80) y genera un Excel
    comparativo con percentiles del sector y posicion relativa
    (abajo / en mercado / arriba)."

B. DETECTOR DE CAMBIOS ENTRE VERSIONES
   "Modifica el pipeline para que si existe analisis/matriz_consolidada
    .csv de una corrida previa, compare con la nueva y genere
    cambios.csv: empresa, puesto, sueldo_anterior, sueldo_nuevo,
    delta_pct. Util para tracking trimestral."

C. AGREGADO POR MUNICIPIO
   "Genera matriz_municipio.csv con: municipio, sector, puesto,
    n_empresas, sueldo_p25, p50, p75, p90. Insumo para el heatmap
    sector x municipio del dashboard."

--------------------------------------------------------------------------------
DISCLAIMER DE USO RESPONSABLE
--------------------------------------------------------------------------------
Los archivos procesados son de dominio publico (CFCRL). El analisis
derivado puede usarse internamente para benchmark exploratorio, pero al
publicar o compartir fuera de la organizacion debe citarse la fuente y
la fecha de corte. No se debe atribuir a empresas especificas ofertas
salariales actuales sin validar contra su tabulador vigente. Esta
herramienta complementa el trabajo de las consultoras especializadas en
compensaciones, no lo reemplaza.

================================================================================
PROMPT 02 - NIVEL CONVERSACIONAL: ChatGPT / Claude.ai / Gemini Pro (web)
================================================================================

Nombre del prompt : Extraccion batch 40 empresas en chat - matriz
                    consolidada + actas_resumen via Code Interpreter
Herramientas      : ChatGPT (Advanced Data Analysis / Code Interpreter),
                    Claude.ai (Analisis con archivos), Gemini Pro (con
                    ejecucion de codigo). Plan pago recomendado.
Tiempo estimado   : 18-22 min (3 subir ZIP + 12 iterar + 5 export)
Resultado esperado: 2 CSVs canonicos descargables del chat:
                      - matriz_consolidada.csv (puesto x empresa x sector
                        x municipio, normalizado)
                      - actas_resumen.csv (sindicato, % aprobacion, n
                        trabajadores cubiertos, fecha, incremento)
                    + 3 hallazgos sectoriales en lenguaje de negocio.
                    Estos CSVs alimentan el dashboard ejecutivo del
                    breakout (carpeta 03_Prompts_Salary_Dashboard).

DISCLAIMER: Los archivos son de dominio publico obtenidos del repositorio
CFCRL. Uso educativo en sesion ERIAC. Esta extraccion complementa el
trabajo de las consultoras especializadas en compensaciones, no lo
reemplaza. No constituye benchmark formal de mercado.

--------------------------------------------------------------------------------
PASO 0 - Preparar el ZIP de la muestra (3 min)
--------------------------------------------------------------------------------
- Abre tu chat (ChatGPT con GPT-4o o superior, Claude.ai, o Gemini Pro
  con ejecucion de codigo).
- Navega a:
  C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\originales\
- Comprime las 40 carpetas en un solo ZIP llamado
  `originales_40_empresas.zip`. Click derecho sobre la carpeta
  originales/ -> Send to -> Compressed (zipped) folder.
  Tamano esperado: ~96 MB. Si tu plan tiene limite de adjunto < 100 MB,
  comprime en 2 ZIPs (empresas 01-20 y 21-40) y subelos en orden.
- Sube el ZIP al chat. Confirma que el modelo lo recibio y ve el
  contenido (debe listar 40 subcarpetas).

--------------------------------------------------------------------------------
PROMPT PRINCIPAL (pegar despues de subir el ZIP)
--------------------------------------------------------------------------------

Actua como ingeniero de datos senior especializado en analitica de
compensaciones para HR. Acabo de subirte un ZIP con 40 empresas
mexicanas (subcarpetas numeradas 01_..._40_...). Dentro hay 144
archivos PDF y XLSX entre tabuladores salariales, actas de votacion
sindical y contratos colectivos, todos publicos del repositorio CFCRL.

Vamos a trabajar en 4 fases. Despues de cada fase entregame 2-3
hallazgos en lenguaje de negocio (no estadistico) y espera mi "ok"
antes de continuar. Ejecuta codigo de verdad en cada fase, no inventes.

FASE 1 - Inventario y deteccion de tipo de archivo
- Descomprime el ZIP, recorre las 40 subcarpetas y arma una tabla
  inventario con: empresa, archivo, extension, tamano_kb,
  tipo_detectado (tabulador / acta / contrato / otro). El tipo se
  infiere por palabras clave en el nombre (tabulador, salarios, acta,
  votacion, legitimacion, contrato).
- Reporta: cuantas empresas, cuantos tabuladores, cuantas actas,
  cuantos contratos, cuantos 'otro'. Confirma que la suma da 144.

FASE 2 - Extraccion batch de tabuladores
- Para cada archivo identificado como tabulador:
    - Si es XLSX, lee con pandas/openpyxl.
    - Si es PDF nativo (con texto), usa pdfplumber.extract_tables().
    - Si es PDF escaneado, usa tu capacidad de vision (gpt-4o o
      Claude vision) sobre la pagina rasterizada y extrae a JSON.
- Construye un solo DataFrame con este schema EXACTO
  (matriz_consolidada.csv):

    empresa, sector, municipio, puesto_normalizado, categoria,
    sueldo_diario_mxn, sueldo_mensual_mxn, n_trabajadores,
    fuente_archivo

- Reglas:
    - sueldo_mensual_mxn = sueldo_diario_mxn * 30.4 si no viene.
    - puesto_normalizado: minusculas, sin acentos, expandiendo
      abreviaciones (OP. -> OPERADOR, AYTTE -> AYUDANTE,
      MTTO -> MANTENIMIENTO).
    - Reconcilia variantes del mismo puesto entre empresas (esto es
      el paso 2 del breakout: la IA reconoce que "operador de
      produccion", "op. produccion" y "operador prod" son lo mismo).
    - sector y municipio: infiere del nombre de carpeta o del PDF;
      si no hay forma, deja 'n/d'.
    - n_trabajadores: vacio si el tabulador no lo trae.
    - fuente_archivo: ruta relativa desde originales/.
- Si un archivo falla, NO abortes; agregalo a una lista de
  "requiere_revision" que entregaras al final.
- Al cierre de la fase reporta: cuantas filas, cuantos puestos
  normalizados unicos, cuantos archivos OK vs con error.

FASE 3 - Extraccion batch de actas
- Para cada acta detectada (suelen ser PDFs escaneados), usa vision
  para extraer JSON con: sindicato, pct_aprobacion (numero 0-100),
  n_trabajadores_cubiertos, fecha_revision (ISO YYYY-MM-DD),
  incremento_pct (si aparece pactado).
- Consolida en actas_resumen.csv con schema EXACTO:

    empresa, sindicato, pct_aprobacion, n_trabajadores_cubiertos,
    fecha_revision, incremento_pct

- Si un acta no es legible, marcala como REQUIERE_REVISION en log
  separado (no inventes numeros nunca).
- Indicadores agregados que reportas en el chat:
    - Numero total de sindicatos firmantes distintos detectados.
    - Porcentaje de aprobacion promedio (ponderado por trabajadores
      cubiertos).
    - Numero total de trabajadores cubiertos en la muestra.
    - Incremento promedio cuando aparece (mediana y media).

FASE 4 - Exportables y hallazgos
- Empaca en un solo ZIP descargable: matriz_consolidada.csv,
  actas_resumen.csv, log_extraccion.csv.
- Genera un .txt con 3 hallazgos sectoriales en lenguaje ejecutivo
  (no estadistico). Cada hallazgo: que paso + magnitud + implicacion
  para HR. Foco en patrones cross-empresa (no en una empresa
  individual). Estos 3 hallazgos son el cierre que el participante
  llevara al pleno.

