D-CAT Group ↗ Contacto ENTRDEESAZ
12 preguntas Iniciar un piloto de 4 semanas
Iniciar un piloto de 4 semanas

Soluciones · por sector · cadenas minoristas

Comercio minorista: la misma línea de ingresos puede estar sana o enferma, y el agente dice cuál de las dos

CIO (datos de POS, ERP y personal ya en un solo warehouse; on-premise; alcance a nivel de fila por región) · CFO y director comercial (margen, rebajas, promociones, marca propia) · director de operaciones de tienda (ventas comparables, tráfico, conversión, mano de obra) · director de cadena de suministro (disponibilidad, cobertura de stock). El comprador suele ser el CIO junto con el director comercial; los lectores diarios son los responsables de categoría y los directores regionales.

Cómo los tres agentes de esta página leen un mismo modelo semánticoA la izquierda, un modelo semántico; en el centro, tres agentes programados - Agente del Director Comercial, Agente de Rendimiento de Tienda, Agente de Disponibilidad de Inventario; cada uno publica a la derecha findings, recommendations y un brief.modelo semánticoimportado desde Axoria Data Studionet_salesgross_salesunits_soldtransaction_countgross_marginAgente del DirectorComercialsemanal · lunes 05:00FfindingRrecomm.BbriefAgente de Rendimiento deTiendasemanal · lunes 05:15FfindingRrecomm.BbriefAgente de Disponibilidadde Inventariomensual el día 3 · 05:30FfindingRrecomm.Bbriefcada cifra de un registro lleva una dirección de evidencia

Preguntas

Las tres preguntas que el consejo de un minorista hace cada mes

  • ¿El crecimiento de los ingresos es precio, volumen o cesta — y es sano?
  • ¿En qué región cayeron las ventas comparables, y fue tráfico o cesta?
  • ¿Está subiendo el stock donde caen las ventas, y qué estantes están vacíos?

En conversación

Preguntas de ejemplo que la gente escribe en la conversación

vía de profundización — la evidencia del finding se lleva congelada; una cifra nueva necesita una consulta nueva, y el agente lo dice

  • "Desglose las rebajas de Fresh Produce por formato de tienda."
  • "¿Qué tiendas de South-East perdieron tráfico y cuáles perdieron cesta?"
  • "Muestre la profundidad de cesta en promoción por grupo de categorías para agosto."
  • "¿El stock de Household está subiendo en todas las tiendas o en unas pocas?"
  • "¿Hasta qué fecha están actualizados los datos de stock?"

Personas

Tres agentes de ejemplo

Los agentes siguientes son ejemplos para este sector, no un conjunto fijo: Agente del Director Comercial · Agente de Rendimiento de Tienda · Agente de Disponibilidad de Inventario. La ejecución programada de cada uno se muestra en los conjuntos de ejemplo que siguen.

Conjunto 1

Agente del Director Comercial

Audiencia: el director comercial, los directores de categoría, el jefe de promociones.

Conjunto 2

Agente de Rendimiento de Tienda

Audiencia: los directores regionales, el director de operaciones de tienda.

Conjunto 3

Agente de Disponibilidad de Inventario

Audiencia: los compradores de categoría, el jefe de reaprovisionamiento, el director de cadena de suministro.

El nombre de un agente dice qué medidas lee y para quién. No tiene ninguna de las atribuciones del cargo: no decide, no aprueba ni actúa.

Agentes para los temas que usted elija

Un agente es una descripción de funciones, un modelo semántico vinculado y un calendario — no código —, de modo que los temas que vigila los fija usted: un pagador, una línea de servicio, una campaña, un proveedor. Los primeros los escribimos con usted.

Construya sus agentes con nosotros →

Conjuntos de ejemplo

Tres conjuntos de ejemplo, una ejecución cada uno

Cada conjunto es una persona de agente y la salida de una ejecución programada — el brief, las recommendations y los findings en los que se apoyan — en el sobre de registro propio del producto. El primer conjunto está abierto; los otros dos, plegados. El modelo y las medidas que asumen los conjuntos se enumeran al pie de la página.

