Lo que necesitas saber sobre
BI, Data & Analytics
Business Intelligence, analítica avanzada, Big Data empresarial y mucho más.
De Odoo a A Power BI (III): el paso que convierte datos en un modelo de negocio
Llega el punto donde muchos proyectos se ganan (o se rompen): el modelado.
Porque una cosa es “tener datos” y otra muy distinta es tener un modelo semántico que cualquiera en la empresa pueda usar sin romper filtros, sin duplicar importes y sin que cada gráfico cuente una historia diferente.
De Odoo a Power BI (II): cuando los datos de Odoo empiezan a decir algo
Odoo es un ERP operativo, no un sistema pensado para analítica. Su estructura está optimizada para ejecutar procesos (ventas, compras, facturación, logística…), y eso significa que los datos vienen con mucha “paja” técnica y con estructuras típicas de aplicaciones. La buena noticia: Microsoft Power BI + Microsoft Power Query.
De Odoo a Power BI (I): obteniendo datos sin morir en el intento
Si estás leyendo esto, seguramente te suena esta escena: tienes Odoo funcionando, tienes Power BI listo para sacar cuadros de mando… y justo en medio aparece “el puente” que nadie quiere construir: cómo sacar datos de Odoo hacia Power BI de forma fiable, entendible y sin depender de un gurú técnico.
IA cuántica: la forma más cara y rápida de procesar basura
Mientras los titulares y las presentaciones corporativas se llenan de promesas sobre la supremacía de la IA Cuántica y la resolución de problemas imposibles, la realidad en las trincheras de la empresa es muy distinta. ¿De qué sirve tener la capacidad de computación más potente del planeta si nuestros sistemas aún no pueden generar un forecast de demanda fiable debido a datos sucios y desestructurados?
En este artículo, analizamos la brecha entre el hype tecnológico que venden los CTOs en sus PowerPoints y la cruda necesidad de madurez en la ingeniería de datos. Porque aplicar mecánica cuántica a una base de datos caótica no es innovación; es simplemente la forma más cara y rápida de procesar basura.
Anatomía de un caso práctico de optimización de inventario
Este artículo presenta un caso práctico real, que demuestra el valor de la optimización bajo incertidumbre. Enfrentados al clásico dilema entre costes de inventario y nivel de servicio, aplicamos una metodología que combina un gemelo digital, simulación de Montecarlo y un optimizador de caja negra. Los resultados cuantificables incluyen una reducción del 18% en los costes totales de inventario, un aumento de 4.2 puntos en el nivel de servicio y una liberación del 25% del capital inmovilizado.
El motor de la resiliencia: optimizadores de caja negra para la fábrica inteligente
En nuestro viaje hasta ahora, hemos dado dos pasos gigantescos. Primero, aceptamos que la predicción perfecta es un mito y que la verdadera meta es la resiliencia. Segundo, aprendimos a modelar la incertidumbre, usando la Simulación de Monte Carlo para crear un mapa detallado de miles, o incluso millones, de futuros posibles para nuestra fábrica.
Ahora nos encontramos ante un mapa increíblemente rico, pero también abrumador. Tenemos un millón de resultados posibles para cada decisión que tomemos. La pregunta es obvia: ¿cómo elegimos la mejor?
Más allá de la predicción: cómo modelar la incertidumbre y tomar decisiones robustas
Deja de buscar una única respuesta y empieza a prepararte para miles de futuros posibles.
En nuestro anterior artículo, La Trampa del Forecast Perfecto, nos planteamos una nueva pregunta: «¿Cuál es la mejor decisión que puedo tomar hoy, sabiendo que pueden ocurrir miles de escenarios diferentes mañana?»
Fantástico. Pero, ¿cómo empezamos a responder a eso? Suena abstracto, casi filosófico. La respuesta es que el primer paso consiste en tratar la incertidumbre no como un enemigo al que temer, sino como una variable que podemos describir, medir y, en definitiva, modelar.
La trampa del forecast perfecto: por qué tu predicción siempre falla y el machine learning no es la solución que esperabas
Deja de perseguir una bola de cristal y empieza a construir una operación industrial a prueba de futuro.
Es lunes, 8 de la mañana. Revisas tu dashboard. El OEE está en verde, el plan de producción de la semana está cerrado y el flamante modelo de machine learning que habéis implementado predice una demanda estable. Por fin, piensas, todo está bajo control.
A las 10:15, suena el teléfono. Tu proveedor principal de un componente crítico en Francia acaba de sufrir un retraso. La producción se detendrá en 48 horas. De repente, el forecast perfecto de hace dos horas no sirve absolutamente para nada.
Digitalización de procesos de manufactura dirigida por datos
El proceso de transformación digital de un proceso de producción generalmente pasa por varias fases de madurez, cada una de las cuales representa un nivel más avanzado de integración y aprovechamiento de las tecnologías digitales. Es clave reconocer en qué fase se encuentra la digitalización de cada proceso para diseñar cómo avanzar hacia la siguiente etapa de madurez.
Odoo y cuadros de mando: una conexión práctica y real
El conector personalizado que comunica Power BI con Odoo desarrollado por Sixphere es bien sencillo de utilizar, pero a la vez muy específico: hace uso del API nativo de Odoo para extraer información de los modelos de base de datos deseados. Asimismo, permite indicar el listado de campos concretos que quieren recuperarse.