Inteligencia comercial
Análisis de ventas, clientes, rentabilidad y oportunidades para distribuidores B2B. Es el foco de mi trabajo.
Inteligencia comercial para distribuidores B2B
Sus datos de ventas ya muestran qué clientes está perdiendo.
Analizo el histórico comercial de su empresa para identificar qué clientes están comprando menos, dónde se está escapando el margen y qué oportunidades de venta tiene su equipo hoy. El resultado es una lista de acciones para su equipo comercial, no otro tablero.
- Consultor independiente
- Trabajo con exportaciones de su ERP
- Sin pedir credenciales ni datos personales de sus clientes
Alerta de cliente
Cliente 1043 · Contratista eléctrico
Compras mensuales, últimos 12 meses
- Señal
- −34% en los últimos 3 meses frente al mismo periodo del año anterior
- Acción sugerida
- Llamada del asesor esta semana
El problema
El ERP registra todo. Casi nadie tiene tiempo de leerlo.
En un distribuidor con cientos de clientes y miles de referencias, las señales importantes quedan repartidas entre facturas, descuentos y vendedores. Estas son las que más se escapan:
-
Clientes que se van en silencio
No cancelan nada. Simplemente compran un poco menos cada mes, hasta que un día ya compran en otro lado.
-
Margen que se erosiona
Descuentos que se volvieron costumbre, excepciones de precio y cambios en la mezcla de productos reducen la rentabilidad sin que se note en las ventas totales.
-
Información que no llega al vendedor
La empresa tiene años de historia en el sistema, pero el asesor comercial no sabe a qué cliente debería llamar hoy ni por qué.
-
Ventas que nadie está buscando
Clientes parecidos compran categorías distintas. Esa diferencia es una oportunidad de venta cruzada que nadie está priorizando.
Servicio principal
Diagnóstico de margen y clientes en riesgo
Analizo entre 12 y 24 meses de su información comercial y la convierto en respuestas concretas para gerencia y para el equipo de ventas.
- ¿Qué clientes importantes están reduciendo sus compras?
- ¿Qué cuentas necesitan atención comercial ahora?
- ¿Dónde puede estar perdiéndose margen por descuentos, precios o mezcla de productos?
- ¿Qué clientes tienen oportunidades claras de venta cruzada?
- ¿Qué patrones debería revisar el equipo comercial?
AnálisisDecisiónAcción
Qué puedo detectar
De miles de facturas a una lista de prioridades.
Así se ve el tipo de resultado que entrega el análisis: señales concretas por cliente y una acción para cada una.
Clientes que compran menos, o con menos frecuencia, que su propio histórico. Se detectan mientras todavía hay tiempo de actuar.
Descuentos fuera de patrón, precios inconsistentes entre clientes similares y cambios de mezcla que reducen la rentabilidad.
Categorías que clientes parecidos compran y este cliente no. Oportunidades por cuenta, no recomendaciones genéricas.
Todo lo anterior ordenado por impacto: a qué cuentas dedicar atención primero y qué debería hacer cada asesor.
- Clientes a revisar
- 12
- Alertas de margen
- 4
- Oportunidades de venta cruzada
- 8
| Cliente | Señal | Acción sugerida | Prioridad |
|---|---|---|---|
| Cliente 1043Contratista eléctrico | −34% compras en 3 meses | Llamada del asesor | Alta |
| Cliente 0381Constructora | Descuento 18 % vs. 9 % del segmento | Revisar condiciones | Alta |
| Cliente 2217Ferretería | 58 días sin comprar (habitual: 15) | Visita comercial | Alta |
| Cliente 0912Instalador | Compra cable y tubería, no iluminación | Ofrecer línea de iluminación | Media |
| Cliente 1765Taller industrial | −6 pts margen en 6 meses | Revisar precios y mezcla | Media |
| Cliente 1408Mantenimiento | Clientes similares compran protecciones | Ofrecer protecciones | Media |
| Cliente 3056Distribuidor regional | Frecuencia de compra cae a la mitad | Revisar con gerencia comercial | Media |
Clientes y cifras ficticios. Representación del tipo de entregable, no resultados de un cliente real.
Cómo trabajo
Cuatro pasos, de la conversación inicial a las acciones.
-
Entender
Cómo vende la empresa, qué datos existen en el ERP y cuáles son las prioridades comerciales de gerencia.
-
Analizar
Trabajo sobre el histórico de ventas, clientes, productos, precios y descuentos. Primero reviso calidad y estructura de los datos.
-
Detectar
Clientes en riesgo, anomalías de margen y oportunidades de venta cruzada, cada una con la evidencia que la sustenta.
-
Actuar
Listas priorizadas y recomendaciones que el equipo comercial puede usar la misma semana.
Capacidades
El diagnóstico es el punto de partida.
Según lo que encontremos, el trabajo puede continuar en otras direcciones. Siempre con la misma regla: herramientas al servicio de una decisión de negocio.
Business Intelligence
Tableros y sistemas de seguimiento conectados a las decisiones que realmente se toman cada semana.
Análisis de datos
Exploración, segmentación de clientes y análisis de información empresarial para preguntas puntuales.
Automatización
Eliminar reportes manuales y tareas repetitivas cuando hay un beneficio claro.