IlustrativoConjunto 1Agente del Director Comercial
Persona
Lee la dinámica de margen por categoría, rebajas, promociones y niveles de marca de una cadena de supermercados de 62 tiendas en un país (12 hipermercados, 50 tiendas de proximidad); separa la dinámica que produjo los ingresos de una categoría de los ingresos en sí. · Audiencia: el director comercial, los directores de categoría, el jefe de promociones. · Tono: lenguaje de informe corporativo, breve, guiado por las cifras; donde dos explicaciones no pueden separarse, lo dice. · Idioma de salida: en
Señales que vigila
(1) Tijera de margen por categoría — ventas netas al alza mientras la cuota de margen bruto cae. (2) Cuota de rebajas por categoría y semana. (3) Migración entre niveles de marca — unidades de marca propia frente a unidades de marca de fabricante dentro de una categoría. (4) Eficiencia de las promociones — transacciones promocionadas al alza mientras la profundidad de cesta en promoción cae. (5) Variación del precio medio unitario, leída como precio o mix, nunca "el precio subió" antes de que el desglose separe los dos.
Umbrales que se le dieron
finding 15 % · critical 40 % · métricas de ratio (cuota de margen, cuota de rebajas, profundidad de cesta, precio unitario) 8 % · cuota mínima 1 % de las ventas netas de la red · tijera 10 puntos · regla de gravedad: medium cuando se cruza un umbral, high cuando una métrica de ratio se mueve más de 1.25× su umbral o una métrica de recuento más de 1.5× el umbral de finding, critical por encima del umbral crítico; un finding con una celda de desglose toma la gravedad del movimiento propio de la celda; un tema ongoing conserva la gravedad que se le asignó

Cabecera de la ejecución

  • Programado semanalmente, lunes 05:00, Europe/Amsterdam
  • Periodo: agosto de 2026 (31 días, 5 fines de semana) frente a agosto de 2025 (31 días, 5 fines de semana) — mismos días comerciales
  • Datos completos hasta 2026-09-20, medidos mediante max(SALE_DATE), hace 7 horas
  • Alcance: ninguna regla a nivel de fila está vinculada a este agente — la ejecución se produjo sobre todas las filas
  • Modelo: el modelo aprobado del espacio de trabajo, escrito en la ejecución
  • Coste: registrado en la ejecución
  • Importes en EUR
Brief

Agosto de 2026: ventas netas +7.17 % interanual, margen de Fresh Produce 27.39 % → 24.10 % con rebajas duplicadas, cestas promocionadas más ligeras con 2.18 unidades, marca propia 35.33 % de las unidades de Dry Grocery

Franja de supuestos

No indicó un periodo; se asumió el último mes completo (agosto de 2026), comparado con agosto de 2025 (mismos días comerciales). Ninguna regla a nivel de fila está vinculada a este agente; la ejecución se produjo sobre todas las filas. El margen se mide a nivel de categoría; el margen por nivel de marca no está en este modelo.

Las ventas netas de agosto, 73.2 M €, fueron un 7.17 % superiores a las del año anterior, y el crecimiento no fue uniformemente sano. Fresh Produce creció más que la red (+9.82 %) mientras su cuota de margen bruto caía del 27.39 % al 24.10 %, con las rebajas duplicándose de 0.294 M € a 0.593 M €. En Dry Grocery, la marca propia siguió ganando cuota de unidades — 35.33 % frente al 31.20 % de hace un año — mientras las unidades de marca de fabricante caían un 5.30 %; el precio medio unitario de la categoría apenas se movió. El programa de promociones trajo un 28.87 % más de transacciones promocionadas pero una cesta promocionada más ligera, 2.18 unidades frente a 2.41; las ventas promocionadas son ahora el 30.16 % de la red. Una frase que llamaba a agosto el mes de promociones más fuerte del año fue retenida: ninguna consulta de esta ejecución comparó los meses, y la financiación de promociones no está en el modelo.

covers: Finding 1, Finding 2, Finding 3

— Ejecución: semanal, el modelo aprobado del espacio de trabajo, datos completos hasta 2026-09-20. Guard Ledger: held 1 — borrador del candidato f-03, motivo unproven_superlative (gate 4): el token strongest promotion month of the year no tenía detrás ninguna serie mensual consultada, una reescritura guiada todavía lo llevaba, y después retenido; not_selected 0; duplicate 0.

Recommendation 1

Desglosar las rebajas de Fresh Produce por formato de tienda y por hora del día para agosto, con las unidades de frescos al lado

based_on: Finding 1 · responsable: director de la categoría de frescos, con el director de operaciones de tienda

Si la rebaja añadida se concentra en las dos últimas horas comerciales y en el formato de proximidad, está impulsada por el desperdicio y la lee el responsable de reaprovisionamiento; si se reparte a lo largo del día, es una decisión de precio y la lee el responsable de precios. Ambos cortes están en este modelo y cuestan una consulta cada uno. El código de motivo de la rebaja no lo está — hasta que se añada, "desperdicio" e "inversión en precio" no pueden distinguirse a partir de los datos por sí solos.