REGLAS DURAS
- Si un archivo esta corrupto o ilegible, marcalo y sigue.
- Todas las cifras redondeadas a entero o 1 decimal.
- Ejecuta codigo en cada fase, no inventes.
- Cita el archivo origen en cada fila de los CSVs.
- Tiempo objetivo: < 12 min de reloj para procesar los 144 archivos.

--------------------------------------------------------------------------------
FALLBACK SI EL MODELO NO TIENE CODE INTERPRETER (plan free)
--------------------------------------------------------------------------------
Pega esto en lugar del prompt principal:

"No puedes ejecutar codigo. En su lugar, voy a subir 6 archivos
representativos: 4 tabuladores (uno por sector: autopartes, empaque,
energia, retail) y 2 actas. Para cada tabulador devuelveme la tabla
en formato CSV (separador coma, schema fijo: empresa, sector,
municipio, puesto_normalizado, categoria, sueldo_diario_mxn,
sueldo_mensual_mxn, n_trabajadores, fuente_archivo). Para cada acta
devuelveme una linea CSV con schema: empresa, sindicato,
pct_aprobacion, n_trabajadores_cubiertos, fecha_revision,
incremento_pct. Si un campo no aparece, escribe vacio (no 'n/d',
vacio literal). Yo concateno los CSVs manualmente despues."

Para el breakout en vivo, esta version solo ilustra el patron; los
demas participantes con plan pago corren el batch completo.

--------------------------------------------------------------------------------
SI ALGO SALE MAL
--------------------------------------------------------------------------------
1. El modelo solo procesa los primeros archivos del ZIP y se detiene
   Pega: "Estas procesando solo los primeros archivos. Recorre la lista
    completa de 144 archivos en lotes de 20, guarda el progreso en un
    DataFrame acumulador entre lotes, y al final concatena todo. Si en
    algun lote te quedas sin contexto, guarda el parcial a CSV y
    avisame para reanudar."

2. La normalizacion de puestos deja 250 variantes para 'operador'
   Pega: "Imprime las 50 variantes mas frecuentes y propon un
    diccionario de normalizacion mas agresivo (minimo 15 reglas
    nuevas). Aplicalo y dime cuantos puestos_normalizados unicos
    quedaron al final."

3. Las actas escaneadas devuelven puros vacios
   Pega: "Las actas escaneadas no se estan leyendo. Usa tu capacidad
    de vision sobre la primera pagina rasterizada de cada acta y
    extrae solo: sindicato, pct_aprobacion, n_trabajadores_cubiertos,
    fecha_revision. Si no es legible, marca REQUIERE_REVISION pero
    no inventes."

4. El ZIP es muy grande para subir
   Subelo en 2 partes (empresas 01-20 y 21-40). Pidele al modelo
   "ya cargue la parte 1, espera la parte 2 antes de empezar el
   procesamiento batch para tener las 40 empresas juntas".

--------------------------------------------------------------------------------
ALINEACION CON EL DASHBOARD
--------------------------------------------------------------------------------
matriz_consolidada.csv y actas_resumen.csv son el INPUT del prompt
03_Prompts_Salary_Dashboard. El schema esta congelado: no renombres
columnas. El dashboard espera exactamente esos nombres.

--------------------------------------------------------------------------------
VARIANTES / EXTENSIONES
--------------------------------------------------------------------------------
A. UBICA TUS PUESTOS INTERNOS EN LA MATRIZ
   Despues de fase 4: "Te paso 5 puestos de mi organizacion con su
    sueldo actual. Por cada uno, busca el match mas cercano en
    matriz_consolidada (mismo sector + municipio + fuzzy en
    puesto_normalizado >= 80) y dime mi posicion en percentil
    p25/p50/p75/p90 del segmento."

B. PRE-DASHBOARD: percentiles por puesto
   "Genera un CSV adicional pivot_percentiles.csv con columnas:
    puesto_normalizado, sector, n_empresas, sueldo_p25, p50, p75,
    p90. Solo incluir puestos con n_empresas >= 3."

C. RESUMEN EJECUTIVO PARA DIRECTOR
   "Convierte los 3 hallazgos en un correo ejecutivo de 200 palabras,
    con asunto, dirigido a Director(a) de RH no tecnico. Tono
    profesional, sin jerga sindical."

--------------------------------------------------------------------------------
DISCLAIMER DE USO RESPONSABLE
--------------------------------------------------------------------------------
Los archivos analizados son de dominio publico (CFCRL). El analisis
derivado puede usarse internamente para benchmark exploratorio. Al
compartir conclusiones fuera de la organizacion debe citarse la fuente
y la fecha de corte. No atribuyas a una empresa una oferta salarial
actual sin validarla contra su tabulador vigente. La extraccion
automatica tiene tasa de error: revisa manualmente los datos criticos
antes de tomar decisiones de compensacion. Esta herramienta complementa
el trabajo de las consultoras especializadas, no lo reemplaza.

================================================================================
PROMPT 03 - NIVEL INTEGRADO: Microsoft 365 Copilot (Excel + SharePoint)
================================================================================

Nombre del prompt : Extraccion batch 40 empresas en M365 Copilot -
                    matriz consolidada + resumen de actas via SharePoint
Herramientas      : Microsoft 365 Copilot Excel (lectura batch desde
                    SharePoint/OneDrive), Copilot Chat web como apoyo
                    para actas escaneadas. Requiere licencia Copilot
                    for Microsoft 365 con acceso a Files plug-in.
Tiempo estimado   : 22 min (4 subir lote + 10 extraer matriz + 5 actas
                    + 3 export)
Resultado esperado: Libro Excel `matriz_breakout.xlsx` con 3 hojas
                    (matriz_consolidada, actas_resumen, log_extraccion)
                    cuyo contenido alimenta directamente el dashboard
                    Excel del prompt 03_Prompts_Salary_Dashboard.

DISCLAIMER: Los archivos son documentos de dominio publico obtenidos del
repositorio CFCRL. Uso educativo en sesion ERIAC. Esta herramienta
complementa el trabajo de las consultoras especializadas en
compensaciones, no lo reemplaza.

--------------------------------------------------------------------------------
PASO 0 - Subir la muestra a OneDrive/SharePoint (4 min)
--------------------------------------------------------------------------------
1. Copilot Excel solo puede leer en lote archivos almacenados en
   OneDrive o SharePoint del tenant. NO lee directamente desde el
   disco local.
2. Sube la carpeta completa a OneDrive empresarial:
   - Ruta local origen:
     C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\originales\
   - Destino sugerido:
     OneDrive -> Documentos -> ERIAC_Breakout\originales_40_empresas\
   - Conserva la estructura de 40 subcarpetas numeradas
     (01_NEMAK_MEXICO ... 40_CONTINENTAL_AUTOMOTIVE).
3. Espera a que termine la sincronizacion (icono nube verde en todas
   las subcarpetas). Tamano total ~96 MB.
4. Abre Excel (escritorio o web) con tu cuenta licenciada de Copilot.
   Crea un libro nuevo `matriz_breakout.xlsx` y guardalo en
   OneDrive -> Documentos -> ERIAC_Breakout\
5. Click en el boton Copilot (cinta superior, icono morado).

--------------------------------------------------------------------------------
ETAPA 1 - Inventario via Copilot Chat (3 min)
--------------------------------------------------------------------------------

PROMPT 1 - pegar en Copilot Chat (Microsoft365.com / Copilot Chat web)

Tengo en mi OneDrive la carpeta ERIAC_Breakout\originales_40_empresas\
con 40 subcarpetas numeradas (una por empresa) y 144 archivos PDF y
XLSX entre tabuladores salariales, actas de votacion y contratos
colectivos del repositorio publico CFCRL.

