Agente de Reportes de Negocio

Desafío

Un propietario de negocio tomaba decisiones a ojo porque reunir los datos reales llevaba demasiado tiempo. GA4, WooCommerce, el CRM y una hoja de cálculo de ingresos vivían cada uno en una pestaña distinta. Cruzarlos para responder "¿cómo fue ayer?" llevaba entre 25 y 30 minutos, cuando llegaba a hacerse. Señales importantes — un pico de tráfico sin conversiones equivalentes, un lote de carritos abandonados, un lead del CRM que se enfriaba — se pasaban por alto por completo.

Opciones consideradas

1. Panel de BI (Looker Studio, Metabase) — resolvía el problema de agregación de datos pero seguía exigiendo que el propietario lo abriera, interpretara los gráficos y decidiera sobre qué actuar. Sin envío proactivo, sin narrativa.
2. Informe semanal manual a cargo de un asistente virtual — añadía coste de mano de obra y retraso; la cadencia diaria no era viable.
3. Agente de IA que extrae, interpreta y narra los datos — elegido. Entrega cada mañana un resumen escrito a Telegram o correo con las cifras, las anomalías y acciones recomendadas específicas — sin panel que abrir.

Decisión

El agente se ejecuta con una programación matutina. Extrae los datos de ayer de GA4 (sesiones, conversiones, principales fuentes), WooCommerce (ingresos, pedidos, carritos abandonados), el CRM (nuevos leads, movimientos de negociaciones) y cualquier hoja de cálculo conectada. Identifica anomalías — métricas que se desvían más de una desviación estándar respecto al promedio de 30 días — y genera un resumen en lenguaje claro con entre tres y cinco acciones recomendadas. El resumen se envía a Telegram y/o correo.

Implementación

Un programador en Python activa la recolección diaria de datos a través de la GA4 Data API, la API REST de WooCommerce, la API del CRM y la API de Google Sheets. Las cifras en bruto se pasan a GPT-4 con un prompt estructurado que indica al modelo identificar tendencias, señalar anomalías y producir recomendaciones accionables clasificadas por impacto potencial.

La detección de anomalías usa una línea base móvil de 30 días calculada en el momento de la recolección — no se requiere un modelo de ML independiente. El informe final se formatea como un mensaje conciso de Telegram con encabezados en negrita y viñetas, optimizado para leerse en un teléfono en menos de 90 segundos.

Resultado

El tiempo de revisión diaria bajó de 30 minutos (cuando sucedía) a 90 segundos (todos los días). Dos anomalías con impacto en los ingresos — un formulario de pago roto y un aumento de devoluciones en una línea de producto — se detectaron en 24 horas en lugar de descubrirse en una revisión semanal. La toma de decisiones pasó de reactiva a proactiva.