Los findings en los que se apoya

Finding 1

Tijera de margen en Fresh Produce: ventas netas +9.82 % interanual mientras el margen bruto 27.39 % → 24.10 % de las ventas — rebajas 3.10 % → 5.70 % de las ventas de la categoría

severity highdirection downnovelty newtrust Adesglose PRODUCT_CATEGORY = Fresh Produce

Las ventas netas de Fresh Produce alcanzaron 10.40 M € en agosto de 2026 frente a 9.47 M € en agosto de 2025 (+9.82 %), con unidades vendidas +6.20 %. El margen bruto cayó de 2.594 M € a 2.506 M € (−3.39 %), de modo que la cuota de margen pasó del 27.39 % al 24.10 % — un cambio del −12.03 % en una métrica de ratio, 1.50× el umbral del 8 % — severity high. Las rebajas se duplicaron en importe (0.294 M € → 0.593 M €, +101.70 %) y su cuota de las ventas de la categoría subió del 3.10 % al 5.70 %. Fresh Produce es el 14.21 % de los 73.2 M € de ventas netas de la red en agosto; las ventas netas de la red crecieron +7.17 %, de modo que la categoría creció más que la red en la línea de ingresos mientras perdía en la línea de margen. Estos datos no pueden separar una inversión deliberada en precio de una rebaja de fin de día impulsada por el desperdicio — el código de motivo de la rebaja no está en este modelo.

Recommendation 2

Poner la profundidad de cesta en promoción en seguimiento semanal por grupo de categorías, y dejar de leer el crecimiento de las ventas promocionadas sin ella

based_on: Finding 3 · responsable: jefe de promociones

Las ventas netas promocionadas crecieron un 31.43 % mientras la profundidad de cesta en promoción caía un 9.54 %; la segunda cifra es la que el responsable del calendario de promociones necesita junto a la primera. Un seguimiento semanal por grupo de categorías mostrará si el adelgazamiento es general o se concentra en un grupo; el agente marcará el tema como ongoing en lugar de alertar de nuevo.

Los findings en los que se apoya

Finding 3

La promoción trae tráfico, no cesta: transacciones promocionadas +28.87 % interanual mientras la profundidad de cesta en promoción 2.41 → 2.18 unidades (−9.54 %) — cuota promocionada de las ventas netas 24.60 % → 30.16 %

severity highdirection downnovelty newtrust Ainterpretivedesglose PROMO_FLAG = On promotion

Las ventas netas promocionadas subieron de 16.8 M € a 22.08 M € (+31.43 %) y ahora suponen el 30.16 % de las ventas netas de la red, frente al 24.60 % anterior. Las ventas netas no promocionadas se mantuvieron planas (51.5 M € → 51.12 M €, −0.74 %, por debajo del umbral). Las transacciones promocionadas subieron de 1.94 M a 2.50 M (+28.87 %, 1.92× el umbral de finding del 15 % — severity high) mientras las unidades promocionadas subieron menos, de 4.675 M a 5.45 M (+16.58 %), de modo que la profundidad de cesta en promoción cayó de 2.41 a 2.18 unidades por transacción (−9.54 %, por encima del umbral de ratio del 8 %). El patrón sugiere que la promoción trae al cliente pero no le llena la cesta — esa frase es interpretive y está marcada como tal. Estos datos no pueden decir si la promoción se pagó a sí misma — la financiación de promociones no es una métrica de este modelo.

Publicado también en esta ejecución, sin ninguna recommendation que se apoye en él

Finding 2

Migración entre niveles de marca en Dry Grocery: unidades de marca propia +14.11 % interanual mientras las unidades de marca de fabricante −5.30 % — la marca propia es ahora el 35.33 % de las unidades de la categoría, ventas netas +2.10 %

severity highdirection upnovelty ongoingtrust Adesglose BRAND_TIER = Private label

Dry Grocery vendió 5.884 M de unidades en agosto de 2026 frente a 5.84 M un año antes (+0.75 %), pero los niveles se separaron: las unidades de marca propia subieron de 1.822 M a 2.079 M (+14.11 %) mientras las unidades de marca de fabricante caían de 4.018 M a 3.805 M (−5.30 %). La cuota de la marca propia en las unidades de la categoría pasó del 31.20 % al 35.33 % (+13.25 % en una métrica de ratio, 1.66× el umbral del 8 % — severity high, sin cambios respecto a la ejecución anterior). Las ventas netas de la categoría crecieron de 27.6 M € a 28.18 M € (+2.10 %); Dry Grocery es el 38.50 % de las ventas netas de la red. El precio medio unitario de la categoría pasó de 4.726 € a 4.789 € (+1.34 %), por debajo de cualquier umbral — el desplazamiento entre niveles no ha bajado el punto de precio de la categoría. El agente ya informó de esta migración en la ejecución anterior; está marcada como ongoing. Estos datos no pueden decir qué hizo la migración con el margen de la categoría — en este modelo el coste se mantiene a nivel de categoría, no por nivel de marca.

Lo que esta ejecución no pudo ver.

El código de motivo de la rebaja, la financiación de promociones y el coste por nivel de marca no están en este modelo. Si la migración hacia la marca propia es un trabajo deliberado de surtido o un cliente que baja de gama es algo que no puede leerse solo a partir de las unidades. El margen a nivel de tienda queda fuera del alcance de este agente por diseño — el Agente de Rendimiento de Tienda lee ventas y tráfico, no margen.

