Construyo espacios
donde los datos calan.

El Problema

En muchos equipos comerciales el análisis de ventas empieza y termina en el total. Si la cifra sube, todo bien. El problema es que dos períodos pueden cerrar con el mismo número y haber sido radicalmente distintos por dentro: uno con crecimiento real, otro con caída compensada por una campaña puntual. Sin variación integrada en el visual, esa diferencia no se ve.

El Objetivo

Construir un informe de ventas que permitiera leer volumen y variación en una sola lectura, sin necesidad de cruzar pestañas ni comparar tablas separadas. Y hacerlo siguiendo el estándar IBCS, que define cómo representar esa información de forma que cualquier persona lo lea igual, sin ambigüedad.

Mi Enfoque

El estándar IBCS (International Business Communication Standards) establece reglas concretas sobre cómo representar variaciones: qué color indica desviación positiva, qué forma indica valor real frente a presupuesto, cómo se integran volumen y variación en el mismo eje sin que se solapen ni confundan.

Construí tres tipos de visual siguiendo ese estándar. El gráfico de columnas con niveles múltiples permite ver simultáneamente el valor absoluto mensual, la variación absoluta respecto al año anterior y el porcentaje de cambio. El gráfico de columnas con variación integrada compacta esa información dentro de cada barra, útil cuando el eje tiene muchos elementos. El gráfico de líneas de variación muestra la evolución temporal con el área entre la línea real y el target coloreada según si se supera o no el objetivo.

La clave técnica está en combinar DAX con cálculos visuales: DAX para la lógica base del modelo y el selector dinámico de medidas, y cálculos visuales para generar las variaciones directamente sobre el visual sin multiplicar medidas en el modelo.

Herramientas Utilizadas

Power BI para el modelo, los tres tipos de visual IBCS y la navegación entre vistas. DAX y cálculos visuales en combinación para las variaciones CY vs SPLY y contra Target.

Qué Aprendí

Replicar el estándar IBCS en Power BI sin custom visuals obliga a entender bien cómo funciona el formateo condicional a nivel de medida. La parte más exigente fue conseguir que los tres niveles del gráfico de columnas múltiples mantuvieran las proporciones correctas independientemente del rango de valores del filtro seleccionado.

El Problema

Cuando cada área analiza su parte por separado, dirección necesita construir la visión completa manualmente cada vez. Ese proceso es lento, poco trazable y genera versiones distintas de la misma realidad. Sin un modelo que conectara los tres estados financieros de forma coherente, cualquier análisis era una foto parcial.

El Objetivo

Diseñar una estructura contable que unificara balance, PyG y cash flow, mantuviera coherencia entre periodos y permitiera navegar desde un KPI de alto nivel hasta el asiento concreto que lo genera, sin salir del informe.

Mi Enfoque

Empecé por el modelo. Dos tablas de hechos: FactDiario con los apuntes contables reales y FactPresupuesto con los datos presupuestados, conectadas a las mismas dimensiones. Una tabla TablaFechaCierre gestiona la proyección a cierre: extrapola el resultado esperado a fin de año a partir de los datos reales disponibles hasta la fecha de corte.

El informe tiene seis áreas: panel de KPIs con EBITDA, ROE, ROA, Test Ácido, Solvencia y Free Cash Flow; checklist de validación que detecta asientos descuadrados y cuentas sin clasificar; balance de sumas y saldos con drill-through hasta el apunte individual; balance general con análisis vertical y horizontal; PyG con tres vistas; y cash flow con los tres tipos de flujo comparados con el año anterior.

Hallazgos Clave

El checklist de validación fue una de las decisiones más importantes. En un modelo que consolida varias empresas, tener una página dedicada a detectar asientos descuadrados y cuentas sin clasificar evita que un error contable llegue a una reunión de dirección como si fuera un resultado real. En 2023, el Free Cash Flow fue de 678.208€ frente a –1.165.649€ del año anterior.

Herramientas Utilizadas

Power BI para el modelo completo, la navegación entre las seis áreas y el drill-through hasta el apunte contable de origen. DAX para ratios de solvencia y liquidez, EBITDA, variación interanual, desviación vs presupuesto y la lógica de proyección a cierre.

Qué Aprendí

Consolidar varias empresas en un único modelo añade una capa de complejidad que no existe en proyectos de una sola empresa. La proyección a cierre fue la pieza técnica más exigente: tiene que distinguir entre meses con datos reales y meses sin ellos, y ser coherente tanto en la tabla como en el gráfico de evolución temporal.