Modelos predictivos
Machine Learning solo cuando el problema y la cantidad de datos lo justifican.
Proyectos
Trabajo verificable, con datos públicos.
Tres proyectos completos, documentados en GitHub, que muestran el tipo de análisis que aplico a datos comerciales.
Ventas y clientes · Retail
RetailIQ: inteligencia de ventas y clientes
- Problema
- Saber qué productos, categorías y ciudades generan utilidad, cuáles pierden dinero y qué clientes de alto valor están dejando de comprar.
- Enfoque
- Modelo relacional en PostgreSQL, SQL avanzado (cohortes de retención, segmentación RFM, funciones de ventana) y un tablero ejecutivo web.
- Resultado
- Sobre el dataset público Superstore (9.994 líneas de venta, 793 clientes): subcategorías con margen negativo y 242 clientes de alto valor inactivos identificados.
PostgreSQL · SQL · Python · pandas · Chart.js
Ver repositorio de RetailIQ en GitHub (abre en una pestaña nueva)Retención · Machine Learning
Predicción de abandono de clientes
- Problema
- Identificar con anticipación qué clientes de una empresa de telecomunicaciones tienen más probabilidad de cancelar, para enfocar el esfuerzo de retención.
- Enfoque
- Integración de cuatro fuentes (7.043 clientes), pruebas estadísticas, variables construidas evitando fuga de información y comparación de seis modelos.
- Resultado
- Modelo LightGBM con ROC-AUC de 0,9453 en datos de prueba, desplegado como aplicación interactiva en Streamlit.
Python · scikit-learn · LightGBM · CatBoost · SciPy · Streamlit
Ver repositorio de predicción de abandono en GitHub (abre en una pestaña nueva)Business Intelligence · E-commerce
Olist: plataforma de Business Intelligence
- Problema
- Entender ventas, clientes, vendedores y desempeño de entregas de un marketplace con cerca de 100 mil pedidos reales anonimizados.
- Enfoque
- Pipeline SQL por capas en PostgreSQL, modelo estrella con 5 dimensiones y 3 tablas de hechos, y un tablero de 6 páginas en Power BI.
- Resultado
- Indicadores consistentes entre SQL y DAX, sin duplicar ingresos. Calificación promedio de 4,29 en pedidos a tiempo frente a 2,57 en pedidos tardíos.
PostgreSQL · SQL · Python · pandas · Power BI · DAX
Ver repositorio de Olist en GitHub (abre en una pestaña nueva)Sobre mí
Alejandro Cotes
Trabajo donde se cruzan el análisis, la programación, la estadística y el negocio: tomo la información que una empresa ya tiene y la convierto en decisiones que su equipo puede ejecutar.
Estudio Ciencia de Datos en la Universidad del Norte y completé el bootcamp de Data Science de TripleTen. Mi foco es la inteligencia comercial para distribuidores B2B: empresas con muchos clientes, miles de referencias y años de ventas registradas que rara vez se analizan con esa profundidad.
Trabajo como consultor independiente. Cada proyecto lo llevo directamente: hablo con gerencia y con el equipo comercial, trabajo sobre los datos y presento los hallazgos. Sin intermediarios y con un análisis hecho para su negocio, no una plantilla.
LinkedIn (abre en una pestaña nueva)GitHub (abre en una pestaña nueva)
- Formación
- Ciencia de Datos, Universidad del Norte
Data Science Bootcamp, TripleTen - Base
- Barranquilla, Colombia
- Forma de trabajo
- Directa, como consultor independiente
- Herramientas
- Python, SQL, PostgreSQL, pandas, scikit-learn, Power BI, Streamlit, Git
Preguntas frecuentes
Antes de hablar
¿Tengo que cambiar mi ERP o instalar algo?
No. El diagnóstico trabaja con exportaciones de la información que ya tiene, normalmente en Excel o CSV.
¿Qué información necesitan?
Idealmente entre 12 y 24 meses de ventas: factura, fecha, cliente, producto, categoría, cantidades, precio de lista, precio de venta, costo, descuento, vendedor y sede. Se trabaja con los campos que existan.
¿Tengo que compartir datos sensibles de mis clientes?
No. Los clientes pueden ir identificados con un código interno. No necesito nombres, teléfonos ni documentos, ni usuarios o contraseñas de sus sistemas. Si lo prefiere, firmamos un acuerdo de confidencialidad antes de compartir información.
¿Mis datos tienen que estar perfectamente organizados?
No necesariamente. El primer paso es revisar su calidad y estructura y decirle con claridad qué se puede analizar con lo que hay.
¿Trabaja solo con empresas grandes?
No. Lo importante es tener un histórico de ventas con suficientes clientes y transacciones para encontrar patrones útiles.
¿Qué pasa después del diagnóstico?
Depende de los hallazgos. Puede quedar como un ejercicio puntual o continuar con seguimiento periódico, tableros o automatización de alertas para el equipo comercial.
Contacto
¿Qué oportunidades puede haber en sus datos?
Cuénteme brevemente cómo vende su empresa y qué información tiene. Revisamos su situación en una conversación corta y le digo con franqueza si existe un caso en el que tenga sentido profundizar.
Hablar con Alejandro
También puede escribirme por LinkedIn (abre en una pestaña nueva).