Llegas a la empresa y no hay quien te dé el puesto. Nadie te hace el traslado. Te sueltan en la cancha sin entrenador. Si eres junior y te está pasando, esto es lo que yo haría… y lo que no volvería a hacer.
1. Lo primero: busca la data
Qué es la empresa y qué vende te lo explica la gente. Cómo está la empresa te lo dice la data. Como planner necesitas saber qué se vende, cuánto se vende, cuántas marcas hay y cuánto pesa cada una, cuáles son los SKU top, cuánto stock tienen y su promedio de venta. Si sabes SQL, en Management Studio puedes hacerle ingeniería inversa a las queries.
En mi caso, los de BI me dieron, por suerte, los códigos SQL. TI me dio la base del maestro. Así tuve mis tres tablas desde SAP: maestro, ventas y stock. Las jalaba a Excel, porque no me daban Power BI. En otra empresa fue al revés: tuve Power BI, pero no SQL.
2. Arma el mapa mientras te dan la inducción
El planner nace de la venta. Cruza todo en Power Query o Power Pivot y saca participación y Pareto 80-20 a todo nivel: marca, SKU, mercado, vendedor, categoría, proveedor, año contra año.
Después mira el stock: cuántas semanas o meses de cobertura tienes, dónde hay quiebres y por qué no se repone. Y pregunta a la gente que tienes alrededor.
Todo eso pasa mientras dura tu semana de inducción. Ellos te explican; tú ya estás leyendo el negocio.
3. La reunión donde sales cabizbajo
Con las ventas ya puedes sentarte con los experimentados: escuchas, presentas, recibes feedback y haces preguntas de negocio, más que de data.
Lo difícil es que no conoces los casos particulares:
- Códigos hermanados: el inodoro con el tanque, el pedestal con el lavatorio.
- Proveedores donde uno tiene el driver y otro el accesorio.
- SKU gemelos con códigos distintos, donde uno reemplaza al otro.
- Marcas nuevas que todavía no tienen venta.
- SKU o marcas que se usan de comodín.
Tampoco sabes qué tamaño de línea te va a tocar. Si es grande, gestionas stock: sobrestock, cobertura, inventario inmovilizado y antigüedad.
¿Cómo cazas los casos raros? En Excel. Descripciones iguales con varios códigos distintos. Cantidades que siempre salen iguales: 20 y 20. Eso es un hermanado.
Pero cuando nadie te da el puesto, vas a salir de alguna reunión un poco cabizbajo, porque tu data no era la correcta y nadie te lo dijo. Tranquilo: el primer mes es manejable. Llegar sin data sí es empezar de nuevo, y eso no es divertido. Lo divertido es revisar la data, escuchar y construir.
4. Corrige y construye
Validas, creas columnas y queries para unificar y filtrar los hermanados. Es prueba y error. Y de ahí construyes: queries, simuladores, SQL, Power Query, Python con machine learning.
Al mes ya tienes en la mano:
- Venta por vendedor e histórico de ventas al detalle.
- Demora por proveedor.
- Histórico de compras y presupuesto por marca. A veces el jefe te lo da, a veces no.
- Inventario de un año contra el otro.
Con eso ajustas el machine learning. Ejemplo: tu modelo te dice "compra 1 millón", pero ese trimestre siempre se compró medio millón. Esa es tu base.
5. Lo que no volvería a hacer
Estimar según el OK de los gerentes. A veces te dan ideas incompletas y, como eres nuevo, sigues sus indicaciones. Resultado: sobrestock, y deshacerte de él toma al menos 6 meses. Todo por no dimensionar, por no preguntar más, por hacer caso a ciegas.
Fue un aprendizaje. Hoy reviso todo primero y recién presento, con el impacto en sobrestock valorizado.
6. El as bajo la manga
Lo bueno: con data limpia, ese sobrestock no era de algo que nunca se vende. Un SKU que vendía 10 o 20, con el doble de stock, vendió 40. La venta está ligada al stock. Ese es tu as bajo la manga, y te da tranquilidad.
Yo lo saqué frente al gerente. Por mi recorrido, y porque fui jefe de ventas, tengo estrategias: rumas, campañas de marketing, gritarle a la red que tengo ese stock.
Mi consejo: si te vas a equivocar con sobreinventario, que sea en los A, porque siempre se van a vender. En los B, más cuidado. En los C, no pidas nada aunque te lo sugieran: lo justo y necesario, y si quiebras, bueno. En un Pareto ABC típico, los A son cerca del 80% de la venta, los B el 15% y los C el 5%.
7. Python, macros y la cereza del pastel
El machine learning corre en Python, pero en la oficina todos hablan Excel. Así que Python tiene que entregarte un Excel.
Un Excel con fórmulas vivas de 20.000 filas que una macro haría en 7 minutos, Python en Colab, con IA, lo logra en máximo un minuto. La macro entra después y solo para formato: colores, vistas, agrupar columnas. Corre en 3 o 4 segundos.
El flujo:
- SQL automático: se actualiza en 30 segundos a un minuto.
- Python: 2 minutos, o 3 si es muy grande. Los modelos corren en segundos; lo que demora es que Python cree el Excel.
- Excel con fórmulas vivas.
- Macro de formato y tablas dinámicas.
- Power Automate: alertas de quiebres o sobrestock al correo de los usuarios.
Y en un entorno Microsoft, las queries se comparten por OneDrive o SharePoint.
Si llegas a tu primera reunión con un machine learning o un pronóstico en Excel sin eso, y yo soy tu jefe, la reunión no será productiva: te diré lo que tendrías que hacer. De lo que se trata es de que ya sepas el negocio, al menos desde la data.
