Tres modelos de AI en lugar de tablas de BI: cómo analizar la rentabilidad de los productos en Ozon

Un vendedor en Ozon ve que su producto está en el top: las ventas están creciendo, el catálogo está vivo. Pero a final de mes, el dinero de alguna manera no llega. No porque no haya ventas en absoluto, sino porque no está claro a dónde fue después de las comisiones del marketplace, las devoluciones y los gastos en publicidad.

Por qué las tablas de BI no resuelven el problema

Este es el problema de casi todo vendedor de e-commerce con un catálogo grande. Para 500–2000 artículos de productos, calcular el P&L completo manualmente son horas a la semana, y en la mayoría de los casos, simplemente nadie lo hace. Un producto se evalúa por la métrica de ventas, pero por margen real puede estar en números rojos durante años, completamente desapercibido.

Las herramientas de análisis llevan mucho tiempo en el mercado. Pero casi todas ellas simplemente muestran muchos números en tablas de forma bonita. Hay mucha información, pero no hay respuesta a la pregunta principal: ¿qué hago yo con esto ahora?

Los sistemas de BI clásicos funcionan por reglas rígidas y configuraciones predefinidas. No son flexibles, no miran el contexto de un producto específico, no dan recomendaciones.

Consejo de tres modelos de IA

SKUmind lo resuelve no con un modelo, sino con un consejo de tres diferentes. Hay diferentes modelos de IA en el mercado: Claude, GPT, y otros. Cada uno está entrenado de forma diferente y mira la tarea a través de diferentes lentes. La idea es simple: dar los mismos datos a los tres, y cada uno expresará una opinión independientemente. Luego un árbitro especial—también una IA—mira dónde las opiniones coinciden, dónde divergen, y elige la conclusión más confiable.

¿Por qué exactamente tres? Porque un modelo puede empezar a alucinar e inventar hechos. Un segundo puede ser demasiado conservador y ver riesgos que en realidad no existen. Un tercero puede perder un detalle importante. Cuando hay varios, cada uno verifica al otro y encuentra errores. Es como cuando en una clínica reúnen un consejo médico—un médico ve una cosa, un segundo ve otra, un tercero nota lo que los dos primeros se perdieron. Al final, el diagnóstico es más confiable que cuando lo mira una sola persona.

Cada uno de los tres modelos analiza por producto:

• Margen real después de todas las comisiones del marketplace y devoluciones
• Eficacia de cada rublo gastado en publicidad
• Potencial de precio: si los precios están sobrevalorados o infravalorados
• Tendencias estacionales y volatilidad de la demanda a lo largo del tiempo
• Recomendaciones específicas sobre qué urgentemente necesita cambiar

Implementación: API y larga revisión de código

Bajo el capó, todo resultó ser mucho más complejo de lo que parecía inicialmente. Ozon no publica todas las métricas y números necesarios a través de la API oficial. Tuvimos que restaurar manualmente la lógica mediante análisis del tráfico de solicitudes.

Ayudó el hecho de que pudiéramos ejecutar dos sesiones de Claude en paralelo y darles la tarea de analizar el mismo problema desde ángulos diferentes, luego comparar resultados. Después de que la lógica de la aplicación finalmente se encajó, comenzó la parte más larga y tediosa: revisión de código. Porque este sistema impacta directamente en las decisiones financieras de las personas, cada línea, cada algoritmo debe ser verificado críticamente.

Ahora la revisión de código toma 60–70% de todo el tiempo de desarrollo. Un proceso largo y agotador, pero completamente justificado cuando se trata del dinero de otras personas.

Qué esto cambia en la industria

La IA sale de la categoría de experimentos a la categoría de herramientas de combate para el trabajo. Las tablas de BI estáticas en reglas predefinidas rígidas—eso es cosa de ayer. Están siendo reemplazadas por modelos que pueden razonar flexiblemente, como humanos. Para e-commerce esto significa: la transparencia en finanzas deja de ser un lujo para especialistas, se convierte en un estándar accesible para cualquier vendedor con un catálogo grande.