La base de datos comercial para decidir

“Antes de empezar, tenemos que limpiar los datos.” He oído esa frase al inicio de muchos proyectos de analítica comercial. Y he visto demasiadas veces cómo esa fase de limpieza se alargaba durante meses, consumía el presupuesto y la energía del equipo, y terminaba sin que se hubiera tomado una sola decisión comercial distinta. La calidad del dato importa. Pero en muchas empresas se ha convertido en la coartada perfecta para no empezar.

Conviene decirlo con claridad: los datos perfectos no existen. Ningún CRM está completo, ningún ERP está libre de errores de codificación, ninguna empresa tiene todos sus sistemas perfectamente conectados. Esperar a que lo estén equivale a esperar indefinidamente. Y mientras tanto las decisiones comerciales se siguen tomando, solo que sin datos.

Dos errores con el mismo origen

El error contrario es igual de frecuente. Consiste en volcar todo lo disponible en un gran repositorio, conectar todas las fuentes posibles y confiar en que, con suficiente volumen, los datos terminarán diciendo algo útil. Los datos no hablan solos, y más datos no equivalen a mejores decisiones. Sin una pregunta clara detrás, el volumen solo añade ruido y retrasa las respuestas.

Ambos errores tienen el mismo origen: definir la base de datos sin partir de las decisiones que tiene que alimentar. La pregunta correcta no es qué datos tengo ni cuáles me faltan en abstracto. Es qué necesito saber para decidir mejor dónde actuar en mi cartera, y cuál es el mínimo de información fiable que me permite saberlo.

Esto no significa restar importancia a la calidad. Gartner estimó que la mala calidad de los datos cuesta a las organizaciones una media de 12,9 millones de dólares al año. Pero ese coste no aparece porque los datos sean imperfectos, sino porque se toman decisiones sobre datos que nadie ha verificado, o porque se dejan de tomar esperando datos que nunca llegan.

El mínimo suficiente: cuatro bloques de datos

En mi experiencia con empresas B2B del mid-market, la base mínima para un análisis comercial que lleve a decisiones se compone de cuatro bloques:

1. Clientes: quiénes son, a qué sector pertenecen, qué tamaño tienen, dónde están y qué comercial los atiende.

2. Productos o servicios: familia, tarifa, coste y margen.

3. Ventas a nivel de línea: fecha, cliente, producto, cantidad, precio real y descuento aplicado, por línea de pedido o de factura.

4. Condiciones comerciales: plazos de pago, rappels y acuerdos especiales.

El tercer bloque merece un matiz decisivo. Las ventas agregadas por cliente sirven para saber cuánto se ha facturado, pero no para entender cómo. Solo el detalle por línea permite medir la distancia entre la tarifa y el precio realmente cobrado, que analicé en El ratio de realización, y relacionar cada venta con su margen.

Con estos cuatro bloques y un histórico de dos o tres años se puede responder a la mayoría de preguntas que importan: qué clientes generan valor y cuáles lo destruyen, cómo evoluciona cada uno respecto a su propia historia, dónde se diluye el margen, qué potencial de desarrollo queda sin explotar.

La buena noticia es que casi todas las empresas medianas ya tienen esta información, fundamentalmente en su ERP. El CRM añade una capa valiosa, la de la actividad comercial, pero no es imprescindible para empezar. Lo demás puede incorporarse después, cuando el análisis haya demostrado qué merece la pena añadir.

Los criterios de calidad que importan

Sobre esa base mínima, la calidad se evalúa con criterios conocidos:

• Exactitud: datos correctos, sin duplicados ni errores de registro.

• Completitud en los campos clave: no hace falta que todo esté lleno, pero sí lo que el análisis necesita.

• Consistencia entre sistemas: los mismos códigos y nombres en CRM, ERP y cualquier otra fuente.

• Actualidad: datos que reflejan la situación presente.

• Relevancia: datos que responden a las preguntas planteadas y no añaden ruido.

De todos ellos, el que más problemas causa en la práctica es la consistencia. El mismo cliente con códigos distintos en el CRM y en el ERP, la misma familia de producto nombrada de tres formas, fechas en formatos incompatibles. Son errores menores uno a uno, pero impiden cruzar la información, y cruzar es exactamente lo que el análisis necesita.

