Lo digo sin rodeos: antes de que la IA haga algo útil en tu almacén, la preparación de datos tiene que venir primero. He visto demasiados proyectos comprar software caro, asistir a una demostración preciosa y luego desmoronarse el primer día — y la causa raíz siempre eran los datos. Datos maestros que no coinciden, registros de transacciones llenos de huecos, excepciones que nadie se molestó en anotar. Alimenta a una IA con eso y obtienes un sistema que jamás ha pisado un almacén diciéndoles a tus preparadores por dónde caminar. Cuanto más inteligente es, más rápido se equivoca. Este artículo no trata de modelos ni de algoritmos. Trata de los tres tipos de datos que hay que limpiar antes de que la IA entre en funcionamiento, del orden en que hay que hacerlo y de cómo saber cuándo cada uno está listo.
En otoño de 2023 me pidieron revisar un almacén 3PL al este de Los Angeles — 120,000 pies cuadrados, unos 4,000 pedidos al día. Acababan de gastar $180,000 en un sistema de IA de rutas de picking pensado para reducir la distancia que los preparadores caminaban cada día. En la primera semana tras la puesta en marcha, los preparadores caminaban unos 2 kilómetros más al día, no menos. Pasamos tres días buscando el problema. No era el algoritmo. Eran los datos: el mismo producto vivía en el sistema bajo tres números de artículo distintos, y las ubicaciones de los bins se habían tecleado a mano cinco años antes, con más de 60 de los más de 400 bins con el nivel equivocado. La IA hizo exactamente lo que le dijeron, con datos erróneos. El sistema quedó parado dos meses mientras el equipo volvía atrás y limpiaba los datos. Esos $180,000 compraron una lección: si la preparación de datos no está terminada, el proyecto de IA ni siquiera ha empezado.
La preparación de datos empieza por los datos maestros: acertar con lo básico
Los datos maestros son tres tablas: productos, ubicaciones, proveedores. Piensa en ellas como el registro de hogar del almacén. Si el registro está mal, todos los documentos y todos los cálculos que dependen de él también están mal. Las versiones sucias se ven igual en todos lados: un producto con tres números de artículo — uno creado por compras, uno sincronizado desde un marketplace, uno inventado por el propio almacén. Códigos de bin mezclando mayúsculas y minúsculas y espacios sueltos, de modo que el sistema trata un bin como si fueran dos. Un proveedor escrito de cinco formas distintas en la misma columna.
Limpiar esto es un trabajo poco glamoroso, y ese es el punto. Decide un solo número de artículo por producto y mapea el resto — sin números nuevos, sin excepciones. Luego recorre cada bin con una lista impresa y corrige los errores en el momento, con el supervisor del almacén firmando cada pasillo. Después completa los huecos en los atributos de proveedores y productos, con una lista de campos faltantes y una fecha límite para que compras y operaciones los cierren. Esto tiene dos caras: parece trabajo manual sin nada de tecnología, y también es lo único que decide si la IA puede hacer aritmética básica correctamente. Mi nivel de aceptación es tajante: campos de datos maestros completos al menos en un 98%, cero números de artículo duplicados, cada bin verificado en persona. Hasta que llegues a ese nivel, no gastes un dólar más.
Preparación de datos para los datos transaccionales: no alimentes al modelo con basura
En la primavera de 2024, un almacén de comercio electrónico en Chicago me pidió que revisara su pronóstico de reposición con IA. El sistema quería pedir $30,000 de un pequeño electrodoméstico porque «rotaba rápido». Revisé las transacciones y encontré la historia: la mitad de esa supuesta rotación eran devoluciones que se volvían a poner en el estante, y la otra mitad eran registros de salida contados dos veces durante ajustes de conteo cíclico. Las ventas reales eran alrededor del 60% de lo que el sistema creía. Si ese pedido de $30,000 se hubiera concretado, al menos la mitad habría quedado guardada en el almacén durante seis meses.
