Del dato ERP a la inteligencia comercial — almacén, capa semántica y versión única de verdad

La constatación. La mayoría de las pymes industriales ya guardan, dentro de su ERP, casi todo lo que necesitaría una buena decisión comercial : cada pedido, cada línea de factura, cada movimiento de stock queda registrado. Y sin embargo, la misma pregunta vuelve en cada reunión : ¿qué productos aceleran, cuáles se frenan y cuántas semanas de cobertura nos quedan? La información existe ; simplemente no se hace legible. Convertir el dato transaccional en inteligencia comercial no es un proyecto de herramienta : es una cuestión de modelización, gobernanza y disciplina.

Por qué el ERP no basta tal cual

Un ERP está hecho para ejecutar transacciones, no para analizarlas. Su esquema está normalizado para la integridad de escritura : evitar duplicados, garantizar la coherencia de un pedido. Lo que es excelente para la captura se vuelve hostil a la lectura analítica : una pregunta tan simple como « ¿cuál es la velocidad de este producto por mercado a doce meses? » puede exigir unir entre cinco y diez tablas, con riesgo real de doble conteo. Bill Inmon formuló ya en los años noventa la distinción fundadora : sistemas transaccionales (OLTP) y analíticos (OLAP) no tienen ni la misma forma ni la misma finalidad.

El patrón almacén y capa semántica

La respuesta clásica, y aún válida, es separar ambos mundos. Se extrae el dato del ERP hacia un almacén de datos (o un lakehouse moderno), se modeliza para el análisis y se expone una capa semántica : un diccionario compartido donde « ingreso neto », « margen » o « velocidad » tienen una sola definición, calculada una vez, para todos.

• Modelización dimensional — el método de Ralph Kimball organiza el dato en tablas de hechos (pedidos, líneas de factura) y de dimensiones (producto, cliente, mercado, tiempo).
• Capa semántica — los indicadores se definen una vez, antes de los cuadros de mando, para que una palabra no signifique dos cálculos distintos.
• Cuadros de mando por responsable — cada responsable de mercado ve solo su perímetro, con las mismas definiciones : comparable, no compartimentado.

Velocidad y cobertura, dos indicadores sobrios

La velocidad es el ritmo de venta de una referencia — unidades por semana, suavizadas para absorber el ruido. La cobertura traduce el stock disponible en semanas de venta a la velocidad actual. Alta velocidad y baja cobertura es una rotura anunciada ; baja velocidad y alta cobertura inmoviliza tesorería. Ninguno se lee en el pedido en bruto ; ambos emergen cuando el dato está bien modelizado.

Dato gobernado, o la versión única de verdad

El obstáculo real casi nunca es técnico : es la gobernanza. Quién posee la definición de un indicador, quién valida la calidad de una dimensión, quién decide cuando dos cifras divergen. Sin esa disciplina, cada equipo rehace su hoja de cálculo y se vuelve al síndrome de las múltiples versiones de la verdad. Una versión única se construye con un propietario nombrado, definiciones escritas y un principio de solo lectura sobre los sistemas fuente.

Dónde nos situamos

Montandor Andorra es una casa joven y construye sus cuadros de mando comerciales directamente sobre el dato vivo de su ERP — en solo lectura, con definiciones compartidas y un propietario por indicador. No buscamos la herramienta más espectacular ; buscamos que un responsable de mercado y la dirección lean la misma cifra y decidan más rápido.

“El dato solo tiene valor si conduce a una decisión más acertada, antes. Nuestra exigencia es simple : una definición por indicador, legible para quien actúa en el mercado y para quien arbitra.”
— Wouter Meijboom, CEO, Montandor Andorra.

Fuentes

• Ralph Kimball & Margy Ross — The Data Warehouse Toolkit, 3.ª ed. (Wiley).
• William H. Inmon — Building the Data Warehouse (distinción OLTP / OLAP).
• DAMA International — DMBOK (gobernanza y calidad del dato).
• McKinsey & Company — empresa data-driven, 2018-2023.
• Harvard Business Review — McAfee & Brynjolfsson, Big Data, 2012.
• GS1 — estándares de identificación de producto (GTIN).

Investigación dirigida por Hélène Vincent (Growth & Analytics Lead), en colaboración con Lev Marchuk (Data Scientist) y Chloé Garnier (Head of Architecture).