Radimex: cómo Patricia pasó de odiar abrir Excel cada vez que necesitaba un dato a preguntarle a su negocio por WhatsApp.

El problema

Patricia es la dueña de Radimex. Tiene 3 años de operación con todo registrado en su sistema contable, pero el problema era el mismo de muchas PYMEs ecuatorianas: los datos existen, pero nadie los usa para decidir.

Cada vez que Patricia quería responder una pregunta de negocio, tenía que:

1. Abrir Excel.
2. Filtrar por fecha, cliente o producto.
3. Hacer una tabla dinámica.
4. Tratar de hacer un gráfico decente.
5. Cruzar mentalmente con lo que recordaba del negocio.

15 a 30 minutos por pregunta simple. Algunas preguntas, como "¿qué clientes están en riesgo de irse?", Patricia simplemente dejaba de hacerlas. Sabía que le tomaría una mañana entera con Excel.

Las preguntas más importantes del negocio — qué clientes están en riesgo, qué productos están perdiendo ventas, qué provincia está creciendo — quedaban sin respuesta. Patricia operaba por intuición, y la intuición es buena, pero con datos es mejor.

Lo que Patricia pidió

En la primera reunión, Patricia fue muy clara:

"Yo no quiero aprender a usar otro software. Quiero poder preguntarle a mi negocio por WhatsApp, como le pregunto a un vendedor bueno, y que me responda con datos reales."

Ese fue el brief. Y tenía 3 implicaciones:

1. El sistema tenía que responder en lenguaje natural, no en dashboards que ella tenía que interpretar.
2. Las respuestas tenían que ser precisas, con números reales de su base de datos, no estimaciones.
3. Si el bot no sabía, tenía que decir "no sé, te conecto con alguien" en vez de inventar.

El diseño de la solución

Construimos dos cosas que funcionan juntas:

1. Dashboard de 8 módulos (Patricia lo abre en el navegador cuando quiere ver el panorama completo).
2. Vendedor IA en WhatsApp (para preguntas rápidas en cualquier momento).

Los 8 módulos del dashboard

• KPIs principales: ventas totales, ticket promedio, clientes activos, productos vendidos.
• Ventas por provincia: mapa y ranking.
• Productos estrella: top 20 productos por margen, no por volumen.
• Segmentación RFM: Recencia, Frecuencia, Monto. Patricia ve sus clientes organizados en 8 segmentos (Campeones, Leales, Potenciales, En riesgo, etc.).
• Clientes en riesgo: clientes que no compran hace X días, ordenados por valor histórico.
• Predicciones de demanda: Prophet (modelo de Meta) predice las ventas del próximo mes por categoría.
• Market basket: qué productos se compran juntos (para cross-selling).
• Anomalías: alertas automáticas cuando una métrica se desvía del patrón histórico (ej: "las ventas de Guayaquil cayeron 30% esta semana").

El Vendedor IA en WhatsApp

El "Vendedor IA" es un bot que entiende preguntas en español y responde con datos en tiempo real. Ejemplos reales de uso:

• "¿Cuál fue mi producto más vendido en Guayas en octubre?" → Responde con el producto, unidades y monto total, más un mini gráfico.
• "¿Qué clientes no me compran hace 60 días?" → Lista con nombre, última compra y monto histórico.
• "¿Cuánto vendí la semana pasada vs. la anterior?" → Comparativa con variación porcentual.
• "¿Cuál es mi cliente más rentable?" → Ranking top 5 con su margen y LTV estimado.
• "¿Qué productos se venden juntos con el arroz?" → Lista de canastas frecuentes con frecuencia.

El bot NO inventa. Si no tiene la información, dice "no tengo ese dato, te conecto con el equipo". Si la pregunta es ambigua, pide aclaración. Si requiere análisis experto, escala a un humano.

Implementación (6 semanas)

Semana 1-2: data engineering. Patricia nos pasó un Excel gigante con 10,732 ventas, una hoja de clientes, una de productos. Limpiamos, normalizamos, deduplicamos. Detectamos que el 18% de registros tenían RUCs mal escritos, lo cual se lo informamos para que corrija en su sistema contable.

Semana 3-4: dashboard en Streamlit. Empezamos con los 3 módulos más críticos (KPIs, RFM, productos estrella) y los validamos con Patricia. Después agregamos los otros 5.

Semana 5: Vendedor IA. Configuramos WhatsApp Business API, diseñamos el prompt del bot con 25 preguntas pre-aprobadas y 3 fallbacks, lo conectamos a la base de datos.

Semana 6: pruebas, ajustes, capacitación. Patricia probó el bot durante 1 semana, nos dio feedback (las preguntas más raras que se le ocurrían), ajustamos, y entregamos.

Decisiones de stack

• Streamlit y no Power BI o Tableau: Patricia no quería aprender Power BI. Streamlit es HTML + Python y se ve moderno. Además, podemos iterar rápido: si Patricia pide un cambio, lo hacemos en horas, no en días.
• Prophet y no LSTM: para series de tiempo con 3 años de datos y estacionalidad semanal/mensual, Prophet es excelente y mucho más simple. LSTM habría requerido más data y más cuidado con el overfitting.
• GPT-4o con function calling: el Vendedor IA no "alucina" las respuestas. Cuando le hacen una pregunta, GPT-4o identifica qué función llamar (ej: ventas_por_provincia), ejecuta la query SQL, y devuelve la respuesta formateada. Si la pregunta no tiene una función asociada, responde "no tengo ese dato".
• PostgreSQL y no el sistema contable original: replicamos los datos del sistema contable de Patricia a un PostgreSQL en Supabase. El sistema contable sigue siendo la fuente de verdad; el dashboard y el bot leen del réplica. Esto evita acoplar demasiado a un sistema que no controlamos.

Resultados a 6 meses

• Patricia revisa el dashboard todas las mañanas. Antes abría Excel una vez al mes. Ahora son 5 minutos cada mañana con café.
• El Vendedor IA responde 20-30 preguntas por semana de Patricia y sus 2 gerentes. Las preguntas más comunes: estado de clientes, top productos, comparativas.
• Detectaron 8 clientes en riesgo de irse que no habían detectado antes. Pudieron llamarlos a tiempo y recuperaron 5.
• Predicción de demanda: ajustaron sus compras de arroz en 18% basándose en la predicción del sistema. Ahorraron USD $4,200 en sobrestock.
• Decisiones más rápidas. Antes una pregunta de negocio tomaba 30 minutos. Ahora toma 30 segundos. Patricia puede tomar 50 decisiones informadas en el tiempo que antes tomaba una.

Lo que aprendimos

1. El usuario no quiere aprender dashboards. Quiere respuestas. El Vendedor IA por WhatsApp es el verdadero cambio cultural. El dashboard es el complemento para cuando quiere explorar.
2. Los datos hay que limpiarlos primero. El 18% de registros con RUC mal escrito habría generado respuestas erróneas del bot. Mejor invertir 1 semana en limpieza que 6 meses en desconfianza.
3. ML no es magia. Una predicción de Prophet es buena, pero una predicción revisada por Patricia con su experiencia es mejor. El sistema le da el primer borrador; ella aplica criterio.

¿Te pasa algo similar?

Si tienes datos de ventas, clientes o productos y quieres un dashboard que realmente uses + un asistente que responda por WhatsApp, podemos construir algo similar al de Radimex. Con tus datos, con tu catálogo, con tus preguntas frecuentes.