IlustrativoConjunto 2Agente de Rendimiento de Tienda
Persona
Lee las ventas comparables, el tráfico, la cesta, la conversión y la mano de obra programada de la misma cadena de 62 tiendas; distingue "la historia de una tienda" de "la historia de una región", y "menos clientes" de "cestas más pequeñas". · Audiencia: los directores regionales, el director de operaciones de tienda. · Tono: llano y operativo. · Idioma de salida: en
Señales que vigila
(1) Divergencia de ventas comparables — una región que se mueve en contra de la red, dividida en tráfico y valor de cesta. (2) Conversión — transacciones frente a afluencia, por formato, con el límite de datos propio del contador declarado. (3) Horas de mano de obra por cada 1,000 transacciones por formato. (4) Erosión de la cesta — unidades que caen mientras las transacciones se mantienen. (5) Concentración por tienda — un cambio que es de una tienda se dice como de una tienda.
Umbrales que se le dieron
finding 15 % · critical 40 % · métricas de ratio (conversión, valor de cesta, horas por cada 1,000 transacciones) 8 % · cuota mínima 1 % de las ventas netas de la red · regla de divergencia: una región que se mueve en contra de la red más de 5 puntos en ventas comparables es un finding, publicado como high cuando la región supone más del 10 % de las ventas netas de la red · regla de gravedad: medium cuando se cruza un umbral, high cuando una métrica de ratio se mueve más de 1.25× su umbral o una métrica de recuento más de 1.5× el umbral de finding, critical por encima del umbral crítico; un finding con una celda de desglose toma la gravedad del movimiento propio de la celda; un tema ongoing conserva la gravedad que se le asignó

Cabecera de la ejecución

  • Programado semanalmente, lunes 05:15, Europe/Amsterdam
  • Periodo: semanas 34–37 de 2026 (17 de agosto – 13 de septiembre, 28 días, cuatro de cada día de la semana) frente a los mismos 28 días de 2025 (18 de agosto – 14 de septiembre) — misma composición de días de la semana
  • Datos completos hasta 2026-09-20, medidos mediante max(SALE_DATE), hace 7 horas; el contador de afluencia se carga semanalmente y su límite es 2026-09-13
  • Alcance: el agente se ejecuta bajo el alcance de operaciones de tienda (las 62 tiendas, sin métricas de margen)
  • Modelo: el modelo aprobado del espacio de trabajo
  • Coste: registrado en la ejecución
  • Importes en EUR
Brief

Semanas 34–37 de 2026: ventas comparables +4.12 % mientras South-East −3.83 % por tráfico, conversión de hipermercados 63.81 % → 57.89 %, horas por cada 1,000 transacciones en proximidad +9.84 %

Franja de supuestos

Se usó una ventana de cuatro semanas (semanas 34–37) porque el calendario del agente es semanal; la ventana de comparación tiene la misma composición de días de la semana. El límite de datos del contador de afluencia (2026-09-13) va una semana por detrás del límite de ventas (2026-09-20). Los contadores de dos tiendas no devolvieron filas y quedan excluidos del ratio de conversión.

Las ventas comparables de la red crecieron un 4.12 % en las cuatro semanas, pero Region South-East cayó un 3.83 % en sus once tiendas, y la caída es de tráfico (−5.12 %) y no de cesta (+1.36 %); nueve de las once tiendas la muestran. En los hipermercados, la afluencia subió un 7.79 % mientras las transacciones caían un 2.20 %, llevando la conversión del 63.81 % al 57.89 % — no puede descartarse un cambio de conteo porque el indicador de exclusión del contador no está en el modelo. El formato de proximidad dedicó un 9.84 % más de horas programadas por cada 1,000 transacciones que hace un año, sobre ligeramente menos transacciones.

covers: Finding 1, Finding 2, Finding 3

— Ejecución: semanal, el modelo aprobado del espacio de trabajo, datos completos hasta 2026-09-20 (ventas) y 2026-09-13 (afluencia). Guard Ledger: held 0; duplicate 1 — el candidato f-04 (corte por distrito del descenso de South-East) se fusionó en el Finding 1 por la huella net_sales|w34-37|south-east; data state 1 — el sobre e5 (afluencia) devolvió 0 filas para dos contadores de hipermercado; not_selected 0.

Recommendation 1

Desglosar las once tiendas de South-East una por una para las semanas 34–37, transacciones y valor de cesta lado a lado, frente a las semanas de 2025 de cada tienda

based_on: Finding 1 · responsable: director regional, South-East

Nueve tiendas perdieron tráfico; el corte por tienda mostrará si dos o tres concentran la mayor parte o si la pérdida es uniforme. Ambas métricas están en este modelo a nivel de tienda y cuestan una consulta. Los datos de área de influencia y de competencia no están en el modelo; el director regional los lee junto al registro.

