Cómo analizar un catálogo de miles de SKU sin ahogarte en el detalle

Un catálogo de miles de SKU rompe los tableros de una forma particular: si muestras el detalle, nadie lo lee; si lo agregas, esconde justo lo que importa. Ocho mil renglones ordenados por venta son técnicamente correctos y prácticamente inútiles.

El problema no es de herramienta. Es que un catálogo amplio requiere decidir qué preguntas vale la pena hacerle, y la mayoría de los tableros de surtido no decidieron ninguna: muestran todo por si acaso.

Las cuatro preguntas que un catálogo grande sí puede responder

Con miles de SKU, cuatro preguntas cubren casi todas las decisiones de surtido:

1. ¿Qué concentra mi venta? El clásico análisis ABC. Es casi seguro que un porcentaje pequeño de tus SKU concentra la mayoría de la venta, y el valor no está en confirmarlo — está en ver qué SKU se mueven de grupo entre periodos. Un producto que pasó de A a B merece una conversación; la lista completa de productos A no.

2. ¿Qué está muerto? El SKU sin venta en 60 o 90 días, por tienda. Esta es la lista más accionable de todo el análisis de surtido y la que menos se construye, porque requiere razonar sobre la ausencia de transacciones, y las ausencias no aparecen en un reporte de ventas: solo aparecen si comparas contra el catálogo activo.

3. ¿Qué está canibalizando qué? Dos presentaciones del mismo producto compitiendo por el mismo espacio. Requiere una jerarquía de producto que sepa que son variantes del mismo artículo.

4. ¿El surtido correcto está en la tienda correcta? La pregunta más rentable y la más difícil. Un SKU que es A en una plaza puede ser C en otra, y un surtido uniforme desperdicia espacio en las dos.

Cualquier tablero que no responda al menos dos de estas cuatro está mostrando datos, no habilitando decisiones.

Por qué la jerarquía de producto es todo el trabajo

Aquí está el cuello de botella real, y no es visual.

Un catálogo grande solo es analizable si tiene niveles limpios: departamento, categoría, subcategoría, línea, artículo, variante. Con esa jerarquía, un tablero de 8,000 SKU se navega en cuatro clics. Sin ella, es una lista plana y no hay diseño que la salve.

Los tres problemas que aparecen siempre:

• El mismo producto con dos identificadores porque se dio de alta dos veces, o porque el sistema de comercio y el punto de venta lo nombran distinto.
• Categorías inconsistentes: el mismo artículo clasificado en dos lugares según quién lo capturó.
• Variantes tratadas como productos independientes, lo que hace imposible ver el desempeño del artículo real.

Esto no se arregla en el tablero. Se arregla en el modelo de datos, antes — es la capa 2 de cómo trabajamos con datos en retail y la razón por la que la unificación de catálogo aparece antes que la analítica en toda secuencia que funciona. El caso de Metro en Singapur es un buen ejemplo de lo que se encuentra cuando la jerarquía está limpia: descubrieron que sus clientes casi no compraban medias tallas de calzado, algo que solo se ve si las tallas están modeladas como variantes del mismo artículo.

Las técnicas de visualización que sí aguantan volumen

Con la jerarquía resuelta, la parte visual tiene reglas concretas.

Empieza siempre agregado, con el detalle a un clic. El primer nivel es departamento o categoría. El SKU individual nunca es la vista de entrada. Esto no es preferencia estética: es que la vista de entrada define qué pregunta cree el usuario que el tablero responde.

Usa el ranking, no la lista. Los 20 que más suben, los 20 que más caen, los 20 sin movimiento. Tres listas de 20 dicen más que una de 8,000, y son las tres que generan acción.

El mapa de árbol para composición, con moderación. Sirve para ver de un golpe qué categorías pesan más, y deja de servir cuando hay demasiados rectángulos diminutos. Si no puedes leer las etiquetas, agrega un nivel más arriba.

Nada de gráficos circulares para composición de catálogo. Con más de cinco o seis categorías el ojo no compara ángulos, y con un catálogo grande vas a tener muchas más. Las razones están en por qué no usar gráficos circulares.

Usa color para desviación, no para identidad. Con miles de artículos no hay paleta que alcance para darle un color a cada uno. El color tiene que codificar qué tan lejos está del comportamiento esperado —arriba o abajo del plan, creciendo o cayendo— no qué producto es.

Los errores que más se repiten en este tipo de tablero están en 10 errores comunes en visualización de datos.

El error más caro: el filtro como interfaz

Un tablero de catálogo grande con ocho filtros vacíos en la parte superior le entrega al usuario el trabajo que el diseño debía hacer.

La prueba es sencilla: si el tablero no dice nada útil antes de que alguien configure un filtro, no está terminado. Debe abrir con un hallazgo —los que caen, los que se estancaron, la categoría que perdió participación— y usar los filtros para explorar ese hallazgo, no para producirlo.

Un comprador de categoría tiene una pregunta específica y quince minutos. Un tablero que le pide construir su propia consulta lo devuelve a Excel, que ya conoce.

Dónde ayuda la capa semántica con catálogo amplio

Con miles de SKU, las definiciones se multiplican más rápido que los productos: sell-through, rotación, margen, participación, cobertura. Cada una tiene dos o tres variantes posibles según qué se incluya.

Si esas definiciones viven en cada tablero, en un año tienes cuatro versiones de “rotación” y ninguna conversación posible sobre cuál es la correcta. Si viven en una capa semántica, cualquier consulta las hereda — y eso incluye las que haga un agente de IA cuando alguien pregunte “¿qué SKU debería descontinuar?”.

Es una de las razones por las que Omni encaja bien en surtido: permite definir jerarquías de producto, agrupaciones de tienda y reglas de precio una sola vez, y que el analista siga teniendo SQL cuando la pregunta se sale del modelo. El contexto está en qué es una capa semántica.

Por dónde empezar

Si tienes un catálogo grande y ningún análisis de surtido funcionando, el orden que funciona:

1. Audita la jerarquía primero. Cuenta cuántos SKU tienen categoría vacía o inconsistente. Ese número es tu punto de partida real, y suele sorprender.
2. Construye una sola lista: SKU sin venta en 90 días por tienda. Es la más fácil y la que produce la primera decisión.
3. Después el ABC con movimiento entre periodos. No el ABC estático.
4. Al final, el análisis por plaza. Es el más valioso y necesita las tres anteriores funcionando.

---

En EGOS BI trabajamos surtido de catálogos amplios en retail: modelado de jerarquía de producto sobre Snowflake y analítica con Tableau u Omni, diseñada para el comprador de categoría y para el gerente de tienda. Si tu tablero de surtido tiene ocho filtros y nadie lo abre, agenda un diagnóstico — o revisa cómo trabajamos con datos en retail.