Las cuatro fases del análisis de datos: de «qué ha pasado» a «qué hacemos», con Power BI y Microsoft Fabric

¿Cuál es la función principal de la dirección? Tomar decisiones. En la medida de lo posible, decisiones basadas en entender qué está pasando y no en el olfato o la experiencia sobre el negocio. Cuando hablo con equipos de dirección sobre datos, la conversación casi siempre empieza por el mismo sitio: el cuadro de mando. Qué indicadores tiene, quién lo mira, si las cifras cuadran… Es lógico, porque es lo que se ve. Pero el cuadro de mando es solo el primer escalón de algo bastante más grande.

Con este post quiero explicar las cuatro fases del análisis de datos, herramienta principal de la dirección: descripción, diagnóstico, predicción y prescripción. Y para que no se quede en teoría, voy a usar un mismo ejemplo de principio a fin. Es un ejemplo ilustrativo, no un cliente concreto, pero lo he escrito para que cualquiera que se siente en un comité de dirección lo reconozca y pueda traducirlo a su realidad.

Cuatro fases, cuatro preguntas

Cada fase responde a una pregunta distinta, y cada pregunta cambia lo que un directivo puede hacer con la respuesta:

1. Descripción: ¿qué ha pasado? Describe cómo está el negocio o el proceso.
2. Diagnóstico: ¿por qué ha pasado? Aquí hay que distinguir dos formas de hacerlo: reactiva (lo investigo cuando ya ha ocurrido) y proactiva (un objetivo o una decisión provoca la necesidad de conocer).
3. Predicción: ¿qué es probable que pase? Intenta anticiparse.
4. Prescripción: ¿qué deberíamos hacer al respecto? Actúa en consecuencia.

Las fases son acumulativas. No se puede predecir bien sobre datos que no se describen bien, y no tiene sentido prescribir una acción sobre una predicción en la que nadie confía. Saltarse escalones es la forma más rápida de acabar con un proyecto de “IA” que nadie usa.

El ejemplo: una distribuidora y su comité del lunes

Imagina una empresa de distribución que vende a hostelería y a tiendas. Cada lunes se reúne el comité de dirección: dirección general, dirección comercial, operaciones, dirección financiera y el CIO (se me ven los colores: hoy en día tener la dirección de sistemas de información fuera del comité de dirección limita la evolución digital y, con ello, la eficiencia y la competitividad; pero eso, en otro post). Vamos a seguir una misma situación —una caída de ventas en una zona— a través de las cuatro fases.

Fase 1 — Descripción: ¿qué ha pasado?

La teoría. Es la fotografía de los hechos: ventas, márgenes, pedidos, plazos de entrega. Su valor no está en lo sofisticado, sino en la fiabilidad. Una buena fase descriptiva significa que todo el comité mira la misma cifra y nadie discute de quién es el Excel bueno (aquí entra en juego la gobernanza de datos; os recomiendo los posts Gobierno de datos en la era de la IA: por qué el OneLake Catalog es tu primer paso y Gobierno de datos, IA y agentes). Describe la salud del negocio.

En el ejemplo. El informe del lunes muestra que las ventas de la zona Norte han bajado considerablemente en octubre respecto al mes anterior y al mismo mes del año pasado.

El valor para dirección: se deja de debatir la cifra y se empieza a debatir la decisión. Parece poco, pero en muchas organizaciones esta fase por sí sola ya libera horas de reunión.

Fase 2 — Diagnóstico: ¿por qué ha pasado?

Aquí es donde el dato empieza a ser útil de verdad, y donde conviene distinguir dos maneras de trabajar.

Diagnóstico reactivo: investigar después

La teoría. Ya ha ocurrido algo y queremos entender la causa: desglosar, comparar, buscar dónde se concentra el problema. Entender los porqués de la dolencia del enfermo.

En el ejemplo. El director comercial abre el informe y desglosa la caída de la zona Norte por tipo de cliente, cliente, producto y comercial, entre otras dimensiones. Descubre que casi toda la bajada se concentra en tres clientes de hostelería que han espaciado sus pedidos.

Un matiz honesto: el análisis te dice dónde está el problema, no siempre por qué. Que esos tres clientes hayan espaciado los pedidos puede deberse a un competidor, a un cambio de comercial o a una obra en su calle. La última milla del diagnóstico la sigue poniendo alguien que conoce el negocio. La experiencia del médico y saber qué preguntas hacer siguen siendo clave.

Diagnóstico proactivo: enterarse mientras ocurre

La teoría. Tenemos un objetivo y entendemos cómo se comporta el negocio para tomar las decisiones que nos permitan lograr dicho objetivo.

En el ejemplo. En el comité de dirección se marca la necesidad de fidelizar clientes. A partir de aquí, identificamos tanto los indicadores como los análisis que nos permiten definir las acciones a implementar. Por ejemplo, identificamos los clientes fidelizados y su comportamiento de compra, tarifas, productos, vendedores y zonas geográficas, con el objetivo de estandarizar acciones que permitan fidelizar a los clientes que no están en ese listado.

El valor para dirección: este es, para mí, el salto con mejor relación coste/beneficio de todo el recorrido. No requiere modelos de machine learning y cambia el papel del comité: deja de descubrir problemas y pasa a entender el negocio para acompañar las acciones que soportan los objetivos.