Los findings en los que se apoya

Finding 1

Divergencia regional: ventas comparables +4.12 % en toda la red mientras Region South-East −3.83 % en 11 tiendas — tráfico −5.12 %, valor de cesta +1.36 %

severity highdirection downnovelty newtrust Adesglose REGION = South-East

En las 58 tiendas comparables, las ventas netas de las semanas 34–37 alcanzaron 63.72 M € frente a 61.20 M € un año antes (+4.12 %). Region South-East se movió en sentido contrario: 10.877 M € frente a 11.31 M € (−3.83 %), en 11 tiendas que suponen el 16.33 % del total de 66.62 M € de la red (cuatro tiendas no comparables incluidas) — una divergencia de 7.95 puntos respecto a la red, por encima de la regla de divergencia de 5 puntos, en una región por encima del 10 % de las ventas: severity high. Ni el −3.83 % de la región ni su tráfico −5.12 % cruzan por sí solos el umbral de finding del 15 %; la regla de divergencia es lo que publicó este registro. El descenso es de tráfico, no de cesta: las transacciones de South-East cayeron de 1.412 M a 1.3397 M (−5.12 %) mientras el valor de cesta subía de 8.01 € a 8.12 € (+1.36 %). Nueve de las once tiendas muestran la pérdida de tráfico, así que esta es una historia regional, no la de una tienda. El corte por región y el corte por distrito devuelven las mismas filas en este parque de tiendas y no se presentan como dos piezas de evidencia. Estos datos no pueden decir adónde fue el tráfico — el modelo no contiene datos de competencia, de obras ni de área de influencia.

Recommendation 2

Poner la conversión de hipermercados en seguimiento semanal con la afluencia al lado, y pedir al responsable del modelo el indicador de exclusión del contador

based_on: Finding 2 · responsable: director de operaciones de tienda, con el responsable del modelo de datos

Una caída de la conversión con la afluencia al alza es o bien más gente mirando o bien un cambio de conteo, y los datos no pueden decir cuál hasta que el indicador de exclusión del contador (personal, entregas) esté en el modelo. Hasta entonces el seguimiento muestra la dirección; el indicador es un cambio en Data Studio, no un cambio en el agente.

Los findings en los que se apoya

Finding 2

Conversión de hipermercados a la baja mientras la afluencia sube: afluencia +7.79 % interanual, transacciones −2.20 %, conversión 63.81 % → 57.89 % (−9.27 %)

severity mediumdirection downnovelty newtrust Adesglose STORE_FORMAT = Hypermarket

Los 12 hipermercados (46.80 % de las ventas netas de la red) contaron 4.98 M de entradas en las semanas 34–37 frente a 4.62 M un año antes (+7.79 %), mientras sus transacciones caían de 2.948 M a 2.883 M (−2.20 %). La conversión — transacciones por entrada — pasó del 63.81 % al 57.89 % (2.883 M de 4.98 M de entradas frente a 2.948 M de 4.62 M), un cambio del −9.27 % en una métrica de ratio, 1.16× el umbral del 8 % — severity medium. Diez de las doce tiendas muestran la caída; dos contadores no devolvieron filas para el periodo y esas tiendas quedan excluidas del ratio (registrado como data state, no como finding). El contador cuenta todas las entradas, personal y no compradores incluidos, y se carga semanalmente — su límite es 2026-09-13, una semana por detrás del límite de ventas. Estos datos no pueden separar más gente mirando de un cambio de conteo; el indicador de exclusión del contador no está en este modelo.

Publicado también en esta ejecución, sin ninguna recommendation que se apoye en él

Finding 3

Intensidad de mano de obra en proximidad: horas programadas por cada 1,000 transacciones 27.40 → 30.10 (+9.84 %) mientras las transacciones −1.60 %

severity mediumdirection upnovelty newtrust Adesglose STORE_FORMAT = Neighbourhood

Las 50 tiendas de proximidad registraron 5.53 M de transacciones en las semanas 34–37 frente a 5.62 M un año antes (−1.60 %, por debajo del umbral de finding) mientras las horas de mano de obra programadas subían de 154,000 a 166,450 (+8.08 %). Las horas por cada 1,000 transacciones pasaron por tanto de 27.40 a 30.10 (+9.84 %, 1.23× el umbral de ratio del 8 % — severity medium). El formato de hipermercado no muestra ningún movimiento así. Se trata de horas programadas del sistema de gestión de personal, no de horas trabajadas — el registro horario no está en este modelo, de modo que las horas extra y el absentismo no pueden leerse aquí.

Lo que esta ejecución no pudo ver.

Adónde fue el tráfico de South-East; si el cambio del contador es real; las horas trabajadas frente a las horas programadas. El margen queda fuera del alcance de este agente por diseño.

