Blog · Decisión operativa
El dato que tienes vs. la decisión que tomas: por qué la brecha cuesta margen
Casi todas las distribuidoras medianas en México y Chile tienen ya los datos que necesitan. El ERP registra las ventas, el sistema de inventarios sabe qué hay en bodega, el área de compras tiene visibilidad de los pedidos en tránsito. La información existe.
Y, sin embargo, las mismas empresas siguen quebrándose en SKUs que importan, siguen acumulando inventario que no rota, siguen tomando decisiones de compra que dos semanas después se descubren equivocadas. No es un problema de información. Es un problema más caro y más invisible: el tiempo que pasa entre que el dato dice algo y que alguien hace algo distinto.
Ese tiempo, en la mayoría de las operaciones medianas, se mide en días o en semanas. Y cuando se mide bien, suele explicar más erosión de margen que cualquier problema de proveedor o de pronóstico.
Este artículo es sobre dónde se rompe, en concreto, la cadena entre el dato y la decisión —y por qué cerrar esa brecha vale más que comprar mejores datos.
¿Por qué tener más datos no se traduce automáticamente en mejores decisiones?
Porque entre los dos hay un proceso, y el proceso tiene fricción.
La intuición habitual es que si una empresa tiene mejores reportes —un dashboard más completo, un ERP más actualizado, un sistema de inventario en tiempo real— las decisiones mejorarán en consecuencia. La realidad operativa es otra. Las empresas con dashboards excelentes pueden seguir tomando decisiones tarde, mal o no tomarlas. Tener el dato no garantiza usarlo.
El motivo es que entre la generación del dato y la decisión que lo aprovecha ocurren cuatro cosas, todas costosas:
Cuatro puntos donde se rompe la cadena entre dato y decisión
01
El dato tiene que estar disponible a tiempo.
Si las ventas de ayer se cargan al sistema el viernes, el lunes de la siguiente semana es tarde. Si el inventario físico se reconcilia una vez al mes, lo que el sistema dice no es lo que hay en bodega. La información existe, pero envejece antes de llegar a la persona que decide.
02
El dato tiene que ser legible.
Un reporte con 200 SKUs y 15 columnas no es información, es ruido. En la mayoría de distribuidoras medianas, la persona de compras pasa más tiempo armando el Excel del lunes —filtrando, cruzando ventas con stock, cuadrando lo que dice el sistema con lo que dice la bodega— que decidiendo qué hacer con él. Cuando el Excel finalmente está listo para mirarse, el momento de actuar ya pasó.
03
El dato tiene que convertirse en criterio.
Un número por sí solo no dice qué hacer. “Este SKU tiene 8 días de cobertura” es información; “este SKU se va a quebrar antes de que llegue el próximo pedido y vale la pena adelantar la orden” es una decisión. La traducción entre ambos depende de reglas claras —cuál es la cobertura objetivo, qué se considera crítico, qué se compra con urgencia y qué espera— y en la mayoría de las medianas esas reglas no están escritas en ningún lado. Viven en la cabeza del Director de Compras y de una o dos personas más. El día que cualquiera de ellos no está, el criterio no está.
04
Y finalmente, la decisión tiene que ejecutarse.
Pasar del “hay que comprar” al pedido enviado al proveedor pasa por aprobaciones, validaciones, alguien que confirme presupuesto, a veces el Director General que firma. Cada paso suma horas o días. En empresas donde un mismo equipo cubre compras, planeación e importaciones, este es el cuello de botella más subestimado.
Tener mejores datos sin atacar estos cuatro puntos es invertir en la parte que casi siempre ya está resuelta. El problema no está en la materia prima. Está en la cadena de transformación.
¿Cuánto cuesta, en margen y capital, una brecha de un día?
Más de lo que parece. Y se acumula de formas que rara vez se contabilizan juntas.
En las distribuidoras medianas que conocemos, este es el patrón que aparece una y otra vez. Un SKU que se podía proteger con una compra ordenada se quiebra y obliga a un pedido urgente con flete express. Un sobreinventario que se podía liquidar con descuento moderado se vuelve obsoleto y se da de baja. Una negociación que se podía cerrar con margen cómodo termina con descuento porque ya no hay tiempo de comparar proveedores. Cada uno de estos casos empezó como una decisión que se podía haber tomado antes — y que se tomó tarde porque el dato no llegó a tiempo, o porque cuando llegó nadie lo tradujo en acción.
La brecha entre el dato y la decisión casi siempre es una brecha de tiempo. Y el tiempo, en inventario, tiene precio: cada día de retraso en una decisión que ya era visible en los datos se paga en margen, en capital o en servicio. La pregunta no es si se paga. La pregunta es en cuál de los tres.