Fase 3 — Predicción: ¿qué es probable que pase?

La teoría. Usamos el histórico para estimar lo que viene. Una predicción es una probabilidad, no una certeza. Su valor está en ordenar la atención: dónde mirar primero.

En el ejemplo. Con el historial de pedidos de varios años, se entrena un modelo que estima, para cada cliente, la probabilidad de reducir o dejar de comprar en el próximo trimestre. El resultado no es “el cliente X se va”, sino una lista ordenada por riesgo que antes no existía.

Un matiz honesto: un modelo predictivo es tan bueno como el histórico que lo alimenta. Si la fase 1 no está bien resuelta (clientes duplicados, pedidos mal fechados), la predicción heredará esos errores con mucha más apariencia de rigor.

Fase 4 — Prescripción: ¿qué deberíamos hacer?

La teoría. La prescripción convierte la predicción en una acción recomendada y la hace llegar a quien tiene que ejecutarla. Ojo: prescribir no es que la máquina decida. Es que la recomendación llegue a tiempo, a la persona adecuada y con el contexto necesario.

En el ejemplo. Se combinan dos datos: el riesgo predicho y el valor del cliente. Con reglas acordadas con dirección comercial:

• Riesgo alto y cliente de alto valor → visita del comercial esta semana.
• Riesgo alto y valor medio → llamada y revisión de condiciones.
• Riesgo bajo → seguimiento normal.

Cada lunes, cada comercial recibe su lista de acciones, en lugar de un informe que tiene que interpretar. Y el comité ya no revisa solo ventas, sino también qué acciones se recomendaron, cuáles se ejecutaron y qué pasó después. Ese bucle es el que permite mejorar las reglas con el tiempo.

Resumen: fase, pregunta y ejemplo

Fase	Pregunta	En el ejemplo
Descripción	¿Qué ha pasado?	Las ventas de la zona Norte bajan en octubre
Diagnóstico reactivo	¿Por qué ha pasado?	La caída se concentra en tres clientes de hostelería
Diagnóstico proactivo	¿Qué está pasando ahora?	Identifico las casuísticas de los clientes fidelizados
Predicción	¿Qué es probable que pase?	Lista de clientes ordenada por riesgo de abandono
Prescripción	¿Qué deberíamos hacer?	Acción recomendada por cliente, enviada al comercial

Cómo encajan Power BI y Microsoft Fabric en este recorrido

La buena noticia es que no hace falta montar una herramienta distinta para cada fase. Power BI y Microsoft Fabric cubren el recorrido completo sobre una misma plataforma y un mismo dato:

• Fabric integra los datos de ERP, CRM y demás fuentes en un único sitio gobernado. Esa es la base sobre la que se apoya todo lo demás.
• Power BI es la cara visible: los informes de la fase descriptiva y las herramientas para desglosar y entender el porqué.
• Fabric añade lo que hace falta para subir de escalón: alertas que vigilan los datos y avisan a la persona adecuada (diagnóstico proactivo), modelos predictivos cuyo resultado se ve en el mismo informe que ya usa el comité, y la automatización que hace llegar la acción recomendada a quien tiene que ejecutarla.

Para un comité de dirección o la dirección de proceso o área, la ventaja práctica es que cada fase se construye sobre la anterior sin cambiar de herramienta ni de cifras. Para el CIO, que todo queda en una plataforma con un único modelo de seguridad y gobierno.

Cómo se implementa cada fase en concreto, qué piezas intervienen y qué limitaciones conviene conocer lo veremos con detalle en un próximo post de esta serie. Pero la conclusión es que Power BI & Fabric es la herramienta de la dirección, igual que el CRM es la herramienta del equipo comercial, el ERP la de financiero (y quizá de otros departamentos) o el MES la de producción, entre otros.

A tener en cuenta

• No hay atajos. La tentación de saltar directamente a la predicción “porque es lo que hace la IA” es grande. Sin una fase descriptiva sólida, el resultado son modelos brillantes en una demo que nadie usa al día siguiente.
• El diagnóstico proactivo es el gran salto infravalorado. Con lo que muchas empresas ya tienen, añadir alertas bien pensadas cambia la forma de trabajar del comité sin un proyecto de ciencia de datos.
• Una predicción sin acción es una curiosidad. Si nadie tiene asignado qué hacer con la lista de clientes en riesgo, la fase 3 no aporta valor de negocio.
• Es una conversación de dirección, no solo de IT. El CIO puede poner la plataforma, pero las reglas de la fase 4 (qué hacemos con un cliente en riesgo) las tiene que acordar negocio.

Para cerrar

La pregunta útil no es “¿tenemos un cuadro de mando?”, sino “¿en qué fase estamos y cuál es el siguiente escalón razonable?”. Para la mayoría de las organizaciones no es saltar a la IA, sino consolidar la descripción y empezar a vigilar de forma proactiva lo que de verdad importa.

Si quieres pensar en voz alta en qué fase está tu organización y qué tendría sentido abordar primero, escríbeme a jorge.lorenzo@tsbi.es. Lo dibujamos en la pizarra.