IlustrativoConjunto 3Agente de Disponibilidad de Inventario
Persona
Lee la estrella de stock y la estrella de ventas de la misma cadena y construye la comparación en la frase — las dos no tienen puente; separa "el stock sube porque suben las ventas" de "el stock sube mientras caen las ventas", y lee los días-artículo de rotura de stock por categoría y formato. · Audiencia: los compradores de categoría, el jefe de reaprovisionamiento, el director de cadena de suministro. · Tono: llano; cada frase sobre stock nombra su mes, cada frase sobre ventas su ventana. · Idioma de salida: en
Señales que vigila
(1) Tijera stock–ventas — valor del stock a cierre de mes al alza mientras las unidades vendidas de la categoría caen. (2) Días de cobertura por categoría. (3) Días-artículo de rotura de stock como cuota de los días-artículo listados, por formato. (4) Mix de stock que diverge del mix de ventas. (5) Concentración del stock por tienda.
Umbrales que se le dieron
finding 15 % · critical 40 % · métricas de ratio (días de cobertura, cuota de rotura de stock) 8 % · cuota mínima 1 % del valor del stock de la red · tijera 10 puntos · regla de gravedad: medium cuando se cruza un umbral, high cuando una métrica de ratio se mueve más de 1.25× su umbral o una métrica de recuento más de 1.5× el umbral de finding, critical por encima del umbral crítico; un finding con una celda de desglose toma la gravedad del movimiento propio de la celda; un tema ongoing conserva la gravedad que se le asignó

Cabecera de la ejecución

  • Programado mensualmente el día 3, 05:30, Europe/Amsterdam
  • Periodo: cierre de agosto de 2026 frente a cierre de julio de 2026 para el stock; agosto frente a julio de 2026 para las ventas (31 días cada uno, 5 frente a 4 fines de semana — declarado, no corregido)
  • Datos completos hasta 2026-08-31 para el stock, medidos mediante max(STOCK_MONTH); hasta 2026-09-20 para las ventas, medidos mediante max(SALE_DATE), hace 8 horas
  • Alcance: el agente se ejecuta bajo el alcance de cadena de suministro (todas las tiendas, sin métricas de margen)
  • Modelo: el modelo aprobado del espacio de trabajo
  • Coste: registrado en la ejecución
  • Importes en EUR
Brief

Agosto de 2026: stock de Household & Cleaning +15.18 % mientras sus unidades vendidas −4.29 % (cobertura 41.33 → 49.74 días) — rotura de stock de Dairy en tiendas de proximidad 3.90 % → 6.40 %

Franja de supuestos

El stock se mide a cierre de mes y se compara mes a mes; las ventas de los mismos meses se comparan en la estrella de ventas. Las dos estrellas no tienen puente; cada comparación se construye en la frase. Seis tiendas de proximidad no tienen filas de escaneo de huecos para agosto y se registran como data state.

Household & Cleaning cerró agosto con 645,000 unidades en stock frente a 560,000 a finales de julio (+15.18 %), mientras la categoría vendió un 4.29 % menos unidades que en julio; los días de cobertura subieron de 41.33 a 49.74. La categoría es el 12.37 % del valor del stock de la red a cierre de mes. En las tiendas de proximidad, los días-artículo de rotura de stock de Dairy subieron del 3.90 % al 6.40 % de los días-artículo listados, medidos en las 44 tiendas que escanean a diario, mientras las unidades vendidas de Dairy bajaban un 2.10 %. La cifra de "capital inmovilizado" que escribió el agente fue retenida; el valor del stock que figura en el finding es la cifra con dirección.

covers: Finding 1, Finding 2

— Ejecución: mensual, el modelo aprobado del espacio de trabajo, stock completo hasta 2026-08-31, ventas hasta 2026-09-20. Guard Ledger: held 1 — borrador del candidato r-01, motivo numeric_provenance: el token about 0.45 M € (capital inmovilizado) no se resolvió a ningún sobre y no declaró ninguna operación; data state 1 — el sobre e4 (escaneo de huecos) devolvió 0 filas para seis tiendas de proximidad; not_selected 0; duplicate 0.

Recommendation 1

Desglosar el stock a cierre de mes de Household & Cleaning por clúster de tiendas para julio y agosto, y poner al lado las unidades vendidas en agosto de cada clúster

based_on: Finding 1 · responsable: comprador de categoría, Household & Cleaning

Si el stock añadido se concentra en unas pocas tiendas, es una cuestión de asignación; si es uniforme, es una cuestión de cantidad de pedido. Ambos cortes están en este modelo, en sus propias estrellas, y la comparación se escribe en la frase. El valor del stock que figura en el finding (2.858 M €) es la cifra con dirección; la estimación de "capital inmovilizado" que redactó el agente no lo era.

