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

Un vendedor de Ozon ve que su producto está en lo más alto: la facturación crece y el catálogo funciona. Pero a fin de mes el dinero, por alguna razón, no llega. No porque no haya facturación, sino porque no se entiende adónde fue a parar tras las comisiones del marketplace, las devoluciones y el gasto en publicidad.

Por qué las tablas BI no resuelven el problema

Es un problema de casi todo vendedor de e-commerce con un catálogo grande. Con 500–2000 referencias, calcular un P&L completo a mano lleva horas cada semana, y en la mayoría de los casos nadie lo hace. Un producto puede rendir bien por facturación y estar en pérdidas por margen real durante años, sin que nadie lo note.

Las herramientas de análisis existen en el mercado desde hace tiempo. Pero casi todas se limitan a mostrar muchas cifras en tablas vistosas. Hay mucha información, pero ninguna respuesta a la pregunta principal: ¿qué hago ahora con esto? Los sistemas BI clásicos funcionan con reglas rígidas y ajustes predefinidos. No son flexibles, no tienen en cuenta el contexto de cada producto y no ofrecen consejos.

Un panel de tres modelos de IA

SKUmind aborda el problema no con un modelo, sino con un panel de tres distintos. En el mercado hay varios modelos de IA: Claude, GPT y otros. Cada uno se entrena de forma diferente y mira la tarea con otra lente. La idea es sencilla: dar los mismos datos a los tres y que cada uno opine de forma independiente. Después, un árbitro especial, también una IA, revisa dónde coinciden y dónde divergen las opiniones y elige la conclusión más fiable.

¿Por qué 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 pasar por alto un detalle importante. Cuando son varios, cada uno revisa a los otros y detecta errores. Es como una junta médica en una clínica: un médico ve una cosa, otro ve otra y un tercero advierte lo que los dos primeros pasaron por alto. El diagnóstico resulta más fiable que cuando lo hace una sola persona.

Cada uno de los tres modelos analiza, por producto:

• El margen real tras todas las comisiones del marketplace y las devoluciones
• La eficiencia de cada rublo gastado en publicidad
• El potencial de precio: si los precios están sobrevalorados o infravalorados
• Las tendencias estacionales y la volatilidad de la demanda en el tiempo
• Recomendaciones concretas sobre qué hay que cambiar con urgencia

Implementación: la API y una larga revisión de código

Por dentro, todo resultó mucho más complejo de lo que parecía al principio. Ozon no publica todas las métricas y cifras necesarias a través de su API oficial. Hubo que reconstruir la lógica a mano analizando el tráfico de peticiones. Ayudó poder ejecutar dos sesiones de Claude en paralelo, darles la misma tarea para que la examinaran desde ángulos distintos y comparar después los resultados.

Cuando la lógica de la aplicación por fin cuajó, empezó lo más largo y aburrido: la revisión de código. Como el sistema influye directamente en decisiones financieras de las personas, cada línea y cada algoritmo deben comprobarse con ojo crítico. Ahora la revisión de código ocupa entre el 60 % y el 70 % del tiempo total de desarrollo. Es un proceso largo y agotador, pero totalmente justificado cuando se trata del dinero de otros.

Qué cambia esto en la industria

La IA deja de ser un experimento y pasa a ser una herramienta de trabajo real. Las tablas BI estáticas con reglas rígidas predefinidas son cosa del pasado. Las sustituyen modelos capaces de razonar con flexibilidad, como una persona. Para el e-commerce significa que la transparencia financiera deja de ser un lujo para especialistas y se convierte en un estándar accesible para cualquier vendedor con un catálogo grande.