El Problema

El director comercial tenía los números y no los entendía. Revenue cayendo, cartera creciendo. La primera reacción fue buscar más ventas. Pero antes había que confirmar si el problema estaba en la captación o en la retención. Sin una forma de ver el comportamiento real de cada cliente, esa pregunta no tiene respuesta.

El Objetivo

Clasificar a los 400 clientes según su comportamiento real de compra — cuándo compraron por última vez, con qué frecuencia y cuánto — para identificar qué segmentos estaban perdiendo actividad y cuánto revenue había en riesgo real.

Mi Enfoque

Construí un modelo RFM sobre el histórico de pedidos. Cada cliente recibe tres puntuaciones: Recency (días desde la última compra), Frequency (número de pedidos) y Monetary (importe total acumulado). Los cortes se calculan con percentiles dinámicos sobre toda la tabla, lo que hace que el modelo funcione bien con cualquier distribución de datos.

El modelo vive sobre un esquema en estrella con Fact_Pedidos en el centro y cinco dimensiones: Cliente, Fecha, Producto, Comercial y TipoEstablecimiento. El dashboard responde cuatro preguntas en una sola página: salud del negocio, distribución por segmento, evolución mensual del revenue y acción comercial recomendada para cada grupo — esta última generada como tabla HTML directamente desde una medida DAX.

Hallazgos Clave

El segmento Loyal concentraba 111 clientes y casi la mitad del revenue total. Llevaban meses con la recency creciendo. Más de 198.000€ en clientes que antes compraban bien y que llevaban tiempo sin aparecer. Sin segmentación esa señal se pierde en el total. Los Champions eran solo 34 clientes, con recency media de 14 días y ticket medio de 4.787€, recibiendo el mismo trato que el resto.

Herramientas Utilizadas

Power BI para el modelo y el dashboard completo con filtros por zona, establecimiento, comercial y año. DAX para los tres scores, la asignación de segmento y la tabla de acciones comerciales generada como HTML dentro de una medida.

Qué Aprendí

Lo complicado fue decidir los cortes de segmentación: cuándo un cliente pasa de Loyal a At Risk no puede ser un número arbitrario. Usar percentiles dinámicos en lugar de umbrales fijos fue la decisión que más mejoró la calidad del modelo. Generar una tabla HTML desde DAX obliga a pensar más en el diseño antes de escribir la primera línea de código.

El Problema

Una cadena de tiendas con datos completos en el TPV pero sin capacidad de responder preguntas básicas de negocio: qué tienda rinde mejor, dónde se pierde margen, si los objetivos se cumplen o solo se supera el mes anterior. Los datos existían; el problema era que nadie los podía leer juntos.

El Objetivo

Diseñar un sistema de reporting integral — desde el modelo de datos hasta el dashboard — que convirtiera números dispersos en decisiones concretas. Con un solo informe, dirección tenía que poder ver ventas, rentabilidad y cumplimiento de objetivos de cada tienda en una sola lectura.

Mi Enfoque

El modelo tiene dos tablas de hechos: Ventas con los datos reales del TPV y Presupuestos con los objetivos por tienda y periodo. Ambas conectan a las mismas dimensiones mediante tablas desconectadas T_DISC que permiten cambiar el eje de análisis sin afectar a las relaciones del modelo. Los parámetros TopN permiten filtrar las tiendas o productos más relevantes dinámicamente.

El informe cubre cuatro ángulos: resumen ejecutivo con KPIs de ventas, margen y cumplimiento; análisis por tienda con ranking y comparativa vs objetivo; análisis de producto con ticket medio, unidades y rentabilidad; y evolución temporal con YTD y comparativa interanual.

Hallazgos Clave

La lectura conjunta de ventas y margen reveló tiendas con volumen alto pero rentabilidad baja que no eran visibles en los informes anteriores. El drill-down hasta el ticket individual permitió identificar el producto exacto que explicaba la desviación en una tienda concreta, algo que antes requería exportar a Excel y cruzar manualmente.

Herramientas Utilizadas

Power BI para el modelo completo y el dashboard con navegación entre las cuatro áreas. DAX para métricas de cumplimiento vs presupuesto, YTD, variación interanual, margen por producto y lógica de ranking dinámico con parámetros TopN. Power Query para la integración de las fuentes del TPV y los objetivos.

Qué Aprendí

Las tablas desconectadas T_DISC son imprescindibles cuando el mismo selector tiene que afectar a dos tablas de hechos sin crear ambigüedad en el modelo. Diseñar el modelo con esa separación desde el inicio evita tener que rehacer las relaciones cuando el negocio crece y añade nuevas tiendas o líneas de producto.