RetailMax España tenía ventas, stock y clientes repartidos en cinco sistemas distintos, sin una sola vista conjunta. Esto es lo que construimos sobre Microsoft Fabric — y lo que costó de verdad, sin adornos.
RetailMax es una cadena minorista con 87 tiendas físicas en España y un canal online activo. Como en la mayoría de operaciones de este tamaño, cada área había resuelto su propio problema por separado — y nadie tenía la foto completa.
Barra proporcional al volumen de datos. El TPV en tienda concentra el 83% del total — el primer dato que cambia cualquier plan de capacidad.
Lo que pedían no era un informe más. Era poder responder, en el momento, a tres preguntas que hoy tardaban días en resolverse: ¿cómo van las ventas por tienda y por canal? ¿dónde hay quiebre de stock antes de que sea tarde? ¿qué clientes se están alejando, y por qué?
El mismo recorrido que seguimos con cualquier cliente de este tamaño: primero saber cuánto cuesta y qué capacidad hace falta, después construirlo sobre datos reales, y por último dejarlo funcionando con un plan de vigilancia — no solo un dashboard bonito el día de la entrega.
Antes de escribir una sola línea de pipeline, dimensionamos la capacidad de Fabric contra el volumen de datos real de RetailMax — no una tabla de precios genérica. El resultado se le entrega al cliente por escrito, con el coste mensual real, antes de decidir nada.
SKU F8 · 8 CU · €1.256 / mes · 797 GB estimadosArquitectura medallion (Bronze → Silver → Gold) sobre Fabric, con validación de calidad en cada capa, alimentando un modelo semántico Direct Lake — Power BI lee los datos en producción sin esperar un refresco. Encima, cuatro dashboards y visuales asistidos por IA que señalan patrones sin que nadie tenga que ir a buscarlos.
6 cargas nocturnas · 00:30–06:00 · validación en cada pasoLa app nativa de monitorización de Fabric mide consumo, almacenamiento y saturación en tiempo casi real. Somos claros con el cliente sobre lo que no hace de fábrica — no genera alertas automáticas por sí sola — y dejamos montada una cadencia de revisión con responsable asignado.
Revisión diaria · semanal · mensualCuatro dashboards en producción, cada uno resolviendo una de las preguntas que antes tardaban días. Capturas reales de la plataforma en producción — clic para ampliar.
En cumplimiento de nuestras políticas de seguridad de la información y de los compromisos de confidencialidad asumidos con el cliente, el nombre de la empresa, así como los datos y bases de datos mostrados en este caso, han sido modificados y anonimizados. La naturaleza y magnitud de los resultados reflejan fielmente el trabajo realizado.
Ventas por tienda, región y categoría, con la comparativa interanual que no depende de un filtro de fecha.
Captura real · clic para ampliarQuiebres de stock visibles por tienda y categoría, con el árbol de descomposición señalando dónde se concentra el riesgo.
Captura real · clic para ampliarComparación de canal apoyada en ticket medio por categoría — la métrica que sí resultó fiable, tras descartar una de margen que no lo era.
Captura real · clic para ampliar2.840 clientes segmentados, con IA señalando qué perfil se está yendo — canal Referido y edad 30–44 son los de mayor riesgo.
Captura real · clic para ampliarLa diferencia entre un informe y una vista de negocio: lo segundo señala el problema antes de que preguntes.
El canal Referido tiene 13,5% de inactividad — el canal que más capta también es el que más pierde.
Los clientes de 30–44 años concentran 12,7% de riesgo de fuga, el segmento de edad más expuesto.
La cuota de clientes VIP va de 5,8% en Madrid a 13,4% en C. Valenciana e Islas Baleares — misma cadena, comportamiento muy distinto por región.
Además del dashboard, cada área recibió un informe de insights listo para compartir con dirección — sin que nadie tuviera que interpretar un gráfico primero.
Rendimiento por tienda, región y categoría, con la comparativa interanual explicada en cifras.
Quiebres por tienda y SKU, priorizados por categoría e impacto en venta perdida.
Online vs. tienda física, con el ticket medio como métrica de comparación fiable.
2.840 clientes segmentados, con los factores de riesgo de fuga explicados por IA.
Ninguna cifra de esta sección es una promesa contractual. Son rangos estimados, basados en patrones habituales de optimización sobre arquitecturas medallion en Fabric, aplicados al perfil de datos real de RetailMax.
| Palanca | Por qué aplica | Estimado |
|---|---|---|
| Carga incremental en TPV | El TPV es el 83% del volumen y hoy se reprocesa por completo cada noche. | 15–30% CU nocturno |
| Reframe automatizado | Sustituye el disparo manual tras cada carga por un trigger automático. | Mejora frescura |
| Autoscale de Spark | Evita sobre-aprovisionar capacidad en las noches de menor volumen. | 5–15% cómputo |
| Poda de particiones | Reduce el volumen escaneado por consulta a medida que crece el histórico. | 10–20% tiempo notebook |
El ahorro real depende de la implementación y del comportamiento de uso una vez en producción — y escalar la capacidad (F8 → F16) solo tiene sentido si los datos de consumo lo piden, nunca por delante de la demanda.
Si tienes ventas, stock o clientes repartidos en más sistemas de los que puedes contar de memoria, probablemente reconoces el punto de partida. Hablemos de qué necesitaría tu caso — empezando, como con RetailMax, por saber cuánto cuesta de verdad antes de construir nada.
Escríbenos →