El problema
Un equipo de marketing de 8 personas elabora mensualmente un informe para la dirección destinado a 5 stakeholders. El informe resume datos de 12 fuentes distintas: Google Analytics, Google Ads, Facebook Ads, LinkedIn Ads, HubSpot CRM, Stripe, la herramienta de newsletter, la herramienta SEO, la herramienta de mapas de calor, encuestas a clientes y dos hojas de Excel internas.
Un analista senior dedica 5 horas al mes solo a exportar los datos manualmente, consolidarlos en Excel, crear gráficos y dar formato al informe. El proceso es propenso a errores — en 3 de los 12 meses del último año hubo correcciones posteriores por errores de transcripción.
- 12 fuentes de datos — todas exportadas y consolidadas manualmente
- 5h/mes de tiempo de analista senior — para trabajo puramente mecánico
- 25% de tasa de error — errores de transcripción en 3 de cada 12 informes
- Sin detección de anomalías — las métricas llamativas solo se detectan cuando alguien mira con atención
La solución
Un sistema de informes automatizado que conecta las 12 fuentes de datos vía API, incorpora detección de anomalías con IA y envía automáticamente por correo el informe ya formateado:
- Agente recolector de datos: Se conecta vía API con las 12 fuentes, normaliza los datos en un formato unificado y los guarda en una base de datos de análisis. Se ejecuta automáticamente el primer lunes del mes.
- Agente de detección de anomalías: Analiza todas las métricas en busca de valores atípicos estadísticos — más de 2 desviaciones estándar respecto a la media de 3 meses activan una alerta. Identifica tanto anomalías positivas (éxito inesperado) como negativas.
- Agente generador de insights: Crea un resumen de 3 frases para cada grupo de métricas, destaca los 5 hallazgos más importantes del mes y elabora recomendaciones de acción.
- Formateador de informes: Genera el informe en HTML y una exportación en PDF con la identidad corporativa de Forge, y lo envía automáticamente a los 5 stakeholders.
Stack: Python para la orquestación, API de Claude para la generación de insights y la interpretación de anomalías, diversas APIs de marketing, PostgreSQL para la agregación de datos, SendGrid para el envío del informe.
Resultados
| Métrica | Antes | Después | Mejora |
|---|---|---|---|
| Tiempo de informes/mes | 5 horas | 15 minutos (validación) | reducido en un 95% |
| Tasa de errores de transcripción | 25% de los informes | 0% | eliminada por completo |
| Detección de anomalías | 0 (manual) | 100% automático | nuevo canal |
| Calidad del informe (stakeholders) | 7,4/10 | 9,1/10 | +23% más alta |
| Tiempo hasta el envío del informe | 3–5 días tras el fin de mes | Lunes 08:00h automático | puntual y fiable |
El valor añadido inesperado
La detección de anomalías resultó ser la parte más valiosa de la solución. En el segundo mes tras el despliegue, el agente de anomalías identificó un pico de tráfico inesperado en una landing page — una anomalía positiva que se habría pasado por alto en un análisis manual. El equipo pudo rastrear el pico hasta una mención en Reddit y derivar de ahí una estrategia de comunidad específica.
El informe generado por IA, al cabo de tres meses, resultó mejor que el elaborado manualmente — porque detecta patrones que una persona, a partir del décimo dato, sencillamente ya no percibe con nitidez.
Aprendizajes y mejores prácticas
- Comprueba la fiabilidad de las APIs: 3 de las 12 fuentes no tenían una API estable (exportaciones antiguas de Excel). Para estas se resolvió de forma provisional con subidas manuales a través de una carpeta de escaneo en Dropbox. La migración a fuentes API avanza en paralelo.
- El tiempo de validación no es opcional: 15 minutos de revisión por parte del analista antes del envío son obligatorios. Los insights de IA son buenos — pero una mirada humana fresca sobre las métricas críticas es imprescindible.
- La calidad de los insights mejora con la iteración de prompts: Las primeras formulaciones de insights eran demasiado técnicas para los stakeholders de dirección. Tras tres iteraciones del prompt de insights, la valoración de los stakeholders subió de 6,8 a 9,1.
Este caso de estudio es ilustrativo. Las métricas presentadas se basan en experiencias típicas de implementación y en promedios del sector. No se trata de un proyecto real de cliente ni de datos reales de clientes.