Recorre la carpeta y dame una tabla inventario en formato CSV
(separador punto y coma) con columnas:

empresa;archivo;extension;tipo_detectado

donde tipo_detectado in {tabulador, acta, contrato, otro}, inferido
por palabras clave en el nombre (tabulador, salarios, acta, votacion,
legitimacion, contrato).

Al final, una linea con: total_empresas, total_tabuladores,
total_actas, total_contratos, total_otros. La suma debe dar 144.

Devuelve solo el CSV, sin texto alrededor.

Pega el CSV resultante en una hoja nueva del libro `matriz_breakout
.xlsx` llamada "Inventario". Convierte a Tabla (Ctrl+T) y nombra
"tblInventario".

--------------------------------------------------------------------------------
ETAPA 2 - Extraer tabuladores en lotes de 5 empresas (10 min)
--------------------------------------------------------------------------------

Copilot Excel maneja mejor los lotes. Vamos a procesar 8 lotes de 5
empresas cada uno (total 40).

PROMPT 2 - pegar en Copilot Chat para CADA lote (cambia el rango)

Adjunta los XLSX y PDFs de las empresas 01_NEMAK_MEXICO a
05_<EMPRESA_5> de OneDrive\ERIAC_Breakout\originales_40_empresas\
(usa el selector de archivos de Copilot Chat). Luego pega:

Eres analista de Compensaciones. Te adjunte tabuladores y/o actas de
5 empresas mexicanas, todos publicos del repositorio CFCRL.

Para cada archivo identificado como tabulador (nombre contiene
'tabulador' o 'salarios'), extrae las filas a CSV con este schema
EXACTO (separador punto y coma, encabezado en la primera fila):

empresa;sector;municipio;puesto_normalizado;categoria;sueldo_diario_mxn;
sueldo_mensual_mxn;n_trabajadores;fuente_archivo

Reglas:
- Una fila por puesto/categoria detectada.
- sueldo_mensual_mxn = sueldo_diario_mxn * 30.4 si no viene
  calculado.
- puesto_normalizado: minusculas, sin acentos, abreviaciones
  expandidas (OP. -> OPERADOR, AYTTE -> AYUDANTE, MTTO ->
  MANTENIMIENTO). Reconcilia variantes del mismo puesto entre las 5
  empresas (ej. 'operador de produccion' = 'op. produccion' = una
  sola etiqueta).
- sector y municipio: infiere del nombre de carpeta; si no hay forma,
  deja vacio (no escribas 'n/d').
- n_trabajadores: vacio si el tabulador no lo trae.
- fuente_archivo: nombre del archivo origen.

Devuelve SOLO el CSV concatenado para las 5 empresas, sin texto
alrededor.

PASO 2 - mover el CSV a Excel
- Pega el CSV en la hoja "matriz_consolidada" del libro.
- Si es el primer lote: pega en A1 e incluye el header.
- Si es el lote 2 al 8: pega DEBAJO de la ultima fila, omitiendo el
  header (selecciona desde la fila 2 del CSV antes de copiar).
- Cuando termines los 8 lotes, selecciona toda la hoja, Ctrl+T,
  marca "My table has headers", nombra "tblMatriz".

REPETIR para los lotes:
   06-10, 11-15, 16-20, 21-25, 26-30, 31-35, 36-40
con el mismo prompt cambiando el rango de empresas.

--------------------------------------------------------------------------------
ETAPA 3 - Extraer actas (5 min)
--------------------------------------------------------------------------------

Las actas suelen ser PDFs escaneados. Las procesamos en un solo lote
con Copilot Chat.

PROMPT 3 - pegar en Copilot Chat

Adjunta TODAS las actas de la muestra (todo archivo cuyo nombre
contiene 'acta', 'votacion' o 'legitimacion'). Hasta 30 archivos por
chat; si son mas, hazlo en 2 tandas.

Eres analista de Compensaciones. Te adjunte actas publicas de
votacion sindical del repositorio CFCRL. Para cada acta extrae los
siguientes campos. Si un campo no aparece, dejalo vacio - NO
inventes.

Devuelve un CSV con encabezado y separador punto y coma:

empresa;sindicato;pct_aprobacion;n_trabajadores_cubiertos;
fecha_revision;incremento_pct

Reglas:
- pct_aprobacion: votos a favor / total votantes, en numero (0-100).
- fecha_revision: ISO YYYY-MM-DD si es posible.
- incremento_pct: solo si el acta menciona el porcentaje de
  incremento pactado.
- Si un acta es ilegible por mala calidad de escaneo, NO la incluyas
  en este CSV; en su lugar al final agrega un bloque:
  "ACTAS_REQUIERE_REVISION:" seguido de la lista de archivos.

Devuelve el CSV principal, luego el bloque de revision si aplica.

PASO 3 - mover a Excel
- Crea hoja nueva "actas_resumen". Pega el CSV.
- Convierte a tabla (Ctrl+T), nombra "tblActas".
- Las filas marcadas como REQUIERE_REVISION van a una hoja "Log"
  con columna motivo='acta ilegible'.

--------------------------------------------------------------------------------
ETAPA 4 - Validacion y resumen (3 min)
--------------------------------------------------------------------------------

PROMPT 4 - pegar en Copilot Excel (panel lateral, dentro del libro)

Tengo dos tablas en este libro: tblMatriz (filas puesto x empresa) y
tblActas (filas por acta). Hazme las siguientes validaciones y dame
el resumen en una hoja nueva llamada "Resumen_Extraccion":

1. Cuenta de filas en tblMatriz.
2. Cuenta de empresas distintas en tblMatriz (debe ser cercano a 40).
3. Cuenta de puestos_normalizados unicos.
4. Top 10 puestos mas frecuentes (por # empresas que los reportan).
5. Cuenta de filas en tblActas y % de aprobacion promedio
   ponderado por n_trabajadores_cubiertos.
6. Numero de sindicatos distintos firmantes detectados.
7. Numero total de trabajadores cubiertos sumado.

Tambien dame 3 hallazgos sectoriales en lenguaje de negocio,
basados unicamente en los datos extraidos. Cada hallazgo: que paso
+ magnitud + implicacion para HR.

--------------------------------------------------------------------------------
SI ALGO SALE MAL
--------------------------------------------------------------------------------
1. Copilot Chat dice "no encuentro la carpeta de OneDrive"
   Verifica que la carpeta este 100% sincronizada (icono nube verde).
   Si trabajas en Excel web, la carpeta debe estar en el mismo tenant
   que tu licencia de Copilot. Tarda hasta 5 min en indexarse despues
   de subir.

2. Un lote de 5 empresas excede el limite de adjuntos del chat
   Reduce a 3 empresas por lote (total 14 lotes en lugar de 8). Es
   mas tedioso pero seguro. Mantener el mismo prompt.

3. La extraccion del tabulador devuelve celdas mezcladas
   Pega: "El CSV salio con columnas mezcladas para la empresa X.
    Re-extrae identificando primero la fila de headers (busca
    'puesto', 'categoria', 'sueldo') y luego cada fila por separado.
    Si una fila no tiene los campos claros, omitela del CSV principal
    y agregala a un bloque 'REQUIERE_REVISION' al final."

4. El acta esta escaneada y Copilot no lee numeros
   Pega: "El acta es escaneo de baja calidad. Dime que SI pudiste
    leer (sindicato, fecha, lugar). Para conteos no legibles, omite
    esa acta del CSV y agregala a 'ACTAS_REQUIERE_REVISION'. NO
    inventes numeros."

5. Las hojas del libro pasan los 1 millon de filas o tarda mucho
   Improbable con 144 archivos, pero si pasa: pega los CSVs en un
   libro nuevo `matriz_breakout_part2.xlsx` y consolida con Power
   Query (Data -> Get Data -> From Workbook).

