¿Puede su equipo explicar qué mide el indicador que tiene en pantalla, o solo sabe si está en verde o en rojo?
En retail, el volumen de datos crece con la operación. La capacidad de leerlos no crece igual. Comprender qué mide cada métrica y cómo interpretarla determina si un reporte termina en una decisión o solo en una consulta.
Cada transacción deja un dato, ninguno se interpreta solo
Cada transacción genera datos: un producto vendido, un cambio de precio, un ingreso de inventario. Estos datos, agregados y puestos en contexto, se convierten en la información que sostiene la operación del día a día.
Sin comprensión de lo que sucede en cada etapa, los usuarios llegan a conclusiones incorrectas. Un gerente puede ver un incremento en la venta en dinero y, al abrir el dato, darse cuenta de que las unidades cayeron y que el crecimiento viene de un aumento de precio.
Figura
Por dónde pasa un dato antes de llegar a quien decide
La métrica está definida, el usuario no la entiende igual
La mayoría de las organizaciones define métricas sin asegurar que los usuarios finales las entienden. Una «venta en dinero» puede significar ingresos brutos, ingresos netos, margen o flujo de efectivo; todo depende del contexto.
Para cada métrica clave, la capacitación tiene que responder cuatro preguntas antes de mostrar un solo tablero: qué mide el indicador —sea venta en dinero, unidades, rotación o margen—; cómo se calcula, con su fórmula o su lógica de negocio; por qué importa para el área que lo va a usar; y cómo se relaciona con las demás métricas que aparecen en la misma pantalla.
Ejemplo: Days on Hand (DOH) es el inventario promedio dividido entre las ventas diarias promedio, y mide cuántos días toma vender el stock actual. Su utilidad está en la alerta: un producto con 100 días de inventario y una fecha de vencimiento más cercana ya es una pérdida, aunque el tablero no lo muestre en rojo.
Dos números que dicen lo contrario de lo que parecen
Los dos casos que siguen son ilustrativos. Las cifras están construidas para mostrar el razonamiento detrás de cada métrica y no corresponden a ningún cliente ni a datos reales de EREA.
Caso A · Venta en unidades frente a venta en dinero
Escenario: una categoría muestra un incremento del 20% en unidades, pero −5% en ingresos.
Sin esa capacitación se asume que la categoría creció. Dividir los dos números dice otra cosa: si las unidades suben 20% y los ingresos caen 5%, el precio promedio cayó alrededor de 20%. Esa caída es la promoción, y sale del margen.
La lectura real: el volumen creció, pero a costa de la rentabilidad.
Con esa lectura las acciones cambian. Se evalúa si la promoción cumplió el objetivo que la justificaba —atraer clientes nuevos o mover stock estancado— y se compara su costo contra lo que dejó. Queda una pregunta que solo responde el tiempo: si el volumen se sostiene cuando la promoción termina, la categoría ganó clientes; si cae al nivel anterior, la cadena compró volumen con su propio margen.
Caso B · Days on Hand en la planificación de la demanda
Escenario: un analista de abasto ve que los Days on Hand se incrementaron de 30 a 50 días para una categoría.
Sin esa lectura, el analista reacciona al número sin saber si la causa fue una caída de la demanda o una compra excesiva. Cada causa lleva a una acción distinta.
La diferencia entre las dos causas se resuelve en los datos, no en la intuición. Si las unidades vendidas por semana bajaron y el inventario se mantuvo estable, la señal apunta a demanda. Si las unidades se sostienen y el inventario subió después de una recepción, la señal apunta a compra. Revisar las dos series en la misma ventana de tiempo, abiertas por tienda y por proveedor, evita corregir el problema equivocado.
Si la señal apunta a demanda, lo primero es descartar las causas externas —una promoción de la competencia o un producto de temporada fuera de su ventana—. Después se comparan las últimas cuatro semanas contra el mismo período del año anterior, que es lo que separa la estacionalidad de una caída real. Luego se verifica si la caída es general o se concentra en tiendas, presentaciones o proveedores, porque eso cambia la acción. En ambos casos, el pronóstico y las órdenes pendientes se ajustan antes de que la siguiente recepción agrave el inventario.
Si apunta a compra, el punto de partida son las órdenes recibidas en las últimas semanas, contrastadas contra el pronóstico que las originó. La salida se prioriza por fecha de vencimiento, con redistribución entre tiendas según la demanda real de cada una, y el descuento como última carta. En paralelo se negocia con el proveedor el ajuste de las siguientes entregas, o la devolución cuando el contrato lo permita.
En los dos escenarios el plazo pesa tanto como la causa. Un DOH que sube y se corrige en dos semanas es un ajuste de abasto. El mismo DOH detectado dos meses después ya es inventario inmovilizado, merma o liquidación.