Una sola versión de los datos

Por eso la estructura importa tanto como el contenido. Las ventas tienen que poder relacionarse sin ambigüedad con los clientes y con los productos, los campos clave tienen que estar estandarizados y toda la organización tiene que trabajar sobre la misma versión de los datos. Cuando cada departamento tiene su propia cifra de ventas o de margen, las reuniones se dedican a conciliar números en lugar de a decidir.

Trazabilidad: la condición para que una recomendación sea auditable

Hay un criterio que suele quedar fuera de las listas de calidad y que para mí es imprescindible: la trazabilidad. Cada número que aparece en un análisis tiene que poder rastrearse hasta su origen, con cada transformación documentada.

No es una exigencia técnica. Es la condición para que una recomendación comercial sea auditable. Si un director comercial va a pedir a su equipo que cambie la forma de trabajar con un cliente, tiene que poder explicar de dónde sale esa recomendación. Y si el director financiero cuestiona el dato, la respuesta no puede ser que lo dice el sistema.

Adaptada al negocio y viva

La base de datos también tiene que reflejar la realidad del negocio. Una empresa que trabaja con grandes cuentas y otra que atiende a miles de pequeños clientes necesitan estructuras distintas. Las familias de producto relevantes para la estrategia tienen que estar identificadas como tales, no diluidas en una codificación pensada para el almacén. Y el modelo tiene que poder evolucionar cuando cambian el mercado, la oferta o la organización comercial.

Además, una base de datos útil es una base de datos viva. La extracción desde los sistemas de origen tiene que ser periódica y, en la medida de lo posible, automática, y tiene que existir una rutina sencilla de mantenimiento para revisar duplicados, corregir incidencias y actualizar registros. No como un proyecto puntual, sino como parte del funcionamiento normal.

La calidad se juzga por la decisión que sostiene

Todo lo anterior conduce a una idea que contradice la forma habitual de abordar estos proyectos: la calidad de los datos se juzga por su capacidad de sostener una decisión, no en abstracto. Un conjunto de datos imperfecto que muestra de forma fiable el margen real por cliente vale más que un CRM impecable sin información de precios. Y en la práctica, el propio análisis es la mejor herramienta para mejorar los datos: al cruzar la información aparecen las inconsistencias que importan, y se corrigen sabiendo por qué importan.

Por eso recomiendo empezar con un alcance controlado, sobre los datos que la empresa ya tiene y sin sustituir sus sistemas. Hoy es posible hacerlo de dos formas: sobre una plataforma de analítica específica o como un servicio que trabaja directamente con los datos del cliente y devuelve las conclusiones y las acciones a su CRM. En ambos casos el punto de partida es el mismo: cuatro bloques, dos o tres años de histórico y una pregunta clara.

La próxima vez que alguien en tu empresa diga que antes de analizar hay que limpiar los datos, vale la pena preguntar: limpiarlos, ¿para responder a qué? Y tú, ¿qué dato te falta de verdad para decidir mejor, y cuál estás usando como excusa para no empezar?

Preguntas frecuentes

¿Qué datos se necesitan para hacer analítica de ventas?

Como mínimo, cuatro bloques: clientes, productos o servicios con tarifa y coste, ventas a nivel de línea con precio real y descuento, y condiciones comerciales, con un histórico de dos a tres años. La mayoría de empresas medianas ya los tiene en su ERP.

¿Hay que limpiar los datos antes de empezar un proyecto de analítica comercial?

No es necesario esperar a tener datos perfectos. Es más eficaz empezar con un mínimo fiable y corregir las inconsistencias que el propio análisis pone de manifiesto.

¿Por qué es importante la trazabilidad de los datos comerciales?

Porque es la condición para que una recomendación comercial sea auditable: cada cifra debe poder rastrearse hasta su origen para que la dirección y el equipo puedan explicarla y defenderla.

Si quieres saber qué puedes empezar a decidir con los datos que ya tienes en tu ERP y tu CRM, podemos comprobarlo en un análisis breve, sin proyectos previos de limpieza.

Lluís Vilella es fundador y CEO de AI ON SALES. AI ON SALES desarrolla analítica prescriptiva comercial para empresas B2B: una metodología propia que se ejecuta sobre una plataforma de analítica aumentada, convierte los datos de CRM y ERP en diagnóstico y prioridades, y entrega las acciones recomendadas directamente en el CRM del cliente, con cada recomendación trazable y explicable. Puede funcionar sobre la plataforma de AI ON SALES o como servicio sobre los datos del propio cliente (MIaaS).