La mayoría de los equipos que dicen haber automatizado su informe semanal solo han automatizado el panel de control. La herramienta de BI se actualiza según lo programado, el gráfico se actualiza y todos continúan, mientras que el trabajo real, extraer la exportación de Snowflake de la semana pasada, incluir un archivo de Excel regional y conciliarlo con un tercer sistema, sigue haciéndose a mano cada lunes por la mañana. Así no es como se automatiza la generación de informes. Es una persona haciendo el mismo ensamblaje manual que hacía hace un año, solo que con un gráfico más limpio al final.
La investigación de McKinsey sobre la automatización en el lugar de trabajo halló que el 57 % de las horas de trabajo en EE. UU. podrían automatizarse con la tecnología que ya existe en la actualidad (McKinsey, Superagencia en el lugar de trabajo). La generación de informes semanales se encuentra justamente en esa brecha: el potencial está ahí, pero la mayoría de los informes nunca van más allá de la capa del panel de control. Este no es un artículo sobre qué herramienta de BI comprar. Se trata de lo que realmente se necesita para dejar de ser el “encolado” manual entre sistemas, Snowflake, Excel y cualquier otro sistema empresarial que lleve el control del resto, que nunca fueron diseñados para comunicarse entre sí.
El informe “automatizado” que todavía tiene un lunes manual
Un informe sobre el desempeño de las tiendas que debe enviarse a los vicepresidentes regionales todos los lunes normalmente extrae datos de tres fuentes: un almacén de datos de Snowflake que contiene información de puntos de venta e inventario; un archivo de Excel que los gerentes regionales envían por correo electrónico con ajustes de descuentos y promociones; y un sistema de gestión de la fuerza laboral que registra las horas de trabajo programadas frente a las horas reales por tienda. Cada fuente podría ya tener su propia exportación, macro o pieza de software de generación de informes automatizados que se ejecuta según una programación, lo que la mayoría de los equipos llama automatización puntual. Eso es un verdadero progreso en comparación con hacer todo a mano. Aún no es lo mismo que la verdadera automatización de informes.
La brecha aparece en el momento en que alguien tiene que combinar los tres. Los ID de tiendas no coinciden entre sistemas. Los intervalos de fechas llegan de manera diferente según cuándo se actualiza cada fuente. Los encabezados de columna cambian porque un gerente regional reordenó los campos en el archivo de la semana pasada, o agregó un nuevo código de promoción que nadie notificó con anticipación.
Alguien, por lo general, el analista que está a cargo del informe, pasa la mañana del lunes abriendo tres archivos, cruzando manualmente los identificadores de las tiendas y recalculando los índices de mano de obra sobre ventas antes de que el informe esté listo para enviarse.
Esta no es una queja poco común. La investigación Estado de los datos y la analítica de Salesforce reveló que el 76 % de los líderes empresariales sienten una presión cada vez mayor por demostrar el valor de sus datos, mientras que los líderes de datos y analítica estiman que el 26 % de los datos de sus organizaciones no son confiables (Salesforce: Estado de los datos y la analítica). Es fácil confundir la automatización puntual con la meta, porque el panel de control se sigue actualizando según lo programado, incluso cuando las entradas que lo alimentan se ensamblan a mano cada semana.
Si tu lunes comienza reabriendo la hoja de cálculo de la semana pasada y cambiando nuevos números a mano, que el panel de control se actualice según lo programado no es lo mismo que tener tu informe automatizado.
Por qué combinar Snowflake, Excel y un sistema empresarial rompe la automatización puntual
La automatización puntual falla porque las tres fuentes nunca se diseñaron para coincidir entre sí. Los datos de Snowflake llegan limpios y estructurados, el almacén aplica un esquema, por lo que los registros de POS e inventario llegan con el mismo formato cada semana. El archivo de Excel no lo hace. El orden de las columnas cambia, el nombre de una tienda cambia a mitad del trimestre o aparece un nuevo código de promoción en el archivo de un gerente sin previo aviso para quien intente analizarlo en las etapas posteriores.
