Análisis Automático de Oportunidades Perdidas con Make

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 30-45 minutos tendras:

✓ Automatizar la ingestión y normalización de registros CRM
✓ Generar diagnósticos estructurados de motivos de pérdida
✓ Producir recomendaciones operativas y métricas para la dirección

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Acceso administrativo a Make con permisos para crear escenarios y conectores HTTP/CRM.

Obligatorio Exportación accesible de datos de oportunidades perdidas desde tu CRM (CSV, API o webhook).

Recomendado Plantilla estándar interna de win/loss con campos: ID, responsable, monto, producto, fecha, notas comerciales.

Recomendado Cuenta de un modelo LLM con capacidad de análisis (ej. GPT-5) integrada en Make o accesible vía API.

Transferencia internacional de datos: Make procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Soluciones LogiTech SA, sector software logístico — el problema real

El equipo de ventas pierde oportunidades recurrentes sin un patrón claro y la dirección no recibe análisis accionable. Las lecciones quedan en hojas de cálculo sin seguimiento.

Con Make y el prompt de este tutorial, puede resolver este reto en 30-45 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

Make
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: Make integra fuentes y orquestación sin código, permitiendo encadenar extracción de CRM, enriquecimiento con IA y distribución de resultados. Su capacidad de ejecutar flujos programados y webhook facilita incorporar estas salidas en procesos de seguimiento directivo.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Tienes volumen mensual alto de oportunidades y notas variabilidad en causas de pérdida Deseas convertir notas cualitativas en métricas accionables para estrategia comercial Necesitas reportes periódicos automáticos para Comité de Dirección	Tienes menos de 5 pérdidas mensuales y análisis ya se hace manualmente con alta calidad Buscas auditoría legal o revisión documental profunda que requiere intervención humana especializadas Solo quieres un análisis puntual y no planeas integrar resultados en sistemas operativos

Paso 01

Preparar fuente de datos y campos clave

Identifica y exporta los registros de oportunidades perdidas desde tu CRM o base de datos. Normalizar campos reduce ruido en el análisis y mejora la precisión del LLM.

1
Extraer registros desde CRM Genera una exportación o configura un webhook en Make para recibir automáticamente oportunidades con estado 'Perdida'. Incluye ID, responsable, monto, producto, fecha, notas comerciales y motivo si existe.
2
Estandarizar campos Mapea las columnas a nombres constantes (ej. acuerdo_id, responsable, valor, producto, fecha_cierre, notas_vendedor). Esto evita ambigüedades cuando Make normalice y envíe datos al modelo.
3
Filtrar ruido y duplicados Elimina registros incompletos o duplicados que distorsionan análisis cuantitativos. Para empresas como 'Soluciones LogiTech SA' un 10% de duplicados puede falsear prioridades.

Checkpoint: Tienes un feed o CSV limpio con registros perdidos normalizados y columnas estandarizadas listo para ingesta en Make.

Paso 02

Construir escenario en Make: ingestión y preprocesado

Crea en Make un escenario que reciba la fuente, aplique transformaciones y prepare los paquetes de texto que se enviarán al modelo. Un buen preprocesado eleva la calidad del output.

1
Crear trigger de recepción Configura un módulo que reciba CSV, conexión CRM o webhook. Establece programaciones (diaria/semanal) según ritmo de negocio.
2
Normalizar y concatenar campos Usa módulos de transformación para limpiar texto, corregir fechas y concatenar notas relevantes en un solo campo 'contexto_comercial' que el LLM procesará.
3
Enriquecer con metadatos Añade etiquetas internas: segmentación por vertical, tamaño cliente, responsable, y score inicial de prioridad. Estos metadatos aumentan la capacidad del modelo de correlacionar causas.

Checkpoint: El escenario de Make produce paquetes JSON por oportunidad con campos normalizados y un campo 'contexto_comercial' listo para análisis IA.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat del LLM integrado en Make o en la llamada API y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[ACUERDO_ID]Identificador único de la oportunidad (ej: AC-2026-045)

[RESUMEN_COMERCIAL]Texto concatenado de las notas del vendedor: contexto, objecciones del cliente, decisiones y comunicaciones clave.

