Tuvimos un cliente — un 3PL en el este de China que gestiona fulfillment para marcas de gran consumo — que el año pasado gastó una cifra de siete dígitos en un sistema de pronóstico de demanda con IA. La demostración comercial era preciosa: introduces el historial de ventas y obtienes una recomendación de reposición a 8 semanas para cada SKU, "más de un 90 % de precisión" en la diapositiva. El dueño firmó en el acto.
Tres meses después del lanzamiento, su responsable de almacén me llamó para desahogarse. Las sugerencias de reposición del sistema eran psíquicas en un buen día y sabotaje en uno malo. Una vez recomendó aprovisionar tres meses de un SKU de papel de cocina — porque ese SKU acababa de cambiar de envase, el SKU del envase antiguo seguía vivo en el sistema, y la IA sumó ambos historiales de ventas y concluyó "este producto está arrasando". El almacén estuvo a punto de ahogarse en papel de cocina.
Le dije al dueño claramente: tu proyecto de IA no murió por el algoritmo. Murió por los datos. Compraste un motor importado y lo llenaste con aceite de freidora usado.
La verdad de la trastienda que ningún proveedor de IA confiesa
Llevo vendiendo servicios 3PL el tiempo suficiente como para haber firmado algo así como un centenar de contratos de almacén, y he visto fracasar bastantes proyectos de IA. Esta es una verdad de la trastienda, del lado del proveedor de la mesa: ningún proveedor de IA audita en serio la calidad de tus datos antes de que se firme el contrato.
¿Por qué lo harían? Una auditoría podría cargarse el trato. El comercial necesita la firma; la calidad de los datos es "un problema de la fase de implementación". La cláusula de datos del contrato suele ser una sola frase: "El cliente proporcionará el apoyo necesario con los datos del negocio". ¿Qué cuenta como necesario? ¿Qué significa apoyo? ¿Qué tan limpio es lo suficientemente limpio? Nada de eso está definido. Luego el rendimiento tras el lanzamiento decepciona, el proveedor se encoge de hombros: tus datos son malos — basura entra, basura sale. Técnicamente cierto. Pero la factura te cae a ti, porque no negociaste la responsabilidad sobre los datos cuando tenías ventaja.
El peor caso que vi: un distribuidor de repuestos de automóvil en el sur de China, más de 50,000 SKU, y calculo que un 15 % de códigos duplicados — la misma pastilla de freno tenía un código en compras, otro en el almacén y un tercero en el equipo de comercio electrónico. Después de que el sistema de reposición con IA entrara en producción, el modelo trató tres códigos como tres productos, cada uno con un historial de ventas escaso, y cada pronóstico era ruido. El proveedor envió a un consultor de implementación a "sanear los datos", facturado por día, estuvo dos meses en ello, y la factura de saneamiento ascendió a cientos de miles de yuanes. El dueño estaba furioso: la limpieza de datos costó más que el software.
Hablando claro: la preparación de datos para un proyecto de IA es dinero que el proveedor nunca gastará por ti. O gastas un poco de tu propio dinero limpiando datos antes de firmar, o gastas mucho dinero pagando al proveedor para que los limpie después. Ese dinero es inevitable — la única elección es si lo gastas de forma proactiva o reactiva.
Las cuatro enfermedades crónicas de los datos de almacén — comprueba cuáles tienes
Antes de cualquier limpieza, hazle un chequeo a tu almacén. Cuatro dolencias, y nueve de cada diez almacenes tienen al menos dos:
- Un producto, muchos códigos. El mismo artículo vive bajo múltiples códigos SKU en compras, almacén y ventas. La IA ve tres "productos" donde hay uno.
- Códigos de ubicación caóticos. El edificio antiguo usa un esquema, el edificio nuevo otro, y el WMS un tercero. Un cliente tenía tres sistemas de ubicación en paralelo — después de que los AMR entraran en producción, lanzaban errores de "mercancía no encontrada" a diario mientras los robots daban vueltas por el suelo y los humanos limpiaban detrás de ellos.
- Documentos históricos perdidos. Los modelos de pronóstico quieren de 12 a 24 meses de historial de ventas limpio. En muchos almacenes ese historial vive en las hojas de cálculo de los comerciales — y se marcha por la puerta con cada dimisión.
- Excel contra sistema: dos versiones de la verdad. El WMS dice una cosa, la hoja de cálculo del jefe de turno dice otra. Los recuentos cíclicos se hacen en Excel; el sistema funciona en "más o menos". La IA solo llega a ver el "más o menos".