El extracto de gestión de personal agrega un tercer conjunto de convenciones: sus propios identificadores de tienda, su propio formato de fechas, su propia manera de marcar un turno como programado frente a real. Unir eso a los datos de Snowflake y Excel requiere un paso de mapeo, y ese paso de mapeo generalmente reside en la memoria de alguien o en una fórmula de hoja de cálculo que nadie más quiere tocar, en lugar de en el proceso mismo. Un pipeline diseñado para reducir el tiempo de preparación de datos entre un almacén y fuentes de hojas de cálculo resuelve exactamente este problema.
Este es un problema de calidad de datos antes de ser un problema de programación. La investigación de Gartner sitúa el costo promedio de la mala calidad de los datos en USD 12.9 millones al año y señala la inconsistencia entre las fuentes como el desafío de calidad de datos que se cita con más frecuencia en las organizaciones (Gartner: Calidad de los datos: mejores prácticas para obtener insights precisos). La investigación de Thomas Redman publicada en MIT Sloan Management Review va más allá y estima que la baja calidad de los datos les cuesta a la mayoría de las empresas entre el 15 % y el 25 % de sus ingresos (MIT Sloan Management Review: Aprovechar las oportunidades en la calidad de los datos). Conciliar una exportación de Snowflake, un archivo de Excel editado a mano y un extracto del sistema empresarial no es un inconveniente menor: es el patrón exacto que ambos describen y también es donde la generación de informes basada en Excel suele fallar primero a medida que aumenta el número de fuentes.
Por eso la automatización puntual alcanza su límite donde lo hace. Automatizar cada fuente por separado no elimina la conciliación manual entre ellas, solo traslada ese trabajo a una etapa posterior del proceso, a quienquiera que arme el informe final. Solucionar eso significa abordar el paso de conciliación directamente, no comprar otro software de generación de informes empresariales que solo abarque el panel de control.
Lo que requiere un informe semanal de múltiples fuentes
Un informe semanal de múltiples fuentes necesita cinco elementos, y la mayoría de los equipos solo tiene dos de ellos en piloto automático:
- Conectividad nativa a un almacén en la nube como Snowflake que no depende de scripts personalizados que se rompen cada vez que cambia un esquema.
- La capacidad de ingerir archivos planos como Excel en una programación recurrente, no solo extraerlos una vez y listo.
- Una forma de reconciliar claves no coincidentes, ID de tiendas, formatos de fecha, convenciones de nomenclatura, automáticamente, en lugar de mediante una fórmula que alguien mantiene de memoria.
- Genera los resultados en los formatos que los stakeholders realmente utilizan: PDF para los ejecutivos, Excel para los gerentes regionales y HTML para quienes los consultan desde un teléfono.
- Una programación que se ejecuta sin que alguien tenga que acordarse de iniciarla todos los lunes por la mañana.
La mayoría de los paneles de control de BI y otras herramientas de generación de informes automatizados son fuertes en los últimos dos elementos, dar formato y programar el panel de control, y débiles en los primeros tres, que es exactamente la brecha a la que vuelve este artículo: conectar y reconciliar entradas desordenadas y heterogéneas antes de algo llegue a un gráfico. Un marco para evaluar herramientas de automatización de flujos de trabajo es útil aquí precisamente porque puntúa las opciones según los cinco requisitos en lugar de solo los últimos dos.
Un elemento más pertenece a esta lista, definido en sentido estricto: gobernanza. No es una afirmación general de cumplimiento, solo saber quién puede cambiar la programación, quién es el responsable de la lógica de conciliación y tener un registro de qué se ejecutó y cuándo. Ese es el estándar para considerar que algo es automatización de flujos de trabajo y no simplemente un conjunto de exportaciones programadas, y es el estándar que todas las opciones deben cumplir, incluida la que finalmente se menciona en esta publicación.
Una herramienta que solo automatiza la capa de visualización siempre dejará a alguien encargado de hacer manualmente el trabajo de ensamblaje.