Hay una observación que vale la pena destacar. Cuando una distribuidora mediana empieza a mirar este tema con atención, casi siempre descubre que su mayor problema operativo no era lo que estaba persiguiendo. No era la precisión del pronóstico, no era el lead time del proveedor, no era la rotación. Era el retraso entre saber y actuar. Y a diferencia de los otros, este es un problema que la empresa controla por completo: ningún proveedor ni ninguna variable externa decide cuánto tarda tu equipo en reaccionar.
¿Por qué la brecha persiste, incluso cuando se ve?
Porque cerrarla no es un problema de voluntad. Es un problema de cómo está armado el día a día.
En una distribuidora mediana típica, el flujo entre dato y decisión depende de personas haciendo trabajo manual: el responsable de compras que arma el reporte cada lunes, el de finanzas que cruza el inventario con las ventas para la junta del miércoles, el Director General o de Operaciones que aplica criterio a un Excel para decir qué se compra esta semana. Ese flujo es frágil por diseño. Funciona los días buenos —cuando todos están en la oficina, cuando los datos cuadran, cuando no hay sorpresas— y se rompe los días difíciles, que son justo los días en los que la velocidad de decisión más importa.
La salida no es contratar más gente. En una empresa de 80, 150 o 300 personas, agregar un analista más a compras o a planeación produce, en el mejor de los casos, una mejora marginal: el flujo sigue siendo manual, solo que con un par de manos más. La salida real es separar dos cosas que en la mayoría de las medianas están pegadas: el cálculo del estado actual (qué está pasando, qué va a pasar mañana, qué SKUs están en riesgo) y la decisión sobre qué hacer con ese cálculo.
Cuando el primero se hace solo —todos los días, antes de que el equipo llegue a la oficina, sin que nadie tenga que armarlo manualmente— el equipo deja de gastar su tiempo construyendo el dato. Y empieza a gastarlo en la única parte que un sistema no puede hacer: decidir con criterio. Esa separación es lo que reduce el tiempo de reacción de días a horas, y es la diferencia entre una operación que reacciona y una que se anticipa.
Vale la pena ser claros: hacer esto bien requiere un motor de planificación robusto detrás —una arquitectura de datos que aguante el ritmo diario, modelos adaptados al comportamiento específico de demanda por tipo de SKU, estabilidad para correr sin caerse cuando el negocio depende de su salida. No es un dashboard más bonito. Es infraestructura distinta. Pero ese ya es otro tema, y lo importante aquí es el reencuadre: la conversación no es sobre tener más datos. Es sobre cuánto tiempo pasa, en promedio, entre que el dato dice algo y que la operación actúa en consecuencia.
¿Cómo se cierra la brecha entre dato y decisión?
Empezando por medirla.
La mayoría de las distribuidoras medianas nunca han calculado cuánto tarda su empresa en reaccionar. No saben cuánto tiempo pasa, en promedio, entre que un SKU importante empieza a comportarse distinto y que alguien hace algo al respecto. Sin ese número, es imposible mejorarlo. Y cuando se calcula —incluso de forma aproximada, mirando dos o tres casos recientes— la respuesta suele ser incómoda: días o semanas en operaciones que se creían ágiles.
A partir de ahí, hay tres preguntas concretas que ayudan a diagnosticar dónde se rompe la cadena en cada empresa específica. ¿Qué tan rápido llega el dato al lugar donde se decide? —qué tan fresca es la información cuando alguien la mira. ¿Qué tan rápido se traduce el dato en una recomendación clara de acción? —qué tan automatizada está la conversión entre número y criterio, o si depende de que una persona arme el reporte cada vez. ¿Qué tan rápido se ejecuta esa acción una vez decidida? —qué tan corto es el ciclo entre la conclusión y la orden enviada al proveedor.
Las tres preguntas tienen respuestas concretas y medibles. Y casi siempre, una de las tres concentra el grueso del problema. Identificar cuál ahorra más tiempo y dinero que cualquier inversión en mejores datos.
Para el Director General o el CFO de una distribuidora mediana, esto cambia la conversación que hay que tener con el equipo. Ya no es “¿qué tan bueno es nuestro pronóstico?” ni “¿tenemos suficientes datos?”. Es “¿cuánto tiempo pasa entre que algo importante cambia en nuestra operación y que alguien hace algo distinto?”. Esa pregunta no se contesta con un dashboard. Se contesta con un cronómetro.
Y la respuesta, en la mayoría de los casos, explica más del estado de resultados que cualquier otra variable que se esté midiendo en este momento.
¿Sabes cuánto tarda hoy tu operación en convertir un cambio visible en los datos en una decisión ejecutada — y cuánto cuesta cada día de esa demora en margen, capital o servicio?
Anastasia.ai es una plataforma de planificación de inventario y compras para distribuidores y mayoristas. Genera automáticamente el baseline diario de planificación —flujo de stock proyectado, clasificación de inventario y sugerencias de compra por SKU— conectándose sobre el ERP existente.