[RAZONES_PIERDE]Listado de razones puestas por el vendedor o la cuenta (ej: precio, falta de integración, tiempo de implantación, competencia X).

Prompt principal — Análisis Win/Loss con Make Eres un analista ejecutivo especializado en win/loss para equipos comerciales. Recibirás datos de una oportunidad perdida y debes devolver un informe estructurado y accionable para la Dirección Comercial. Toma en cuenta contexto, notas del vendedor y metadatos. Output requerido en formato JSON con estas secciones: 1) resumen_ejecutivo (máx. 6 líneas); 2) causas_primarias (lista priorizada con 3 causas, justificar cada una en 1-2 frases); 3) señales_indicadoras (lista de hasta 5 indicadores textuales tomados de las notas que apoyan cada causa); 4) impacto (estimación cuantitativa del impacto en ventas trimestrales y anual, si no hay cifra usa 'estimado' y explica la asunción); 5) recomendaciones (lista de acciones específicas de ownership, prioridad y plazo: inmediata/30d/90d); 6) cambios_operativos (2-3 cambios procesables para el equipo comercial o producto); 7) métricas_para_monitorizar (3 KPIs que permitirán evaluar si la recomendación funcionó); 8) confidence_score (0-100) y breve explicación de la confianza. Recibe los siguientes datos: acuerdo_id: [ACUERDO_ID]; responsable: [RESPONSABLE]; producto: [PRODUCTO]; valor_usd: [VALOR]; fecha_cierre: [FECHA_CIERRE]; notas: [RESUMEN_COMERCIAL]; razones_reportadas: [RAZONES_PIERDE]; metadatos: [METADATOS]. Prioriza claridad ejecutiva y acciones con dueño. Enumera las causas en orden de probabilidad y provee una recomendación concreta que pueda implementarse en 30 días por el responsable indicado. Si faltan datos críticos, indícalo claramente y propone cómo obtenerlos. Mantén el JSON limpio y sin campos adicionales.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar, validar y desplegar reportes

Revisa salidas, ajusta prompts y reglas de scoring. Valida resultados con una muestra humana y configura envíos automáticos a dashboards y al comité.

1
Validación con muestra humana Selecciona 20-50 registros y compara la clasificación y recomendaciones del LLM con análisis de un gestor comercial. Ajusta umbrales y prompt según discrepancias.
2
Automatizar distribución Configura en Make módulos que conviertan los resultados en PDFs ejecutivos, emails al responsable o entradas en un tablero BI para seguimiento y KPIs.

Checkpoint: Reportes validados y automatizados; las recomendaciones llegan a responsables y el comité con cronograma de acciones.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Revisa el último JSON generado y actualízalo añadiendo ejemplos concretos y referencias a la nota original [ACUERDO_ID]. Para cada recomendación, añade un checklist de 4 pasos concretos que el responsable [RESPONSABLE] pueda ejecutar en 30 días. Mantén formato JSON."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones del informe: 1) Resumen ejecutivo de una página (máx. 250 palabras) para Comité de Dirección; 2) Informe operativo detallado con 8 acciones tácticas para operaciones de ventas. Mantén referencia al [ACUERDO_ID]."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el campo resumen_ejecutivo en tono directo y ejecutivo, orientado al CEO y CFO. Reduce tecnicismos y enfatiza impacto financiero y plazo de implementación (30/90 días)."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Extrae del JSON original un memo de 200 palabras dirigido al Comité de Dirección que incluya: 1 línea de conclusión, 2 riesgos críticos y 3 acciones recomendadas con responsables y fechas objetivo."

Resultado

Que vas a obtener

Este es el tipo de output que genera Make con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Soluciones LogiTech SA, sector software logístico

Estructura del output

El prompt devuelve un JSON con secciones ejecutivas y operativas: resumen_ejecutivo, causas_primarias, señales_indicadoras, impacto, recomendaciones, cambios_operativos, métricas_para_monitorizar y confidence_score. Esta estructura facilita integrar resultados en dashboards y generar reportes PDF.