La etapa que falta: orquestación, no solo paneles de control
Hay una cuarta etapa que suele omitirse en las conversaciones sobre automatización de la generación de informes: un único flujo de trabajo que se conecta a todas las fuentes, concilia las diferencias entre ellas y ejecuta toda la secuencia según un cronograma, en lugar de un panel de control que se alimenta de datos recopilados manualmente. Llámalo orquestación o flujo de trabajo de automatización de datos, la etiqueta importa menos que lo que hace. Se ubica antes del panel de control, no después.
Este es el contraste directo con la automatización de paneles de control. Un panel de control que se actualiza según una programación no ayuda si los datos que lo alimentan aún necesitan que una persona los recopile primero. La orquestación elimina a esa persona del ciclo semanal, no del proceso por completo, sino de la parte repetitiva de este.
En esta etapa, “terminado” se ve así: alguien configura una sola vez la lógica de conexión y combinación de datos, asigna los campos de Snowflake, estandariza las columnas de Excel y alinea los identificadores de las tiendas del sistema de gestión de la fuerza laboral, y, a partir de ese momento, el informe se ejecuta según una programación definida sin que nadie tenga que volver a intervenir en el proceso de ensamblaje de los datos subyacentes. Vale la pena leer un análisis más detallado de cómo los equipos de analítica automatizan todo el pipeline, desde la conexión hasta el informe si quieres conocer los aspectos técnicos antes de pasar a la guía práctica que se presenta a continuación.
Esta etapa también suele atraer a los equipos sin una función de ingeniería de datos dedicada, porque el flujo de trabajo suele crearse y mantenerse por el analista que entiende el informe, en lugar de transferirse a una lista de pendientes de ingeniería. Así es como se ve realmente la creación de ese único flujo de trabajo, paso a paso.
Cómo automatizar la generación de informes: creación del flujo de trabajo, paso a paso
Una forma de ver cómo se ve esto en la práctica: un equipo de inteligencia de negocios en Stratasys, el fabricante de impresión 3D, trasladó el trabajo de ensamblaje de un informe recurrente a un solo flujo de trabajo programado creado en Alteryx y redujo el tiempo que llevaba producirlo de cinco horas a unos treinta minutos (caso de estudio: Stratasys). El informe en sí no empezó a elaborarse más rápido desde cero cada semana; simplemente dejó de elaborarse desde cero cada semana.
Crear ese tipo de flujo de trabajo sigue más o menos los mismos pasos:
Identifica cada fuente y su cadencia natural de actualización. En el escenario del sector minorista, ese es el almacén de Snowflake (que se actualiza cada noche), los archivos de Excel regionales (que los gerentes envían por correo electrónico siguiendo diferentes cronogramas) y la extracción de gestión de personal (que se extrae todas las semanas). El flujo de trabajo debe conectarse directamente a un almacén en la nube como Snowflake y leer archivos planos como Excel como entrada estándar, sin un script personalizado que se rompa la próxima vez que se mueva una columna.
Define las claves de unión y estandariza los formatos entre las fuentes para que los ID de las tiendas y los rangos de fechas coincidan. Este es el paso de combinación de datos: por ejemplo, asignar los códigos de tienda del sistema de personal a los del almacén para que los dos conjuntos de datos realmente se unan en lugar de depender de una fórmula que alguien más tenga que recordar actualizar.
Mezcla y valida los datos combinados antes de que lleguen a un diseño de informe, para detectar una tienda faltante o un código de promoción mal formado antes de que se convierta en un número incorrecto frente a un vicepresidente regional.
Crea el diseño del informe y los formatos de salida que los stakeholders realmente necesitan. El informe final se puede exportar a PDF, HTML, Excel o Word, con los números de cada tienda asignados a su propia hoja de cálculo, lo que es útil cuando los vicepresidentes regionales quieren el mismo informe desglosado por tienda en un libro de trabajo que ya saben cómo navegar.