Los findings en los que se apoya

Finding 1

Tijera stock–ventas en Household & Cleaning: unidades en stock +15.18 % intermensual mientras las unidades vendidas −4.29 % — brecha de 19.46 puntos; días de cobertura 41.33 → 49.74

severity highdirection upnovelty newtrust Adesglose STOCK_CATEGORY = Household & Cleaning

El stock a cierre de mes de Household & Cleaning subió de 560,000 unidades (2.41 M €) a finales de julio a 645,000 unidades (2.858 M €) a finales de agosto (+15.18 % en unidades, +18.59 % en valor). Del lado de las ventas, las unidades vendidas de la categoría cayeron de 0.42 M en julio a 0.402 M en agosto (−4.29 %). La brecha entre el cambio del stock y el cambio de las ventas es de 19.46 puntos porcentuales, por encima del umbral de tijera de 10 puntos. Los días de cobertura — unidades en stock sobre el ritmo diario de ventas del mes — pasaron de 41.33 a 49.74 (+20.34 %, 2.54× el umbral de ratio del 8 % — severity high). La categoría supone el 12.37 % de los 23.1 M € de valor del stock de la red a cierre de mes. La categoría de stock y la categoría de ventas llevan nombres parecidos pero son dos dimensiones en dos estrellas sin relación definida; la comparación se construye en esta frase y no mediante un join. Estos datos no pueden decir si el stock vino de una entrega grande o de una venta más lenta en unas pocas tiendas — el calendario de entregas no está en este modelo.

Recommendation 2

Poner la tasa de rotura de stock de Dairy en seguimiento diario por día de la semana y por tienda, y pedir al responsable del modelo un indicador de cobertura del escaneo de huecos

based_on: Finding 2 · responsable: jefe de reaprovisionamiento, con el responsable del modelo de datos

Un corte por día de la semana mostrará si los huecos se concentran en los días de entrega o entre ellos. Las seis tiendas sin filas de escaneo deben verse como ausentes, no como cero: un indicador de cobertura en el modelo es la vía, y es un cambio en Data Studio.

Los findings en los que se apoya

Finding 2

Rotura de stock de Dairy en tiendas de proximidad: 3.90 % → 6.40 % de los días-artículo listados (+64.01 %) mientras las unidades vendidas de Dairy −2.10 %

severity criticaldirection upnovelty newtrust Adesglose PRODUCT_CATEGORY = Dairy × STORE_FORMAT = Neighbourhood

En las 44 de las 50 tiendas de proximidad que escanean huecos a diario, Dairy registró 103,000 días-artículo de rotura de stock en agosto frente a 62,800 en julio, sobre 1,609,520 días-artículo listados (1,180 artículos listados × 44 tiendas que escanean × 31 días): la tasa pasó del 3.90 % al 6.40 %, un cambio del +64.01 % en una métrica de ratio, por encima del umbral crítico del 40 % — severity critical. Dairy es el 9.80 % de las ventas netas de la red, y sus unidades vendidas cayeron de 2.86 M a 2.80 M (−2.10 %, por debajo del umbral de finding). Seis tiendas de proximidad no tienen filas de escaneo de huecos para agosto y están ausentes de la tasa; esto se registra como data state. Estos datos no pueden separar la tasa de servicio del proveedor del reaprovisionamiento de la tienda — las líneas de entrega de proveedor no están en este modelo.

Lo que esta ejecución no pudo ver.

El calendario de entregas, la tasa de servicio de los proveedores y la cobertura del escaneo de huecos de seis tiendas. Stock y ventas no comparten ninguna dimensión; si los mismos artículos tienen exceso de stock y rotura a la vez es algo que no puede preguntarse a este modelo.

Cada cifra lleva una dirección

En el producto cada cifra se vincula a una dirección de evidencia — sobre, fila, celda, dígito de control — y una cifra sin ella se retiene, no se publica. La anatomía de un registro →

Las cifras derivadas muestran su operación

Una variación, una cuota o una brecha la calcula el engine y lleva sus operandos; el modelo nunca divide. Cómo se demuestra cada cifra →

La gobernanza de IA es la capa de publicación

Ocho gates deterministas, el nivel de trust, la interpretación marcada con insignia, una franja de supuestos que no se puede desactivar y el Guard Ledger. Dónde puede llegar el modelo y dónde no →

Preguntas frecuentes

Cuatro preguntas que suelen hacerle a esta página

01Nuestra instantánea de stock es mensual y nuestras ventas son diarias. ¿Puede el agente compararlas igualmente?

Sí, y dice cómo: a cada estrella se le pregunta en su propio nivel de detalle, y la comparación se construye en la frase, nunca con un join que el modelo no tiene.

02¿Ve el agente a los socios del programa de fidelización?

No. La identidad del socio está marcada como personal; el corte permitido más cercano es un segmento.

03¿Qué pasa si el contador de una tienda está averiado?

La tienda queda excluida del ratio y se registra como data state — no se cuenta como cero, no se convierte en un finding.

04¿Puede distinguir precio de mix?