--------------------------------------------------------------------------------
ALINEACION CON EL DASHBOARD
--------------------------------------------------------------------------------
Las hojas tblMatriz (matriz_consolidada) y tblActas (actas_resumen)
son el INPUT directo del prompt 03_Prompts_Salary_Dashboard/
03_integrado_copilot.txt. El schema de columnas esta congelado:

  matriz_consolidada -> empresa, sector, municipio, puesto_normalizado,
                        categoria, sueldo_diario_mxn, sueldo_mensual_mxn,
                        n_trabajadores, fuente_archivo

  actas_resumen      -> empresa, sindicato, pct_aprobacion,
                        n_trabajadores_cubiertos, fecha_revision,
                        incremento_pct

No renombres columnas; el dashboard espera exactamente esos nombres.

--------------------------------------------------------------------------------
VARIANTES / EXTENSIONES
--------------------------------------------------------------------------------
A. AGREGAR TU EMPRESA A LA MATRIZ
   Crea una hoja "MiEmpresa" con tus puestos internos. Pidele a
   Copilot Excel: "para cada puesto de MiEmpresa busca el match mas
   cercano en tblMatriz por puesto_normalizado + sector + municipio,
   calcula los percentiles del segmento (p25/p50/p75/p90) y marca
   con semaforo mi posicion."

B. AUTOMATIZAR REFRESH MENSUAL
   Conecta Power Query (Data -> Get Data -> From Folder) apuntando a
   la carpeta de OneDrive. Cada mes que recibas tabuladores nuevos,
   los dejas en la carpeta y das "Refresh All" en el libro.

C. PRESENTACION PPTX
   En Copilot Chat: "crea una presentacion PowerPoint de 6 slides
   con: portada, las 4 vistas del Resumen_Extraccion, slide final
   con los 3 hallazgos. Estilo corporativo sobrio, sin emojis."

--------------------------------------------------------------------------------
DISCLAIMER DE USO RESPONSABLE
--------------------------------------------------------------------------------
Los archivos analizados son de dominio publico (CFCRL). El analisis
derivado puede usarse internamente para benchmark exploratorio. Al
compartir conclusiones fuera de la organizacion debe citarse la fuente
y la fecha de corte. No atribuyas a una empresa una oferta salarial
actual sin validarla contra su tabulador vigente. La extraccion
automatica de PDFs (especialmente actas escaneadas) tiene tasa de
error: revisa manualmente los datos criticos antes de tomar
decisiones de compensacion. Esta herramienta complementa el trabajo
de las consultoras especializadas, no lo reemplaza.

================================================================================
PROMPT 01 - NIVEL AVANZADO: AGENTIC IDE (Claude Code / Cursor / Codex)
================================================================================

Nombre del prompt : Dashboard ejecutivo sectorial - 40 empresas - HTML
                    portable + Chart.js
Herramientas      : Claude Code (CLI), Cursor, Codex, Windsurf u otro IDE
                    con agente de codigo. Requiere Python 3.10+ instalado.
Tiempo estimado   : 18-22 min (12 build + 6-10 iterar visual)
Resultado esperado: Un solo archivo dashboard.html standalone (sin
                    server, abre con doble click) con 5 vistas:
                    1) Percentiles por puesto (p25/p50/p75/p90)
                    2) Brechas por sector (boxplot horizontal)
                    3) Top 10 / Bottom 10 empresas por mediana sectorial
                    4) Heatmap sector x municipio
                    5) Resumen ejecutivo de 5 vinetas
                    + filtros globales (sector, municipio, n minimo).

DISCLAIMER: La matriz consumida es resultado de extraccion automatica
sobre 40 empresas publicas del repositorio CFCRL. Uso educativo en
sesion ERIAC. No constituye benchmark formal de mercado. Esta
herramienta complementa el trabajo de las consultoras especializadas en
compensaciones, no lo reemplaza.

--------------------------------------------------------------------------------
PASO 0 - Antes de pegar el prompt
--------------------------------------------------------------------------------
- Confirma que ya corriste el prompt 06_Prompts_Analisis_Tabuladores/
  01_avanzado_claude_code.txt y tienes generado:
    matriz_consolidada.csv  (input principal)
    actas_resumen.csv       (input opcional para enriquecer narrativa)
  En la carpeta:
    C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\
    originales\..\analisis\
- Si NO corriste la fase 06 todavia, hay un fallback: usar el CSV
  educativo
    C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\
    datos_salariales_nl_muestra.csv
  El prompt incluye la rama de fallback automatica.
- Abre Claude Code (o Cursor) en una carpeta de trabajo limpia.

--------------------------------------------------------------------------------
PROMPT (copiar/pegar tal cual en el chat del agente)
--------------------------------------------------------------------------------

Eres un ingeniero de datos senior con experiencia en analitica de
compensaciones para HR. Vas a construir un dashboard ejecutivo sectorial
en un solo archivo HTML portable, basado en la matriz consolidada de
40 empresas mexicanas extraidas del repositorio publico CFCRL.

CONTEXTO
- Input principal:
  ../analisis/matriz_consolidada.csv
  Schema fijo (viene del prompt 06_Prompts_Analisis_Tabuladores):
    empresa, sector, municipio, puesto_normalizado, categoria,
    sueldo_diario_mxn, sueldo_mensual_mxn, n_trabajadores,
    fuente_archivo
- Input opcional:
  ../analisis/actas_resumen.csv
  Schema:
    empresa, sindicato, pct_aprobacion, n_trabajadores_cubiertos,
    fecha_revision, incremento_pct
  Si existe, usalo solo para enriquecer la narrativa (% aprobacion
  promedio del sector, # sindicatos firmantes, etc). No es bloqueante.
- Fallback: si matriz_consolidada.csv no existe, usar
  C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\
  datos_salariales_nl_muestra.csv y mapear sus columnas
  (municipio, sector, puesto, sbc_promedio_diario, n_registros) al
  schema canonico (empresa = 'muestra', categoria = vacio,
  sueldo_diario_mxn = sbc_promedio_diario, n_trabajadores =
  n_registros). Avisar en el header del dashboard que estamos
  en modo fallback educativo.
- Audiencia: profesionales de Compensaciones (HRBP a Director). Quieren
  ver tendencias y brechas, no leer codigo. Audiencia ERIAC tolera
  lenguaje tecnico ("heatmap", "percentil", "boxplot") por su
  background en consultoria.

TAREA
1. Crea el proyecto en la carpeta actual:

     build_dashboard.py     # script Python que lee CSVs + genera HTML
     templates/dashboard.html.j2   # plantilla Jinja2 (opcional)
     requirements.txt
     README.md

   El stack es deliberadamente ligero: Python solo procesa los CSVs
   y emite UN archivo dashboard.html con datos embebidos como JSON
   y graficas Chart.js cargadas por CDN. Nada de Streamlit ni server,
   nada de instalar dependencias extra para el participante final.

2. Stack:
   - Python: pandas, jinja2.
   - HTML: Chart.js v4 por CDN, CSS minimo embebido, sin frameworks.
   - El HTML resultante debe abrir con doble click (file://).

3. Las 5 vistas obligatorias (en una sola pagina con scroll, en este
   orden):

   V1 - HEADER + RESUMEN EJECUTIVO (5 vinetas)
   - Titulo: "Dashboard ejecutivo sectorial - 40 empresas CFCRL".
   - Subtitulo: fecha de generacion + N empresas + N puestos
     normalizados + N filas en matriz.
   - Disclaimer permanente.
   - 5 vinetas generadas a partir de los datos reales:
       1. Sector mejor pagado vs peor pagado (mediana del sueldo
          diario).
       2. Municipio con mayor concentracion de salarios altos.
       3. Puesto con mayor dispersion entre empresas (brecha p90/p10).
       4. % aprobacion promedio en actas (si actas_resumen.csv
          existe; si no, omitir esta vineta).
       5. Una observacion contraintuitiva detectada en los datos
          (ej. brecha intra-sector mayor que inter-sector).
   - Cada vineta empieza con un dato cuantitativo concreto.