Configura la programación y la lista de distribución. El flujo de trabajo se puede programar para que se ejecute automáticamente, cada hora, día, semana, mes o con una frecuencia personalizada, de modo que esté listo antes de la reunión regional del lunes.
Monitorea las fallas para que una fuente defectuosa no genere silenciosamente un informe incorrecto. Si el archivo de Excel no llegó o la extracción de la fuerza laboral resultó vacía, alguien tiene que saberlo antes de que el informe se envíe, no después de que un vicepresidente pregunte por qué los números no cuadran.
Nada de esto automatiza por completo el informe de principio a fin. Configurar las conexiones, definir la lógica de conciliación y revisar los resultados periódicamente sigue siendo la tarea de una persona. Lo que cambia es que la conexión a Snowflake, a los archivos de Excel y a los sistemas comerciales principales se realiza en un solo flujo de trabajo, y el trabajo manual y repetitivo de extraer y dar formato al informe cada semana desaparece. Para el equipo de venta minorista de este escenario, el informe semanal sobre el desempeño de las tiendas ahora se ejecuta según la programación establecida a partir de las tres fuentes, siguiendo un patrón similar a este caso práctico de generación de informes sobre el desempeño de las tiendas, y el lunes del analista transcurre revisando excepciones en lugar de volver a generar el informe desde cero.
Para obtener una guía más completa del proceso de configuración, el libro electrónico Cómo automatizar los informes (y entregar insights valiosos) lo aborda con mayor profundidad.
De un informe con formato a un resumen narrativo
Una vez que el ensamblado de datos se automatiza, el siguiente cuello de botella suele ser el comentario, el párrafo que explica por qué la relación entre mano de obra y ventas aumentó en una región esta semana, no solo el número en sí. Eso a menudo sigue siendo una tarea de redacción manual incluso después de que el informe en sí se ejecute según una programación.
Las características de IA generativa, como las de Alteryx, pueden ayudar a entregar automáticamente resúmenes narrativos junto con los datos, un primer borrador del “porqué” que un analista puede editar en lugar de escribir desde cero. Está diseñado para ayudar a los equipos a obtener insights más rápido, no para reemplazar el juicio de quien revise los números antes de que lleguen a un vicepresidente regional.
Los insights automatizados de esta manera pueden ayudar con la entrega recurrente por correo electrónico de un informe a una frecuencia fija, donde los destinatarios pueden suscribirse o cancelar la suscripción por sí mismos. Para un informe semanal sobre el desempeño de las tiendas, esto significa que la distribución pasa a formar parte de la misma programación que el ensamblaje de los datos, en lugar de ser un paso manual independiente que consiste en reenviar un archivo todos los lunes.
Primeros pasos
La mayoría de los equipos atrapados en este patrón ya han automatizado el panel de control, la parte que sigue siendo manual es todo lo que lo alimenta: extraer la exportación de Snowflake, emparchar el archivo de Excel, conciliarlo con un tercer sistema, todas las semanas. La solución no es un nuevo panel de control. Es un solo flujo de trabajo que se encarga de la conexión, la combinación y la programación, para que ese trabajo se realice una sola vez en lugar de todos los lunes.
Alteryx One está diseñado para ese tipo de automatización de flujos de trabajo: conectar a Snowflake, archivos de Excel y sistemas empresariales clave en un solo flujo de trabajo, preparar y combinar los datos, y programar y distribuir el informe finalizado. Automatiza el trabajo manual y repetitivo de extraer y dar formato a un informe semanal; no elimina la necesidad de que alguien defina la lógica de conciliación, establezca la programación y revise el resultado periódicamente.
El mejor punto de partida es algo pequeño: elige el informe que más tiempo consume cada semana y crea primero la lógica de conexión y combinación de datos para ese informe. Los equipos que quieran probarlo con sus propios datos pueden iniciar una prueba gratuita de Alteryx One; los equipos empresariales que estén evaluando esto frente a otras herramientas empresariales de generación de informes pueden solicitar una demostración en su lugar.