Guía práctica · C&A Systems

Machine Learning en Business Intelligence

Del dashboard a la decisión predictiva.

Anticipa ventas, detecta anomalías y prioriza acciones. Conoce qué datos necesitas, cómo evaluar las predicciones y cómo llevarlas a Power BI.

Empieza por la decisión

BI, Machine Learning e IA generativa: ¿cuándo usar cada uno?

Elige según lo que necesitas resolver: analizar indicadores, estimar resultados o consultar información en lenguaje natural.

Analizar

Business Intelligence

Organiza datos y métricas para explorar resultados y dar seguimiento al negocio.

Ejemplo: ¿Cómo van las ventas frente al presupuesto?

Estimar y detectar

Machine Learning

Aprende patrones para generar pronósticos, clasificar registros o identificar anomalías.

Ejemplo: ¿Qué demanda podemos esperar la próxima semana?

Consultar y explicar

IA generativa

Facilita preguntas y resúmenes en lenguaje natural. Sus respuestas deben contrastarse con las fuentes.

Ejemplo: Resume las variaciones del reporte y qué revisar.

Criterio práctico: comienza con una regla o reporte sencillo. Incorpora un modelo cuando demuestre una mejora medible para la decisión.

Predicciones con una acción definida

¿Dónde aplicar Machine Learning en Business Intelligence?

Relaciona cada predicción con los datos que necesita, la decisión que apoyará y una métrica para evaluar su utilidad.

Ventas

Anticipar ventas por periodo

¿Qué volumen considerar para planear compras y capacidad operativa?

Datos
Ventas por fecha, producto y sucursal; precios, promociones y disponibilidad.
Evaluación
Error absoluto medio en periodos posteriores, comparado con un pronóstico sencillo.

Inventarios

Priorizar la reposición

¿Qué productos necesitan revisión antes de generar una orden de compra?

Datos
Demanda histórica, existencias, faltantes, pedidos pendientes y tiempos de entrega.
Evaluación
Error del pronóstico y, en un piloto, faltantes, nivel de servicio y costo de inventario.

Cobranza

Identificar riesgo de pago tardío

¿Qué cuentas conviene revisar primero según riesgo, monto y capacidad del equipo?

Datos
Facturas, saldos, vencimientos e historial de pagos disponibles al generar la estimación.
Evaluación
Pagos tardíos identificados entre las cuentas priorizadas, frente a una regla por antigüedad.

Control operativo

Detectar movimientos inusuales

¿Qué transacciones o indicadores necesitan investigación por un responsable?

Datos
Transacciones o mediciones con fecha, importe, categoría y contexto operativo.
Evaluación
Alertas útiles, falsas alarmas y tiempo dedicado a revisar cada señal.

Escenarios orientativos, sin resultados atribuidos a clientes. Una predicción requiere contexto: una anomalía no confirma fraude y un riesgo de pago tardío no garantiza incumplimiento.

Ejemplo didáctico · Datos simulados

¿Tu pronóstico mejora una referencia sencilla?

Para planear compras, compara las ventas estimadas con las observadas. En este ejercicio, la referencia repite la venta de la semana anterior y la alternativa representa un posible pronóstico de Machine Learning.

Semana 1

Venta observada: 100 unidades

Referencia: 90
Error absoluto: 10 unidades

Alternativa ML: 105
Error absoluto: 5 unidades

Semana 2

Venta observada: 120 unidades

Referencia: 100
Error absoluto: 20 unidades

Alternativa ML: 110
Error absoluto: 10 unidades

Semana 3

Venta observada: 110 unidades

Referencia: 120
Error absoluto: 10 unidades

Alternativa ML: 115
Error absoluto: 5 unidades

Calcula el error absoluto medio

El MAE promedia las diferencias absolutas entre lo observado y lo estimado. Aquí se expresa en unidades vendidas.

Referencia:
(10 + 20 + 10) ÷ 3 = 13.33 unidades

Alternativa ML:
(5 + 10 + 5) ÷ 3 = 6.67 unidades

Conecta el error con la decisión

En estas cifras simuladas, la alternativa tiene menor error promedio. Para decidir compras, también necesitas considerar existencias, tiempos de entrega y el costo de faltantes o excedentes.

En Power BI: muestra ventas observadas, ambos pronósticos, error por periodo y fecha de actualización.

Alcance: cifras ficticias y pronósticos asignados para explicar el cálculo; no provienen de un modelo entrenado ni de clientes. Tres semanas no demuestran desempeño real: una evaluación requiere más periodos y datos de prueba separados del entrenamiento.

De tus sistemas al dashboard

Cómo integrar Machine Learning con Power BI

Un patrón práctico consiste en preparar los datos, evaluar el modelo, guardar sus predicciones y conectarlas al reporte. Cada etapa necesita controles y un responsable.

01 · Conectar

Fuentes del negocio

Integra ERP, CRM, bases de datos y archivos. Define qué significa cada campo y quién puede consultar la información.