   V2 - PERCENTILES POR PUESTO
   - Tabla + grafica de barras apiladas (p25, p50, p75, p90) para los
     20 puestos con mas empresas reportando.
   - Selector dropdown para filtrar por puesto especifico.
   - Solo incluir puestos con n_empresas >= 3.

   V3 - BRECHAS POR SECTOR
   - Boxplot horizontal con la distribucion de sueldo_diario_mxn por
     sector. Los sectores ordenados por mediana descendente.
   - Mostrar n empresas a la derecha de cada caja.

   V4 - TOP 10 Y BOTTOM 10 EMPRESAS POR MEDIANA SECTORIAL
   - Dos paneles lado a lado.
   - Para cada empresa: barra horizontal con su mediana de sueldo
     diario relativa al sector al que pertenece (delta % vs mediana
     del sector).
   - Top 10: mejor pagadas relativas a su sector (delta positivo).
   - Bottom 10: peor pagadas relativas a su sector (delta negativo).

   V5 - HEATMAP SECTOR x MUNICIPIO
   - Eje Y: sectores (orden por mediana descendente).
   - Eje X: municipios (orden alfabetico o por concentracion).
   - Celda: sueldo_diario_mxn promedio ponderado por n_trabajadores
     (o conteo de filas si n_trabajadores esta vacio).
   - Escala secuencial accesible (azules o viridis-friendly).
   - Tooltip al hacer hover: sector, municipio, mediana, # empresas.
   - Implementacion: usar el plugin chartjs-chart-matrix por CDN.
     Si no hay conexion a internet en el breakout, fallback a
     una tabla HTML con celdas coloreadas via background-color
     calculado en Python.

4. Filtros globales en barra superior sticky:
   - Multiselect de sector
   - Multiselect de municipio
   - Slider de n_trabajadores minimo (default 5; si la columna esta
     vacia para todas las filas, oculta este filtro y avisa).
   Los filtros deben re-renderizar las 5 vistas via JS sin recargar.

5. Manejo de errores:
   - Si matriz_consolidada.csv no existe Y tampoco existe el fallback,
     el dashboard debe abrir con un mensaje claro: "No se encontro
     ningun input. Corre primero el prompt 06_Prompts_Analisis_
     Tabuladores o coloca matriz_consolidada.csv en ../analisis/".
   - Si una columna esta totalmente vacia (ej. municipio = 'n/d' en
     todas las filas), oculta el heatmap y avisa en el header.

VALIDACION ANTES DE ENTREGARME EL BUILD
- Abre el dashboard.html en navegador y confirma que las 5 vistas
  renderizan con datos reales.
- Confirma que los filtros aplican simultaneamente a las 5 vistas.
- Verifica que se ve decente en pantalla 1366x768 (laptop estandar
  HR).
- Sin errores en consola del navegador.

ENTREGABLES
- build_dashboard.py funcional.
- dashboard.html generado con datos embebidos.
- requirements.txt fijado a versiones estables.
- README con: prerequisitos, instalacion, comando para regenerar el
  dashboard, troubleshooting basico.
- Reporte final breve: que vistas construiste, decisiones de diseno
  (paleta, ponderacion, manejo de outliers), y 2 ideas de extension.

Trabaja autonomo. Si necesitas decidir algo menor (paleta, layout),
decide y avisa en el reporte. Solo preguntame si encuentras un
problema bloqueante con los CSVs.

REGLAS
- Sin emojis.
- Comentarios en espanol, breves.
- Tono complementario a las consultoras: el dashboard se presenta
  como herramienta de exploracion rapida que aporta agilidad, no
  como reemplazo de un estudio formal.
- HTML standalone: nada de servidores, nada de instalar Streamlit.
- Antes de codear, lista los archivos que vas a crear y espera mi
  "ok". Despues procede sin mas preguntas.

--------------------------------------------------------------------------------
SI ALGO SALE MAL
--------------------------------------------------------------------------------
1. matriz_consolidada.csv no existe
   El script debe detectarlo y caer al fallback automatico
   (datos_salariales_nl_muestra.csv) marcandolo en el header. Si
   tampoco existe el fallback, mensaje claro y exit con codigo 0.

2. El heatmap se ve roto
   Pega: "El heatmap no renderiza. Probablemente chartjs-chart-matrix
    no carga por la red. Implementa fallback puro HTML/CSS: tabla
    con celdas coloreadas via background-color generado en Python
    con escala secuencial. Mantener tooltips via title."

3. Algunas vistas salen vacias
   Pega: "La vista X sale vacia. Imprime en consola del browser el
    JSON con el que se intento renderizar y dime que ves. Si el
    problema es columna vacia (n_trabajadores), oculta esa vista
    en lugar de mostrar caja en blanco."

4. El dashboard pesa demasiado
   Si matriz_consolidada tiene mas de 50K filas, pre-agrega antes de
   embeber: en lugar de embeber filas crudas, embeber pivot por
   sector x municipio x puesto con n_empresas, mediana, p25, p75,
   p90. Reduce el peso a < 1MB.

--------------------------------------------------------------------------------
ALINEACION CON LA EXTRACCION (carpeta 06_Prompts_Analisis_Tabuladores)
--------------------------------------------------------------------------------
Este prompt consume directamente:
  matriz_consolidada.csv  (output de 06)
  actas_resumen.csv       (output de 06, opcional)

El schema esta congelado entre las dos carpetas. Si la fase 06 cambia
nombres de columna, actualizar tambien build_dashboard.py.

--------------------------------------------------------------------------------
VARIANTES / EXTENSIONES (5 min extra cada una)
--------------------------------------------------------------------------------
A. POSICIONAR TU EMPRESA EN EL DASHBOARD
   "Agrega un input para subir mi_empresa.csv (mismo schema que
    matriz_consolidada). El dashboard debe sobreponer mis puntos en
    el boxplot por sector y mostrar para cada puesto interno mi
    posicion en percentil del segmento."

B. EXPORTAR A POWERPOINT
   "Agrega un boton 'Descargar resumen .pptx' que tome capturas de
    las 5 vistas y arme un .pptx de 6 slides + las 5 vinetas como
    notas del presentador."

C. INDICADORES DE ACTAS
   Si actas_resumen.csv existe, agregar una vista V6: top 10 sindicatos
    por # trabajadores cubiertos, % aprobacion promedio por sector,
    incremento_pct mediano por sector.

--------------------------------------------------------------------------------
DISCLAIMER DE USO RESPONSABLE
--------------------------------------------------------------------------------
La matriz consumida proviene de extraccion automatica sobre PDFs/XLSX
publicos del CFCRL. Tasa de error inherente al OCR/parsing. Revisa
manualmente los datos criticos antes de tomar decisiones de
compensacion. Esta herramienta complementa el trabajo de las
consultoras especializadas, no lo reemplaza.

================================================================================
PROMPT 02 - NIVEL CONVERSACIONAL: ChatGPT / Claude.ai / Gemini Pro (web)
================================================================================

Nombre del prompt : Dashboard ejecutivo sectorial - 40 empresas CFCRL -
                    HTML+Chart.js descargable desde el chat
Herramientas      : ChatGPT (Advanced Data Analysis / Code Interpreter),
                    Claude.ai (Analisis con archivos), Gemini Pro (con
                    ejecucion de codigo). Plan pago recomendado.
Tiempo estimado   : 16-20 min (3 subir CSVs + 12 iterar + 3 export)
Resultado esperado: 1 dashboard.html descargable con 5 vistas
                    (percentiles por puesto, brechas por sector, top10/
                    bottom10 empresas, heatmap sector x municipio,
                    resumen ejecutivo) + 5 vinetas listas para correo
                    o slide ejecutivo.