Solo hasta donde el desglose lo permite. Donde el precio a nivel de SKU no está en el modelo, el finding dice que los dos no pueden separarse.

Estudio gratuito de descubrimiento de datos

Vea cuáles de estas señales puede sostener su propio warehouse.

Envíenos el nombre de su plataforma de datos y el área de negocio sobre la que más discuten. Leemos su modelo semántico con usted y respondemos por escrito: cuáles de las señales de esta página sostiene hoy su modelo, cuáles necesitan un cambio en Axoria Data Studio y qué mediría un piloto de cuatro semanas. Sin coste, sin secuencia — una persona responde en dos días laborables.

Solicite un estudio gratuito de descubrimiento de datos → Iniciar un piloto de 4 semanas

Lo que asumen los ejemplos

Los datos, el modelo y las medidas detrás de los tres conjuntos

Nada en un conjunto se apoya en una fuente ajena al modelo descrito aquí. Abra lo que quiera conciliar.

01Fuentes de datos asumidas — datos que una cadena minorista ya tiene

Transacciones de POS (a nivel de línea, diarias), el sistema de merchandising (maestro de artículos, árbol de categorías, coste, precio de lista, indicador de promoción), la instantánea de stock de almacén y tienda (mensual o diaria), el calendario de promociones, los contadores de afluencia (cargas semanales), la gestión de personal (horas programadas por tienda), el programa de fidelización (nunca por persona en el modelo — por segmento). Nivel de detalle típico del warehouse: una fila por línea de ticket, agregada a día × tienda × artículo.

02Modelo semántico asumido — el mínimo para las tres personas
Medidas
net_sales · gross_sales · units_sold · transaction_count · gross_margin (coste a nivel de artículo o de categoría) · markdown_amount · net_sales / units / transactions promocionados (mediante el indicador de promoción) · basket_depth (derivado por el engine: units_sold / transaction_count) · average_unit_price (derivado por el engine: net_sales / units_sold) · footfall · conversion (derivado por el engine: transaction_count / footfall) · labour_hours (programadas) · stock_units · stock_value · out_of_stock_item_days · listed_item_days · days_of_cover (derivado por el engine).
Dimensiones
fecha de venta · tienda · formato de tienda (hipermercado / proximidad) · región · grupo de categorías · categoría de producto · nivel de marca (marca propia / de fabricante) · indicador de promoción · hora del día · mes de stock · categoría de stock · tienda de stock. Marcados como personales y nunca desglosados por: socio del programa de fidelización, cajero.
Frontera de datos
medido por el engine mediante max(SALE_DATE) para la estrella de ventas y max(STOCK_MONTH) para la estrella de stock; el modelo declara ambos, y las dos estrellas no tienen puente — las comparaciones se construyen en la frase.
03KPI asumidos — lo que siguen los directivos del comercio minorista
KPIDefiniciónUnidadBanda típicaDesglose habitual
Crecimiento de ventas comparablesVariación interanual de ingresos en tiendas abiertas ≥ 12 meses%específico de cada empresatienda · región
Ventas por metro cuadradoventas netas / superficie de ventamoneda/m²comercio especializado 300–500 $ por pie cuadrado [proveedor]tienda · categoría
Margen bruto(ventas − coste de las mercancías) / ventas%supermercados independientes 27.9 % ejercicio 2025 [asociación]categoría · tienda
Margen netoresultado neto / ventas%alimentación ≈ 2.1 % ejercicio 2025 [asociación]enseña · tienda
Rotación de inventariocoste de las mercancías / inventario mediorotaciones/añoalimentación 10–17; moda 4–6 [proveedor]categoría · tienda
Merma(inventario contable − físico) / ventas% de las ventas1.6 % de media [asociación, vía fuente secundaria]tienda · categoría
Tamaño de cesta / valor medio de transacciónventas / transaccionesmonedaespecífico de cada empresatienda · franja horaria
Tasa de conversióntransacciones / afluencia%depende del contador; sin banda públicatienda · hora
Rentabilidad del margen bruto sobre el inventariomargen bruto / coste medio del inventarioratioobjetivo 2.0–3.5 [proveedor]categoría
Disponibilidad en lineal / tasa de rotura de stockartículos en stock / artículos listados%92–95 % típico, 95–98 % fuerte [investigación]tienda · categoría
Cuota del coste de personal sobre las ventasnómina / ventas%específico de cada empresatienda · departamento
Cuota de rebajasimporte de rebajas / ventas brutas%específico de cada empresacategoría · temporada
Tasa de devolucionesdevoluciones / ventas%15.8 % todos los canales 2025 [asociación]categoría · canal
Cuota promocionada de las ventasventas netas promocionadas / ventas netas%específico de cada empresagrupo de categorías · tienda

Relacionado

Adónde llevan estas páginas

Los departamentos a los que pertenecen estos perfiles

En este sitio