Conserva: origen, fechas e identificadores.

02 · Preparar

Datos consistentes

Revisa duplicados, faltantes y unidades. Define si cada registro representa una factura, un cliente o una semana de ventas.

Evita: utilizar datos futuros al generar una predicción.

03 · Evaluar

Modelo y referencia

Entrena el modelo y compáralo con un método sencillo en datos reservados para prueba. Revisa errores y segmentos relevantes.

Registra: versión, periodos y resultados de evaluación.

04 · Generar

Tabla de predicciones

Aplica el modelo a nuevos datos y guarda las estimaciones en una fuente compatible con la plataforma de analítica.

Incluye: identificador, periodo objetivo, fecha y versión.

05 · Visualizar

Reporte en Power BI

Relaciona las predicciones con productos, clientes o sucursales en el modelo semántico. Muestra estimaciones y resultados observados.

Explica: fecha de actualización, error y límites de uso.

06 · Dar seguimiento

Decisiones y desempeño

Asigna responsables para revisar señales, registrar acciones y medir la utilidad del modelo conforme llegan nuevos resultados.

Define: cuándo revisar, reentrenar o volver a la referencia.

Arquitectura de referencia: las herramientas y conexiones dependen del volumen, los permisos, la frecuencia requerida y el licenciamiento disponible.

Antes de llevarlo a operación

Checklist para usar predicciones en decisiones de negocio

Revisa estos seis puntos antes de publicar el modelo. Para cada uno, define evidencia, responsable y un criterio de aceptación.

01 · Objetivo

Una decisión concreta

Define qué acción cambiará, quién la ejecutará y cómo medirás su resultado. Considera el costo de una estimación equivocada.

Evidencia: objetivo, responsable y métrica de negocio.

02 · Datos

Calidad y disponibilidad

Revisa faltantes, duplicados y fechas. Utiliza campos disponibles al momento de predecir, sin información del resultado futuro.

Evidencia: diccionario y revisión de calidad de datos.

03 · Validación

Comparación con una referencia

Evalúa en datos reservados y compara con un método sencillo. En pronósticos, respeta el orden temporal y revisa el error por segmento.

Evidencia: métricas, periodos y límites documentados.

04 · Interpretación

Resultados comprensibles

Distingue estimaciones de datos observados. Muestra fecha, periodo objetivo y error. Explica cuándo se requiere revisión humana.

Evidencia: reporte revisado con sus usuarios.

05 · Acceso

Permisos y trazabilidad

Define quién consulta o exporta resultados. Protege credenciales y conserva el origen de los datos y la versión del modelo.

Evidencia: matriz de accesos y registros de ejecución.

06 · Monitoreo

Seguimiento y respuesta

Vigila errores y fallas de actualización. Define cuándo investigar, reentrenar o volver al método de referencia.

Evidencia: umbrales, responsables y plan de respuesta.

Checklist orientativo. Un menor error predictivo debe acompañarse de evidencia de utilidad operativa antes de ampliar la solución.

Dudas antes de empezar

Preguntas frecuentes sobre Machine Learning en BI

Qué necesitas para pasar de los indicadores a predicciones que apoyen decisiones.

¿Machine Learning reemplaza Business Intelligence?

Se complementan. BI organiza indicadores y facilita el análisis del negocio. Machine Learning aporta estimaciones, clasificaciones o detección de anomalías que pueden incorporarse a los reportes.

¿Cuántos datos históricos necesito?

Depende del caso, la frecuencia, la variabilidad y la estacionalidad. Necesitas información suficiente para entrenar y evaluar por separado en condiciones representativas del uso esperado.

¿Cómo llevar las predicciones a Power BI?

Una opción es guardar las predicciones en una fuente compatible y relacionarlas con el modelo semántico. El reporte debe distinguir estimaciones y valores observados, además de mostrar fechas y errores.

¿Cómo comprobar que el modelo aporta valor?

Compara con una referencia sencilla en datos de prueba. Después, mide en un piloto el efecto de las decisiones, considerando costos, errores y esfuerzo operativo. Un menor error predictivo no garantiza por sí solo un beneficio económico.

¿Actualizar Power BI reentrena el modelo?

Son tareas distintas. Actualizar el reporte permite consultar datos; generar predicciones aplica el modelo; reentrenarlo modifica lo aprendido. La arquitectura debe coordinar las tres actividades.

¿El ejemplo de esta guía es un caso de cliente?

Es un ejercicio didáctico con cifras ficticias y pronósticos asignados para explicar el cálculo del error. No representa un modelo entrenado, resultados de clientes ni una promesa de desempeño.

C&A Systems · Datos e inteligencia artificial

¿Qué decisión quieres mejorar con tus datos?

Comparte tu objetivo, las fuentes disponibles y el indicador que utilizas hoy. Hablemos del alcance de tu proyecto de BI y analítica predictiva.

Hablar sobre mi proyecto

Objetivo · Fuentes de datos · Indicador actual