DISCLAIMER: La matriz consumida es resultado de extraccion automatica
sobre 40 empresas publicas del repositorio CFCRL. Uso educativo en
sesion ERIAC. No constituye benchmark formal de mercado. Esta
herramienta complementa el trabajo de las consultoras especializadas en
compensaciones, no lo reemplaza.

--------------------------------------------------------------------------------
PASO 0 - Antes de pegar el prompt
--------------------------------------------------------------------------------
- Confirma que ya corriste el prompt 06_Prompts_Analisis_Tabuladores/
  02_conversacional_chatgpt_gemini.txt y descargaste:
    matriz_consolidada.csv  (input principal)
    actas_resumen.csv       (input opcional)
- Si NO corriste la fase 06 todavia, hay fallback: usa el archivo
  educativo
    C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\
    datos_salariales_nl_muestra.csv
  El prompt te dice como adaptar el schema.
- Abre tu chat (ChatGPT con GPT-4o o superior, Claude.ai, Gemini Pro).
- Sube matriz_consolidada.csv (y actas_resumen.csv si lo tienes).
- Confirma que el modelo te diga que recibio el archivo y reconocio
  las columnas.

--------------------------------------------------------------------------------
PROMPT PRINCIPAL (pegar despues de subir los CSVs)
--------------------------------------------------------------------------------

Actua como analista senior de Compensaciones para una empresa en
Mexico. Acabo de subirte:

- matriz_consolidada.csv (input principal). Columnas: empresa, sector,
  municipio, puesto_normalizado, categoria, sueldo_diario_mxn,
  sueldo_mensual_mxn, n_trabajadores, fuente_archivo. Es la matriz
  consolidada de 40 empresas mexicanas extraidas del repositorio
  publico CFCRL (Centro Federal de Conciliacion y Registro Laboral).
- actas_resumen.csv (opcional). Si lo subi, columnas: empresa,
  sindicato, pct_aprobacion, n_trabajadores_cubiertos,
  fecha_revision, incremento_pct.

Quiero que trabajemos en 4 fases. Despues de cada fase entregame 2-3
hallazgos en lenguaje de negocio (no estadistico) y espera mi "ok"
antes de continuar. Ejecuta codigo de verdad en cada fase, no
inventes.

FASE 1 - Validacion y exploracion inicial
- Cuentame: cuantas empresas, cuantos sectores, cuantos municipios,
  cuantos puestos_normalizados unicos, cuantas filas totales,
  fecha_revision minima y maxima en actas si aplica.
- Detecta outliers de sueldo_diario_mxn con IQR por sector y dime
  cuantos hay.
- Calidad de datos: % de filas con sector o municipio vacio o 'n/d',
  % de filas con n_trabajadores vacio, duplicados, tipografias raras.
- Si hay problema serio (ej. 80% de filas sin sector), detente y
  avisame antes de seguir.

FASE 2 - Calculos sectoriales
- Pivot 1: por sector, calcula sueldo_diario_mxn p25/p50/p75/p90,
  numero de empresas, numero de puestos distintos.
- Pivot 2: por puesto_normalizado (solo los que aparecen en >= 3
  empresas), calcula p25/p50/p75/p90 y dispersion (p90/p10).
- Pivot 3: por empresa, calcula su mediana sectorial y delta % vs
  mediana del sector al que pertenece.
- Pivot 4: por sector x municipio, calcula sueldo_diario_mxn
  promedio ponderado por n_trabajadores (o por conteo si la columna
  esta vacia). Esto alimenta el heatmap.
- Si subi actas_resumen.csv: calcula tambien por sector el %
  aprobacion promedio ponderado por n_trabajadores_cubiertos y el
  incremento_pct mediano.

FASE 3 - Construccion del dashboard HTML+Chart.js
- Genera UN solo archivo dashboard.html standalone, descargable
  desde el chat.
- Stack: Chart.js v4 por CDN + CSS embebido. Sin frameworks. Que
  abra con doble click (file://).
- 5 vistas en una pagina con scroll:

  V1 HEADER + RESUMEN EJECUTIVO
     - Titulo: "Dashboard ejecutivo sectorial - 40 empresas CFCRL".
     - Disclaimer.
     - 5 vinetas generadas con datos reales (no plantillas):
       1. Sector mejor pagado vs peor pagado (mediana, en %).
       2. Municipio con mayor concentracion de salarios altos.
       3. Puesto con mayor dispersion entre empresas.
       4. % aprobacion promedio en actas (si aplica).
       5. Observacion contraintuitiva detectada en los datos.

  V2 PERCENTILES POR PUESTO
     - Barras apiladas p25/p50/p75/p90 para los 20 puestos top en
       n_empresas. Selector dropdown para filtrar puesto.

  V3 BRECHAS POR SECTOR
     - Boxplot horizontal del sueldo_diario_mxn por sector,
       ordenado por mediana descendente. Indicar n empresas por
       sector.

  V4 TOP 10 / BOTTOM 10 EMPRESAS POR MEDIANA SECTORIAL
     - Dos paneles lado a lado: empresas mejor pagadas vs su
       sector / peor pagadas vs su sector. Barras horizontales con
       delta %.

  V5 HEATMAP SECTOR x MUNICIPIO
     - Tipo heatmap (no coropleta, no mapa geografico) con sectores
       en el eje Y, municipios en el eje X y promedio ponderado de
       sueldo_diario_mxn como color. Tooltip con n empresas.
     - Si chartjs-chart-matrix no carga por CDN, fallback a tabla
       HTML con celdas coloreadas (background-color calculado).

- Filtros globales en barra superior sticky: sector (multiselect),
  municipio (multiselect), n_trabajadores minimo (slider, default 5).
  Los filtros re-renderizan las 5 vistas via JS sin recargar.

FASE 4 - Exportables
- Empaca el dashboard.html en un ZIP descargable.
- Genera un .txt con las 5 vinetas del resumen ejecutivo, formato
  bullet, listas para pegar en correo o slide.
- Genera tambien dashboard_data.json con las pivots de la fase 2,
  por si quiero importarlas a otra herramienta.

REGLAS DURAS
- Si una vista no se puede construir por falta de datos, OMITELA y
  avisame; no la dejes en blanco.
- Todas las cifras redondeadas a entero o 1 decimal.
- Ejecuta codigo en cada fase (no inventes cifras).
- Sin emojis.
- Tono complementario a las consultoras (el dashboard se presenta
  como herramienta de exploracion agil, no como reemplazo).
- Audiencia ERIAC tolera lenguaje tecnico ("heatmap", "percentil",
  "boxplot").

--------------------------------------------------------------------------------
FALLBACK SI EL MODELO NO TIENE CODE INTERPRETER (plan free)
--------------------------------------------------------------------------------
Pega esto en lugar del prompt principal:

"No puedes ejecutar codigo. En su lugar, devuelveme directamente UN
archivo HTML standalone que pueda abrir en mi navegador (doble click).
Usa Chart.js v4 por CDN. El HTML debe incluir 5 vistas:
- Resumen ejecutivo (5 vinetas, generadas con tu lectura del CSV)
- Percentiles por puesto (top 20 puestos)
- Boxplot por sector
- Top 10 / bottom 10 empresas por delta vs sector
- Heatmap sector x municipio (o tabla coloreada si no hay matrix
  plugin disponible)
Yo te paso el contenido del CSV inline (las primeras 500 filas de
matriz_consolidada.csv). Embebe esos datos en el HTML como const
DATA = [...]. Disclaimer arriba: 'Muestra publica CFCRL. No
constituye benchmark formal.' Estilo limpio. Devuelve el HTML
completo en un solo bloque de codigo para que lo guarde como
dashboard.html."

Luego pega las primeras 500 filas del CSV en el chat.

--------------------------------------------------------------------------------
SI ALGO SALE MAL
--------------------------------------------------------------------------------
1. El modelo dice que no puede leer el CSV
   Verifica que tengas plan pago (ChatGPT Plus, Claude Pro, Gemini
   Advanced). En free, usa el fallback HTML.

2. Las graficas salen feas o cortadas
   "Regenera V3 con figsize visual mas alto (proporcion 16:10),
    labels rotados 0 grados, tipografia limpia, paleta accesible.
    Si Chart.js no soporta boxplot nativo, usa el plugin
    chartjs-chart-boxplot por CDN."

3. El heatmap no renderiza
   "Reemplaza el heatmap chartjs-chart-matrix por una tabla HTML
    con celdas coloreadas via background-color (escala lineal del
    minimo al maximo). Manten tooltips via title attribute."

4. El modelo alucina cifras
   "No inventes. Imprime df.head(20) y df['sector'].unique() y
    trabaja solo con esos valores. Cita la columna fuente_archivo
    en el resumen ejecutivo cuando sea relevante."

--------------------------------------------------------------------------------
ALINEACION CON LA EXTRACCION
--------------------------------------------------------------------------------
matriz_consolidada.csv y actas_resumen.csv vienen del prompt
06_Prompts_Analisis_Tabuladores/02_conversacional_chatgpt_gemini.txt.
El schema esta congelado: empresa, sector, municipio,
puesto_normalizado, categoria, sueldo_diario_mxn, sueldo_mensual_mxn,
n_trabajadores, fuente_archivo. No renombres columnas.

--------------------------------------------------------------------------------
VARIANTES / EXTENSIONES
--------------------------------------------------------------------------------
A. POSICIONA TU EMPRESA EN EL DASHBOARD
   Despues de fase 4: "te paso 5-10 puestos de mi organizacion con
    su sueldo actual. Sobreponlos como puntos rojos en el boxplot
    de cada sector y dime mi percentil en el segmento sector +
    municipio."

B. RESUMEN PARA DIRECTOR
   "Convierte las 5 vinetas en un correo ejecutivo de 200 palabras,
    con asunto, dirigido a Director(a) de RH no tecnico. Tono
    profesional, sin jerga estadistica."

C. SLIDES PPTX
   "Genera un .pptx con 7 slides: portada con disclaimer, 1 slide
    por vista del dashboard, slide final con las 5 vinetas. Estilo
    corporativo sobrio, sin emojis."

--------------------------------------------------------------------------------
DISCLAIMER DE USO RESPONSABLE
--------------------------------------------------------------------------------
La matriz consumida proviene de extraccion automatica sobre PDFs/XLSX
publicos del CFCRL. Tasa de error inherente al parsing. Revisa
manualmente los datos criticos antes de tomar decisiones de
compensacion. Al compartir conclusiones fuera de la organizacion debe
citarse la fuente y la fecha de corte. Esta herramienta complementa el
trabajo de las consultoras especializadas, no lo reemplaza.

================================================================================
PROMPT 03 - NIVEL INTEGRADO: Microsoft 365 Copilot (Excel + Chat)
================================================================================

Nombre del prompt : Dashboard ejecutivo sectorial nativo en Excel -
                    40 empresas CFCRL - vista directiva en libro vivo
Herramientas      : Microsoft 365 Copilot Excel + Copilot Chat web.
                    Requiere licencia Copilot for Microsoft 365.
Tiempo estimado   : 20 min (2 abrir + 14 las 4 etapas + 4 ajustes)
Resultado esperado: Libro `dashboard_breakout.xlsx` con 5 hojas
                    operativas (Datos, TD_Sector_Muni, Percentiles,
                    Top_Bottom_Empresas, Resumen_Ejecutivo) + 4
                    graficos nativos + 5 vinetas listas para enviar a
                    direccion. El heatmap se monta como tabla dinamica
                    + escala de color (formato condicional).

DISCLAIMER: La matriz consumida es resultado de extraccion automatica
sobre 40 empresas publicas del repositorio CFCRL. Uso educativo en
sesion ERIAC. No constituye benchmark formal de mercado. Esta
herramienta complementa el trabajo de las consultoras especializadas en
compensaciones, no lo reemplaza.

--------------------------------------------------------------------------------
PASO 0 - Preparacion (2 min)
--------------------------------------------------------------------------------
1. Confirma que ya corriste el prompt 06_Prompts_Analisis_Tabuladores/
   03_integrado_copilot.txt y tienes el libro `matriz_breakout.xlsx`
   con dos tablas:
     tblMatriz  (matriz_consolidada)
     tblActas   (actas_resumen, opcional)
2. Si NO corriste la fase 06, hay fallback: abre el CSV educativo
   C:\Users\Gerardo Ayala\Desktop\Webinar_IA_HR_Comite\04_Datos_Demo\
   datos_salariales_nl_muestra.csv y conviertelo a tabla "tblMatriz"
   con columnas mapeadas al schema canonico (renombrar
   sbc_promedio_diario -> sueldo_diario_mxn, n_registros ->
   n_trabajadores; agregar columnas vacias empresa = 'muestra',
   categoria, sueldo_mensual_mxn = sueldo_diario_mxn * 30.4,
   fuente_archivo).
3. Abre `matriz_breakout.xlsx` en Excel licenciado con Copilot.
   Guardalo como `dashboard_breakout.xlsx` en la misma carpeta de
   OneDrive (Documentos\ERIAC_Breakout\).
4. Click en el boton Copilot (cinta superior, icono morado).
5. Verifica que tblMatriz tiene las columnas canonicas:
     empresa, sector, municipio, puesto_normalizado, categoria,
     sueldo_diario_mxn, sueldo_mensual_mxn, n_trabajadores,
     fuente_archivo
   Si falta alguna, agrega la columna vacia antes de continuar
   (Copilot Excel lee mejor con el schema completo).

--------------------------------------------------------------------------------
ETAPA 1 - Validacion y resumen inicial (4 min)
--------------------------------------------------------------------------------

PROMPT 1 - pegar en Copilot Excel (panel lateral, dentro del libro)

Analiza la tabla tblMatriz. Es la matriz consolidada de 40 empresas
mexicanas extraidas del repositorio publico CFCRL. Las columnas son
empresa, sector, municipio, puesto_normalizado, categoria,
sueldo_diario_mxn, sueldo_mensual_mxn, n_trabajadores,
fuente_archivo.

Crea una hoja nueva "Diagnostico" con un resumen de:
- Total de filas, total de empresas distintas, total de sectores,
  total de municipios, total de puestos_normalizados unicos.
- % de filas con sector o municipio vacio o 'n/d'.
- % de filas con n_trabajadores vacio.
- Outliers detectados de sueldo_diario_mxn por sector (regla 1.5*IQR).

Si hay un problema serio (mas de 30% de filas con sector vacio),
avisame en una celda destacada antes de seguir.

--------------------------------------------------------------------------------
ETAPA 2 - Heatmap sector x municipio (5 min)
--------------------------------------------------------------------------------

PROMPT 2 - pegar en Copilot Excel

Crea una tabla dinamica en una hoja nueva llamada "TD_Sector_Muni"
con:
- Filas: sector
- Columnas: municipio
- Valores: promedio ponderado de sueldo_diario_mxn usando
  n_trabajadores como peso. Si Copilot no soporta promedio
  ponderado directo, usa promedio simple y agrega una nota
  diciendo que estas usando promedio simple por limitacion.
- Filtra automaticamente las filas con n_trabajadores < 5 (o si
  toda la columna esta vacia, no filtres y avisa).
- Aplica formato condicional escala de color verde-amarillo-rojo
  sobre los valores. Esto funciona como heatmap nativo en Excel.