Leer tarde una métrica cuesta más que capacitar a quien debía leerla
Un ejemplo con números ilustrativos ayuda a dimensionarlo. Tome una categoría que mantiene $500,000 de inventario y lo vende en 30 días, alrededor de $16,700 de producto por día.
Tome la causa de compra excesiva: la venta diaria se sostiene y el inventario sube después de una recepción. Si el DOH pasa a 50 días y nadie revisa el dato durante un mes, la categoría termina con cerca de $833,000 en inventario, unos $333,000 por encima del promedio. Mantener ese excedente cuesta alrededor de $6,700 al mes —a un 2% mensual entre costo de capital y almacenaje—, y a eso se suman la merma y los descuentos que después hay que aplicar para rotarlo antes del vencimiento. Si la causa fuera caída de demanda, el inventario no crece, pero el producto envejece igual y el costo reaparece como merma.
La cifra exacta cambia según el negocio. El orden de magnitud no. Una sesión de capacitación para diez usuarios ocupa un día de trabajo y se mide en miles de dólares, contra los $333,000 detenidos y los $6,700 que cuestan cada mes. Una sola lectura tardía cuesta más que capacitar a quien debía detectarla.
Cinco pilares, y el orden en que van
La capacitación inicial se ordena en cinco pilares. El orden pesa tanto como el contenido.
| Pilar | Qué cubre | |
|---|---|---|
| 01 | Contexto empresarial | Entendimiento del negocio: qué vende, a quién, qué se quiere alcanzar y qué indicadores aportan valor (KPIs). |
| 02 | Definición de métricas | Definir cada métrica: qué calcula, por qué importa, sus limitaciones y su contexto especial. |
| 03 | Navegación de la herramienta | Mostrar la herramienta enfatizando el porqué de cada función, apoyado en la definición de las métricas. |
| 04 | Mapeo de casos de uso | Análisis reales: para analizar ventas, identificar las métricas que las definen y qué componentes influyen en el resultado. |
| 05 | Análisis | Capacitar para cuestionar: ¿son correctos estos datos?, ¿qué datos faltan?, ¿qué elementos importan para entenderlos? |
Figura
Cinco pilares, en secuencia
Muchas organizaciones invierten en la herramienta antes de resolver el contexto y las métricas, y terminan con datos que nadie usa para decidir. Ese es el orden que seguimos en EREA Decisions Lab, la división de Analytics de la firma: primero el contexto del negocio y la definición de métricas, después la herramienta y los casos de uso. El trabajo no termina cuando los dashboards quedan publicados: participamos en la capacitación de los usuarios, y esa capacitación también alcanza a los proveedores con acceso a la data de la organización, porque ellos deciden abasto y surtido con los mismos números.
La capacitación tiene que asociar cada dato a una acción y a una forma de evaluar si esa acción funcionó. Un dato sin acción asociada se queda en reporte, y una acción que no se mide no enseña nada para la próxima.
En el Caso B son cuatro momentos: abrir el dato por categoría, tienda y proveedor; identificar la causa; comunicar la acción al equipo comercial o tomarla directamente, como redistribuir producto entre tiendas; y medir el impacto de lo que se hizo.
La asistencia no mide nada, la autonomía sí
El éxito de una capacitación en cualquier herramienta de análisis de datos no se mide por cuánta gente la completó ni por cuántos dashboards visitaron. Se mide en tres cosas. Claridad: si el usuario puede explicar qué mide cada métrica y por qué. Autonomía: si puede formular preguntas nuevas y armar sus propios análisis sin ayuda. Acción: si efectivamente se toman decisiones soportadas en datos.
Si después de la capacitación un usuario sigue dependiendo de alguien más para interpretar sus métricas, el refuerzo se programa otra vez.
La ventaja competitiva no está en la plataforma
Cada decisión impacta la operación y la experiencia del cliente. Un equipo que sabe qué mide cada métrica y qué hacer con ella rinde más que una licencia adicional: la herramienta muestra el número, el usuario decide qué hacer con él. Eso no se resuelve en una sola sesión. Cada herramienta nueva y cada análisis nuevo vuelven a abrir las mismas cuatro preguntas.
Haga la prueba
Antes de aprobar el siguiente reporte, pida a tres usuarios que expliquen qué mide su métrica principal, qué pregunta harían después de verla y qué decisión tomaron con ella la semana pasada. Claridad, autonomía y acción. Si falta alguna de las tres, el problema no está en la herramienta.
Lecturas relacionadas
- Cuando la bodega está llena y aun así no hay qué vender
- El mismo descuento no vende lo mismo
- ¿Por qué el abastecimiento en Latinoamérica necesita un nuevo motor de decisiones?
- El dato del punto de venta como línea de negocio