El problema que nadie había visto en dos años
Una empresa distribuidora de insumos industriales con sede en Monterrey —unos 80 empleados, cartera activa de 400 clientes B2B— llevaba dos años midiendo sus ventas por el mismo indicador: facturación mensual versus meta. Si el número llegaba, bien. Si no llegaba, el equipo de ventas salía a buscar más prospectos.
Nadie había mirado el embudo completo. No porque faltara información, sino porque esa información vivía en tres lugares distintos: el ERP donde se generaban las cotizaciones, un CRM que el equipo actualizaba con criterio variable, y una hoja de Excel que el gerente comercial mantenía con sus propios filtros. Tres fuentes, ninguna conectada, ninguna que mostrara el recorrido completo de una cotización desde que salía hasta que se cerraba o moría.
Qué encontró el dashboard al cruzar las tres fuentes
El primer paso fue extraer 18 meses de cotizaciones del ERP —alrededor de 2,400 registros— y cruzarlos contra el historial de actividad del CRM. El objetivo era simple: para cada cotización emitida, ¿qué pasó después?
El resultado fue incómodo. El 22% de las cotizaciones no tenía ningún registro de seguimiento posterior en ninguna fuente. No había correo de respuesta, no había nota en el CRM, no había factura ni rechazo formal. Simplemente habían dejado de existir en el sistema. En valor, esas cotizaciones representaban aproximadamente 3.1 millones de pesos en oportunidades que nadie había perseguido ni descartado formalmente.
El dashboard no infirió intención ni diagnosticó culpas. Solo describió el patrón: las cotizaciones que desaparecían sin seguimiento tenían tres características en común. Primero, montos medios (entre 18,000 y 65,000 pesos). Segundo, clientes que no eran ni los más frecuentes ni los más nuevos —el segmento “medio” de la cartera. Tercero, habían sido generadas en los últimos tres días hábiles de cada mes, cuando el equipo estaba enfocado en cerrar los pedidos que ya tenían tracción.
Por qué el dato solo es útil si el equipo lo entiende
Lo que el análisis reveló no era un problema de herramientas ni de tecnología. Era un problema de priorización operativa que el equipo no podía ver porque no tenía el espejo correcto. Los vendedores no estaban ignorando cotizaciones por descuido —estaban racionalizando su tiempo con la información que tenían, que era solo la presión de la meta mensual.
El criterio que usamos en Eurema para decidir si un dashboard vale la inversión es si cambia una decisión concreta. En este caso, la pregunta que el gerente comercial pudo hacerse por primera vez fue: ¿qué pasa si asignamos seguimiento automático a toda cotización mayor a 15,000 pesos que no tenga actividad registrada en 72 horas? Esa pregunta no era posible sin el dashboard. Con él, era obvia.
El equipo implementó una regla operativa simple: una alerta diaria automática listaba las cotizaciones en ese estado. No un agente de IA, no un sistema complejo —una tabla filtrada que alguien revisaba cada mañana. En los primeros 60 días, recuperaron seguimiento activo en 34 cotizaciones que de otro modo habrían caído en el mismo patrón. Doce de esas cerraron.
Lo que el dashboard no hizo (y es importante decirlo)
El análisis no predijo qué cotizaciones iban a cerrar. No segmentó clientes por propensión de compra ni generó recomendaciones de upsell. Eso no era lo que se necesitaba en ese momento.
Lo que sí hizo fue establecer una línea base medible. Antes del proyecto, la empresa no sabía cuántas cotizaciones emitía por mes con precisión —el número variaba dependiendo de a quién le preguntaras. Después, tenían un número exacto, una tasa de conversión real (no estimada) y un embudo con etapas definidas. Esa claridad tiene valor independiente de cualquier iniciativa de IA posterior.
Lo que estamos viendo en Eurema con distribuidores industriales y empresas de servicios B2B es que el mayor obstáculo para usar datos no es la falta de tecnología —es que los datos existen pero en formatos que nunca se han consolidado. El ERP tiene años de historial. El CRM tiene actividad parcial. Las hojas de cálculo tienen la lógica informal que el equipo realmente usa. Conectar esas tres fuentes ya produce diagnósticos accionables sin necesidad de modelos predictivos.
Qué se necesita para replicar este análisis
El stack técnico en este caso fue modesto: extracción del ERP vía exportación CSV, limpieza en Python, modelo de datos en una base relacional ligera y visualización en una herramienta de BI que el cliente ya tenía licenciada pero no usaba para esto. El costo no estuvo en las herramientas —estuvo en las semanas de trabajo para entender cómo el equipo de ventas definía sus propios estados de cotización, que no coincidían exactamente con los estados del ERP.
Esa brecha —entre cómo el sistema registra y cómo el equipo piensa— es donde se pierde la mayoría del tiempo en proyectos de análisis de datos. Y es la razón por la que el análisis debe empezar con entrevistas al equipo comercial, no con la base de datos.
Si tu empresa emite cotizaciones B2B de forma regular y no tienes visibilidad clara de qué porcentaje llega a seguimiento activo, ese número —sea 10% o 30%— es el punto de partida para cualquier conversación de mejora comercial. El análisis de datos no requiere un equipo interno dedicado para producir ese diagnóstico inicial.
El siguiente paso no es implementar IA en ventas. Es saber qué está pasando realmente con las oportunidades que ya generaste.