La limpieza en tres pasos: arregla los datos antes de comprar la IA
Paso 1: Gobierno de datos maestros — un producto, un código. Empieza aquí.
Esta es la base. Forma un equipo de tres personas — una de almacén, una de compras y una de TI (o tu administrador del sistema) — con una sola misión: la unificación de los datos maestros de SKU. En concreto: exporta todos los SKU, haz coincidencias difusas por nombre, especificación y código de barras, pasa los duplicados sospechosos a revisión humana, designa un código canónico, mapea los demás a él y prohíbe nuevos códigos alias en adelante. Luego pon la regla: cada nuevo SKU pasa por un proceso de admisión — sin verificación de duplicados, no se crea código. Quien cree un código rebelde asume las consecuencias.
Esto suele llevar de 4 a 8 semanas. No lo apresures. Una base inestable convierte todo lo que hay encima en un peligro.
Paso 2: Rellena los datos de proceso — recupera tu historial.
La IA come datos históricos, así que dale historial. Recupera 24 meses de registros de entradas y salidas, ventas, promociones y devoluciones — recupera todo lo que puedas. Esos libros en Excel no son basura, son una mina de oro — pon a un becario o a un equipo externo a cargar los campos críticos en el sistema de forma estructurada. Para los meses que de verdad no puedas recuperar, márcalos como "faltantes" con honestidad. Nunca inventes datos para rellenar huecos. Los modelos toleran datos dispersos; no toleran datos falsos. Un modelo gestiona con elegancia los huecos declarados; los números inventados lo llevan directo a la cuneta.
Paso 3: Puertas de calidad de datos — mantén fuera los datos sucios.
La limpieza es un evento único; las puertas son permanentes. Configura tres reglas duras en tu WMS: la creación de nuevos SKU debe pasar una verificación de duplicados (aviso por similitud de código de barras/nombre); la recepción debe escanear y validar — los códigos que no se pueden escanear no pueden pasarse con un "entrada manual, listo"; y ejecuta un informe mensual de calidad de datos que mida la tasa de códigos duplicados, la tasa de anomalías de ubicación y la tasa de documentos faltantes, con luces rojas y responsables nombrados cuando se rompan los umbrales.
Termina estos tres pasos y la calidad de datos de tu almacén alcanza la nota mínima para ser "AI-ready". El proceso suele llevar de 3 a 6 meses y cuesta sobre todo mano de obra — un orden de magnitud más barato que el propio software de IA. Pero decide si tu presupuesto de software de siete cifras compró una máquina de imprimir dinero o un pisapapeles caro.
La decisión contraintuitiva: cuanto peores sean tus datos, menos deberías comprar IA primero
Un último punto a contracorriente: muchos dueños piensan "nuestros datos son un desastre, así que necesitamos aún más la IA para gestionarlos". La lógica está al revés. La IA es un amplificador de datos, no un conserje de datos. Datos limpios, y la IA multiplica tu eficiencia por diez; datos basura, y la IA multiplica tus errores por diez — cobrándote siete cifras por la amplificación.
El orden no es negociable: lleva primero los datos a la nota mínima, luego deja entrar a la IA. Y cuando un comercial te diga "nuestro algoritmo gestiona los datos sucios automáticamente", pídele que escriba esa frase en los compromisos de rendimiento del contrato y mira si se atreve.
La próxima vez que negocies un contrato de IA, haz estas tres preguntas:
- ¿Quién es el dueño de la preparación de datos, y qué cuenta exactamente como "listo"? Pon los criterios de aceptación en un anexo del contrato, cuantificados: tasa de códigos duplicados, tasa de completitud documental, métricas concretas.
- Si el modelo rinde por debajo de lo esperado, ¿cómo está ligado el pago a los resultados? Porcentajes de retención, garantías de rendimiento, periodos piloto — todo por escrito. Las promesas verbales de precisión valen cero tinta.
- ¿Cuánto dura el piloto, y con qué datos se valida? Debe probarse retrospectivamente con tus propios datos históricos reales — nunca con el conjunto de datos de demostración del proveedor. Los conjuntos de demostración nunca contienen códigos SKU duplicados.
Recuerda: en la IA, el proveedor vende palas y tú eres quien cava buscando oro. La pala más afilada es inútil si la mina está llena de rocas. Recoge primero las rocas, luego discute sobre palas — acierta el orden y puede que te ahorres dos años de matrícula.
Por Susan, Directora de Ventas 3PL
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