Los datos transaccionales se ensucian de otra manera que los datos maestros. Los datos maestros están mal desde el origen; los datos transaccionales se pierden en el camino. Devoluciones que nunca se registran el mismo día. Mercancía dañada gestionada sin registro. Variaciones de conteo corregidas editando el número en el sistema y sin dejar rastro. Tickets de papel tecleados un día tarde. La solución no es reconstruir la historia — es tapar las fugas. Devoluciones, daños y ajustes de conteo entran en el sistema el mismo día, y un registro con campos faltantes no se puede guardar. Los tickets de papel se teclean el mismo día, y todo lo que pase la noche cuenta como excepción. Una vez por semana, pedidos, inventario y finanzas se concilian, y cualquier diferencia se investiga el mismo día. El nivel de aceptación: campos faltantes por debajo del 2% en los cuatro tipos principales de transacción, diferencias de conciliación resueltas el mismo día. Si la historia está demasiado sucia para salvarla, recorta una ventana limpia de semanas recientes para que la IA aprenda de ella. Un tramo corto y limpio vale más que tres años de datos sucios.
Excepciones y retroalimentación: sin ellas, la IA nunca aprende
Este es el más fácil de ignorar de los tres, y el que decide si la IA mejora con el tiempo. Los datos de excepciones son todo lo que salió mal: faltantes de stock, envíos equivocados, daños, pedidos tardíos, reclamaciones de clientes. Los datos de retroalimentación son lo que la gente hizo con las sugerencias de la IA: aceptadas o rechazadas, y por qué. En la mayoría de los almacenes no existe ni lo uno ni lo otro. Las excepciones viajan de boca en boca. Que la IA haya acertado o fallado, nadie lo anota. Sin un ciclo de retroalimentación, la IA comete el mismo error hoy, mañana y el mes que viene — idéntico, cada vez.
En el verano de 2024 visité un almacén de autopartes cerca de Dallas. La IA emitía una lista de reposición cada mañana, y operaciones rechazaba alrededor de un tercio por experiencia — sin registrar jamás una sola razón. Tres meses después, la IA seguía haciendo las mismas sugerencias y operaciones seguía rechazándolas. Tres meses de aprendizaje, desperdiciados. Arreglar esto no requiere un gran proyecto: cada excepción recibe un registro, una causa y una resolución — una frase basta. Cada sugerencia de la IA recibe una marca de aceptada o rechazada, y cada rechazo recibe una razón de una línea. Un mes de eso es buen material de entrenamiento para la siguiente ronda. Aquí está la parte contraintuitiva: cuantos más datos de excepciones guardes, más baratos se vuelven los errores de la IA, porque el sistema puede aprender de ellos. Un almacén sin registros de excepciones parece fluido en la superficie mientras el mismo error se repite sin que nadie lo note.
En qué orden, y cuánto cuesta
Toma los tres en el orden anterior: datos maestros, datos transaccionales, y luego excepciones y retroalimentación. El orden no es flexible. Sin datos maestros acordados, la conciliación nunca cuadra. Sin tapar las fugas en las transacciones, los registros de excepciones no tienen un caso al que adherirse. La siguiente tabla es una estimación ilustrativa para un almacén de tamaño medio — 3,000 pedidos al día, 2,000 bins. Los números son un ejemplo hipotético, no un referente del sector:
| Tipo de dato | Cómo suele verse | Trabajo de limpieza | Nivel de aceptación | Costo ilustrativo |
|---|---|---|---|---|
| Datos maestros | Un producto, varios números de artículo; códigos de bin erróneos | Un número por producto; recorrer cada bin | Campos completos al 98%+; cero duplicados | 2–3 semanas, ~$10,000 |
| Datos transaccionales | Devoluciones sin registrar; conteos editados sin rastro | Entrada el mismo día; conciliación triple semanal | Campos faltantes por debajo del 2%; diferencias resueltas el mismo día | 3–4 semanas, ~$15,000 |
| Excepciones y retroalimentación | De boca en boca; rechazos sin razón | Cada excepción registrada; cada sugerencia marcada | Registro, causa y resolución archivados | 1–2 semanas, ~$5,000 |
Súmalo todo y el trabajo completo dura entre 6 y 9 semanas y cuesta $30,000. Parece un cargo extra sobre el proyecto de IA, hasta que le pones precio a la alternativa: dos meses de retrabajo y un sistema de $180,000 parado. La preparación de datos no es una línea de costo. Es la entrada al proyecto de IA — si no puedes pagarla, no entres todavía.
Así que la próxima vez que un proveedor te diga que los datos sucios no importan porque el modelo aprenderá por sí solo, hazle una pregunta: cuando aprenda lo incorrecto, ¿quién paga por ello? Si no puede responder, deja el trato en espera, limpia primero los datos y habla de IA después.
Por Lao Mi, Veterano de la cadena de suministro (20 años) Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