Senales de un buen output

Resumen ejecutivo conciso y accionable que describe el impacto financiero
Causas listadas por prioridad con justificación extraída de notas
Recomendaciones con dueño y plazo claros (inmediato/30d/90d)
Confidence_score razonado y sugerencia de datos faltantes

Senal de que el output es bueno: El informe incluye al menos una recomendación accionable que el responsable puede ejecutar en 30 días con impacto medible.

Costes

Inversion y retorno

29$ Make Business / mes

2-5 min por ejecución (por registro, en paralelo según escenario) Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: El ROI se materializa al reducir repeticiones de pérdida por causas corregibles y acelerar mejoras en producto/proceso. Automatizar este análisis puede identificar cambios que reduzcan la tasa de pérdida en 5-15%, recuperando ingresos y optimizando tiempo del equipo comercial.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
El escenario en Make no recoge registros nuevos	Trigger mal configurado o credenciales expiradas en la integración CRM	Verificar credenciales, probar el webhook/manual trigger y revisar logs; reconstruir la conexión CRM si es necesario.
El LLM responde con información vacía o incoherente	Datos enviados incompletos o campo 'contexto_comercial' vacío	Añadir validación previa en Make que rechace registros sin notas comerciales y enviar alerta para complementación manual.
Resultados inconsistentes entre ejecuciones	Prompts no determinísticos o falta de semilla/temperatura adecuada	Establecer parámetros del modelo (baja temperatura) y usar prompts más prescriptivos; versionar prompt en Make.
Alta tasa de falsos positivos en causas detectadas	Modelos sesgados por vocabulario interno o datos de entrenamiento no representativos	Incluir ejemplos anotados (fine-tuning o few-shot) en el prompt y ajustar pesos de clasificación según validación humana.
La distribución automática no llega al comité	Módulo de envío (email/PDF) mal mapeado o fallos en permisos de carpeta/documento	Revisar configuración del módulo de salida, permisos y cuentas destinatarias; ejecutar test end-to-end con un registro de prueba.

Modo avanzado

Como hacer este tutorial con Make en modo avanzado

El modo agente en Make permite encadenar múltiples llamadas al LLM y tomar decisiones lógicas según respuestas intermedias. Para win/loss, un agente puede clasificar causas, pedir clarificaciones, y actualizar registros CRM automáticamente en un flujo autónomo.

Modo avanzado

Flujo de trabajo avanzado

1
Detectar nuevo registro perdido y preparar contexto_comercial
2
Enviar primer prompt al LLM para clasificación inicial de causas
3
Si confidence_score < 60, disparar prompt de clarificación que genere preguntas para el vendedor y actualizar registro CRM
4
Cuando confidence_score >= 60, generar informe y actualizar tablero/KPI, notificar responsable

Actúa como agente analista de win/loss. Paso 1: recibe datos de oportunidad [ACUERDO_ID] y devuelve clasificación inicial con confidence_score. Paso 2: si confidence_score < 60, genera hasta 3 preguntas cerradas para el vendedor [RESPONSABLE] que permitan elevar la confianza; formatea preguntas listas para enviar por email. Paso 3: una vez recibidas respuestas, reejecuta el análisis y produce el informe final JSON con recomendaciones ejecutables. Prioriza acciones que puedan implementarse en 30 días. Mantén trazabilidad: incluye campo 'historial_acciones' con las decisiones y timestamps.

Cuando usar el modo avanzado en este tutorial: Úsalo cuando el volumen de registros sea alto y la calidad de las notas comerciales varíe; el agente reduce la carga manual al solicitar clarificaciones solo cuando la confianza es baja.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · Make

Explorar mas tutoriales de Make

Descubre otros casos de uso de Make para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Integra los resultados con tu tablero BI y crea un KPI 'Reducción de pérdidas por causa' actualizado semanalmente; asigna una revisión mensual del top 3 de causas al responsable comercial para asegurar ejecución.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere