Nada de lo que ves en el dashboard es una caja negra. Cada número sale de un paso que podés seguir: ingesta, validación, cálculo, simulación y recomendación. Así es, técnicamente, de punta a punta.
El flujo completo
Arrancás con un CSV o Excel de ventas y, si lo tenés, de promociones. No hace falta un formato especial ni un equipo de datos: Google Sheets también sirve. Los conectores directos a ERP y POS llegan después, sin migrar de plataforma.
El sistema perfila el archivo y sugiere a qué campo del esquema canónico corresponde cada columna (SKU, cliente, canal, fecha, precio, unidades, mecánica). Vos confirmás el mapeo en un wizard antes de que se guarde nada — nunca hay un commit silencioso sobre tu data.
Antes de tocar un modelo, se corren chequeos de calidad: parseo sensible al formato regional de números y fechas, duplicados, integridad referencial entre tablas y outliers. Si algo no cierra, te lo señala en el wizard en vez de calcular con datos rotos.
Con la data ya validada, Marginia ajusta una curva de elasticidad propia para cada combinación de SKU, cliente y canal — no un promedio general que esconde el punto donde el descuento deja de generar volumen adicional. Con poca historia, arranca con una heurística estadística (regresión log-log); con más meses de datos, la estimación se afina sola, sin que cambies de herramienta.
Al principio ("cold start", sin historial de promociones propio) Marginia calcula un score de similitud entre SKUs — misma categoría, franja de precio y solapamiento de canal — y lo marca explícitamente como estimación preliminar. Desde que hay 8 a 10 eventos promocionales o 6 meses de historia, pasa a medir co-movimiento estadístico real entre las ventas de los SKUs involucrados, un cálculo bastante más preciso.
Con los modelos ya calculados, el dashboard ejecutivo se puebla en la misma sesión de carga — no en un paso 2 de "esperá a mañana". El simulador recalcula escenarios (precio, mecánica, profundidad) al instante en tu navegador, sin ida y vuelta al servidor cada vez que movés un slider.
Un conjunto de reglas (detectores) revisa los datos ya calculados y encuentra patrones concretos: una promoción sobre-descontada, dos SKUs canibalizándose, un canal donde el mismo descuento rinde distinto. La IA solo redacta el título y el detalle en prosa sobre ese hallazgo ya verificado — nunca inventa un número ni una conclusión que los datos no respalden. Si todavía no subiste promociones, ves un set fijo de buenas prácticas, etiquetado como "no personalizado aún": nunca una pestaña vacía.
Con el tiempo
Nunca esperás a tener "suficientes datos" para empezar. Marginia siempre te muestra el mejor cálculo disponible con la historia que tenés hoy, y lo etiqueta con honestidad según su nivel de confianza.
Con tu primera carga, ya tenés elasticidad heurística y canibalización por similitud estructural. Sirve para decidir hoy, etiquetado como preliminar.
A medida que subís más ciclos de datos, la elasticidad se recalibra y la canibalización pasa a medirse por co-movimiento estadístico real entre SKUs.
El mapeo de columnas queda guardado: la recarga del mes siguiente no vuelve a preguntar lo mismo. El recálculo corre en segundo plano y actualiza dashboard y recomendaciones.
Las recomendaciones que ves en el dashboard nunca son una ocurrencia del modelo de lenguaje: son la salida de detectores que corren sobre las tablas ya calculadas de elasticidad, canibalización y ROI. El LLM solo pone en palabras un hallazgo que ya existía en los números.
Ejemplo de detector
"Si la profundidad de descuento de un SKU supera el punto donde la curva de respuesta se aplana, Y el volumen incremental no compensa la pérdida de margen → se genera una recomendación de reducir la profundidad."
Regla verificable, no una intuición del modelo.