BI conversacional

El BI conversacional (business intelligence conversacional) es la forma de explorar datos preguntando en lenguaje natural, igual que le escribirías a una persona: "¿Cuánto vendimos en el AMBA el mes pasado?" o "Mostrame el margen por sucursal". En lugar de armar un reporte o pedírselo a alguien de sistemas, escribís (o dictás) la pregunta y el sistema devuelve la cifra, la tabla o el gráfico que la responde, junto con una explicación legible.

Por debajo, un modelo de lenguaje interpreta tu intención, la traduce a una consulta sobre tus datos (ver text-to-SQL) y la corre contra una capa semántica que sabe qué significa "venta", "margen" o "cliente activo" en tu empresa. Esa capa es lo que evita que dos preguntas iguales devuelvan números distintos. El BI conversacional es parte de lo que ordena Metrix, la analítica que organiza tus datos para que cualquiera del equipo pueda consultarlos.

A diferencia del dashboard clásico (paneles fijos que alguien diseñó de antemano), acá la pregunta manda: explorás libremente, profundizás sobre la marcha y no dependés de que exista el reporte exacto que necesitás.

Por qué apareció

Durante años, acceder a los datos tuvo un cuello de botella: el negocio tenía las preguntas y el equipo técnico tenía las herramientas. Un gerente comercial quería saber por qué cayó la facturación en Cuyo, abría un ticket, esperaba dos días y recibía un reporte que casi respondía la pregunta, pero no del todo. Esa fricción mata la cultura de datos: la gente deja de preguntar. El BI conversacional ataca justamente ese cuello de botella al poner la consulta de datos al alcance de cualquier persona que sepa formular una pregunta de negocio, sin intermediarios ni SQL.

Cómo funciona, paso a paso

El recorrido de una pregunta tiene una secuencia bastante consistente entre plataformas:

1. Escribís la pregunta en lenguaje natural ("¿Cuál es el ticket promedio por canal este trimestre?").
2. El sistema la interpreta con un modelo de lenguaje, que detecta la métrica (ticket promedio), la dimensión (canal) y el filtro de tiempo (este trimestre).
3. Resuelve esos términos contra la capa semántica: el diccionario de negocio que define cómo se calcula "ticket promedio" y qué tablas representan cada cosa.
4. Genera la consulta (proceso de text-to-SQL) y la ejecuta sobre el data warehouse o la fuente conectada.
5. Devuelve el resultado en el formato más legible: una cifra, una tabla, un gráfico, y muchas veces un resumen en palabras.

La pieza menos visible y más importante es la tercera. Sin una capa semántica sólida, el modelo "adivina" qué tabla usar y termina inventando relaciones que no existen (un riesgo real de alucinación en estos sistemas). Con ella, las respuestas son consistentes y auditables.

BI conversacional frente al dashboard tradicional

No son enemigos: se complementan. El dashboard es ideal para las métricas que mirás todos los días (siempre las mismas); el BI conversacional brilla cuando aparece una pregunta nueva que ningún panel previó. La diferencia se ve clara así:

En la práctica, una empresa madura usa dashboards para vigilar y BI conversacional para investigar cuando un número del dashboard se sale de lo normal.

Ejemplo concreto (Argentina)

Una distribuidora de Consumo Masivo con depósitos en Buenos Aires, Rosario y Mendoza venía mirando un panel de ventas semanal. Una semana, el gerente regional nota una caída en Mendoza y, en vez de pedir un reporte, escribe: "Compará las ventas de Mendoza de esta semana contra el mismo período del año pasado, abierto por categoría". En segundos descubre que la baja se concentra en bebidas y que coincide con un quiebre de stock de una marca clave. Repregunta: "¿Qué SKU de bebidas tuvieron quiebre en Mendoza esta semana?" y arma el pedido de reposición esa misma tarde. Sin BI conversacional, esa cadena de tres preguntas habría sido tres tickets y varios días.

Errores comunes al adoptarlo

• Saltearse la capa semántica. Conectar la herramienta directo a las tablas crudas y esperar magia: sin definiciones de negocio, las respuestas son inconsistentes y peligrosas para decidir.
• Confiar a ciegas. El BI conversacional es asistente, no oráculo. Conviene que muestre la consulta que generó y la fuente, para poder verificar (gobierno de datos antes que velocidad).
• Datos sucios de base. Si tu data quality es mala, el lenguaje natural solo hace más rápido el camino a una conclusión equivocada.
• Pensarlo como reemplazo total del análisis. Resuelve el grueso de las preguntas operativas, pero el análisis profundo de un científico de datos sigue teniendo lugar.

Por qué importa para un negocio

El valor no es tecnológico, es cultural: democratiza el acceso a los datos. Cuando preguntar cuesta cero, la gente pregunta más, decide con evidencia y deja de operar por intuición. Esa es la promesa del self-service analytics, del que el BI conversacional es hoy la expresión más natural. La condición para que funcione siempre es la misma: una base de datos ordenada y una única definición de cada métrica, para que la respuesta rápida sea, además, la respuesta correcta.