Esta tabla dinamica + escala de color es nuestro HEATMAP
SECTOR x MUNICIPIO. La audiencia ERIAC entiende lenguaje tecnico
("heatmap"); usa ese termino en el titulo de la hoja y en la nota.

Despues de la TD, agrega arriba el titulo:
"Heatmap sector x municipio - sueldo diario promedio (CFCRL 40 emp)"
y abajo el disclaimer de uso responsable.

--------------------------------------------------------------------------------
ETAPA 3 - Percentiles por puesto + brechas por sector (5 min)
--------------------------------------------------------------------------------

PROMPT 3.1 - pegar en Copilot Excel

Crea una hoja "Percentiles_Puesto" con una tabla resumen para los
20 puestos_normalizados con mas empresas reportando. Columnas:
puesto_normalizado, n_empresas, sueldo_p25, sueldo_p50, sueldo_p75,
sueldo_p90, dispersion (p90/p10).

Solo incluir puestos con n_empresas >= 3.
Ordenar por dispersion descendente.

Aplica formato condicional barras de datos a la columna sueldo_p50
para visualizacion rapida.

Agrega abajo un grafico de barras apiladas que muestre
p25/p50/p75/p90 para los top 10 puestos por n_empresas.

Titulo del grafico: "Percentiles de sueldo diario por puesto -
muestra CFCRL". Pie con disclaimer.

PROMPT 3.2 - pegar en Copilot Excel

Crea una hoja "Brechas_Sector" con un boxplot del sueldo_diario_mxn
por sector. Si Excel no tiene boxplot nativo en tu version, usa una
tabla equivalente con columnas: sector, n_empresas, sueldo_min,
p25, p50, p75, sueldo_max, brecha_pct (max-min)/min, ordenada por
p50 descendente. Despues genera un grafico de columnas agrupadas
con las series p25/p50/p75 (proxy visual del boxplot).

Titulo: "Brechas de sueldo diario por sector".

--------------------------------------------------------------------------------
ETAPA 4 - Top/Bottom empresas + resumen ejecutivo (4 min)
--------------------------------------------------------------------------------

PROMPT 4.1 - pegar en Copilot Excel

Crea una hoja "Top_Bottom_Empresas" con dos tablas lado a lado:

TABLA A - TOP 10 mejor pagadas relativas a su sector
- Columnas: empresa, sector, mediana_empresa, mediana_sector,
  delta_pct (positivo).
- Ordenada por delta_pct descendente.
- Solo top 10.
- Formato condicional verde para delta_pct > 10%.

TABLA B - BOTTOM 10 peor pagadas relativas a su sector
- Mismas columnas.
- Ordenada por delta_pct ascendente.
- Formato condicional rojo claro para delta_pct < -10%.

Despues genera dos graficos de barras horizontales para visualizar
los 10 nombres de cada lado.

PROMPT 4.2 - pegar en Copilot Excel (resumen ejecutivo final)

Crea una hoja "Resumen_Ejecutivo" con un texto de exactamente 5
vinetas para que yo lo presente a mi Director(a) de RH. Reglas:
- Cada vineta inicia con un dato cuantitativo (ej. "El sector
  autopartes paga 23% mas que el promedio de la muestra").
- Reglas de contenido (una vineta para cada uno):
    1. Sector mejor pagado vs peor pagado (delta % en p50).
    2. Municipio con mayor concentracion de salarios altos.
    3. Puesto con mayor dispersion (riesgo de inequidad de
       mercado).
    4. Si tblActas existe: % aprobacion promedio en actas. Si
       no existe, sustituye por un dato del % de empresas que
       reportan menos de la media de su sector.
    5. Observacion contraintuitiva detectada en los datos.
- Cada vineta maximo 25 palabras.
- Cierra con UNA recomendacion accionable concreta para el area
  de Compensaciones.
- Encabezado: "Dashboard ejecutivo sectorial - Lectura ejecutiva
  [fecha de hoy]" y subtitulo con el disclaimer.
- Tono complementario a las consultoras: este dashboard
  enriquece el servicio profesional, sin sugerir sustitucion.

--------------------------------------------------------------------------------
SI ALGO SALE MAL
--------------------------------------------------------------------------------
1. Copilot dice "no puedo analizar este archivo"
   Verifica que el libro este guardado en OneDrive o SharePoint
   (no solo local) y que tblMatriz este formateada como Tabla
   (Ctrl+T) con nombre.

2. La columna sueldo_diario_mxn aparece como Texto y rompe los
   calculos
   Selecciona la columna -> Format Cells -> Number con 2 decimales.
   O pidele a Copilot: "convierte sueldo_diario_mxn a numero con
   VALUE() en una columna auxiliar y usa esa para los calculos".

3. La tabla dinamica del heatmap sale con muchos huecos
   Es esperable: no todas las combinaciones sector x municipio
   existen. Pide a Copilot: "marca las celdas vacias como guion
   en lugar de 0 para que no distorsionen la escala de color".

4. Excel se queja del tamano de tblMatriz
   Improbable con 144 archivos extraidos. Si pasa, filtra
   tblMatriz a las primeras 10 mil filas, valida el flujo,
   despues retira el filtro.

5. tblActas no esta presente
   No es bloqueante. Las vistas que dependen de actas se omiten
   o sustituyen automaticamente segun lo descrito en cada
   prompt.

--------------------------------------------------------------------------------
ALINEACION CON LA EXTRACCION
--------------------------------------------------------------------------------
tblMatriz proviene del prompt 06_Prompts_Analisis_Tabuladores/
03_integrado_copilot.txt. Schema fijo:

  tblMatriz: empresa, sector, municipio, puesto_normalizado,
             categoria, sueldo_diario_mxn, sueldo_mensual_mxn,
             n_trabajadores, fuente_archivo
  tblActas:  empresa, sindicato, pct_aprobacion,
             n_trabajadores_cubiertos, fecha_revision,
             incremento_pct

No renombres columnas; los prompts del dashboard dependen de esos
nombres exactos.

--------------------------------------------------------------------------------
VARIANTES / EXTENSIONES
--------------------------------------------------------------------------------
A. POSICIONAR TU EMPRESA EN EL DASHBOARD
   Crea hoja "MiEmpresa" con tus puestos internos (puesto_interno,
   sueldo_propio, sector, municipio). Pidele a Copilot Excel:
   "para cada puesto de MiEmpresa busca el match mas cercano en
   tblMatriz por puesto_normalizado + sector + municipio, calcula
   los percentiles del segmento (p25/p50/p75/p90) y marca con
   semaforo mi posicion (verde +/-5%, amarillo +/-15%, rojo > 15%
   abajo o arriba)."

B. EXPORTAR A POWERPOINT
   En Copilot Chat (Edge): "crea una presentacion de 7 slides con
   los graficos del libro y el resumen ejecutivo. Estilo
   corporativo sobrio, sin emojis." Copilot M365 puede generar el
   .pptx leyendo el libro abierto.

C. AUTOMATIZAR REFRESCO MENSUAL
   Conecta Power Query (Data -> Get Data -> From Folder)
   apuntando a la carpeta donde la fase 06 deja matriz_consolidada
   .csv. Cada mes solo das "Refresh All" y se actualizan tablas
   dinamicas, percentiles y resumen.

--------------------------------------------------------------------------------
DISCLAIMER DE USO RESPONSABLE
--------------------------------------------------------------------------------
La matriz consumida proviene de extraccion automatica sobre PDFs/XLSX
publicos del CFCRL. Tasa de error inherente al parsing. Revisa
manualmente los datos criticos antes de tomar decisiones de
compensacion. Al compartir conclusiones fuera de la organizacion debe
citarse la fuente y la fecha de corte. Esta herramienta complementa el
trabajo de las consultoras especializadas, no lo reemplaza.