Dashboard Ejecutivo Semanal 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:

✓ Dashboard con KPIs principales actualizado automáticamente
✓ Narrativa ejecutiva semanal con insights y recomendaciones priorizadas
✓ CSV y resumen listo para envío a Comité de Dirección

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta en Make con permisos para crear escenarios y conectar APIs.

Obligatorio Acceso a las fuentes de datos relevantes (BI, base de datos, Google Sheets, o CSVs) y claves API.

Recomendado Cuenta en proveedor LLM compatible (ej: clave de GPT-5 o conexión a proveedor de IA) para generación de narrativa.

Recomendado Plantilla de dashboard (Power BI/Tableau/Looker) para importar los CSVs generados.

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

LogiFarma Soluciones SA, sector logística y distribución farmacéutica — el problema real

El comité de operaciones recibe múltiples informes ad hoc y tarda horas en consolidar tendencias y riesgos. Falta una narrativa consistente que priorice acciones semanales.

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 heterogéneas y automatiza transformaciones sin código, ideal para pipelines recurrentes. Su capacidad de encadenar llamadas a LLM permite producir texto ejecutivo alineado con métricas cuantitativas. Además facilita la publicación y notificación a destinatarios clave.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Necesita un informe semanal recurrente con análisis y prioridades para comité Sus datos provienen de varias fuentes y necesita consolidación automatizada Busca reducir el tiempo que los directivos dedican a preparar informes	Requiere análisis exploratorio ad hoc muy profundo o modelado estadístico avanzado Trabaja exclusivamente con una única base de datos ya integrada en su BI Necesita juicio humano especializado en cada hallazgo sin automatización

Paso 01

Mapear fuentes y KPIs clave

Defina con precisión las fuentes de datos y los KPIs que alimentarán el dashboard. Este mapeo evita resultados incompletos y asegura que la narrativa se base en métricas relevantes.

1
Listar fuentes de datos Documente cada fuente (nombre del sistema, endpoint, permisos necesarios) y su frecuencia de actualización. Por ejemplo: ERP_LogiFarma.api/orders (diario), BI_Ventas.view/weekly (semanal).
2
Seleccionar KPIs prioritarios Elija 6–8 KPIs accionables (p. ej., OTIF, rotación de inventario, pedidos rechazados). Defina fórmula y dimensión temporal para cada uno.
3
Verificar accesos y credenciales Asegúrese de que la cuenta de Make tenga claves/API y permisos de lectura. Pruebe una extracción manual y valide registros representativos.

Checkpoint: Documento con lista de fuentes, KPIs definidos y accesos verificados.

Paso 02

Construir el escenario Make

Cree un escenario en Make que extraiga, transforme y envíe datos al módulo de IA. Diseñe pasos claros para manejar errores y registros faltantes.

1
Crear módulos de extracción Agregue acciones para cada fuente: llamadas API, lectura de Google Sheets o carga de CSV. Normalice nombres de campos para que coincidan con los KPIs definidos.
2
Transformar y resumir Use módulos para agregar, filtrar y calcular KPIs por periodo. Genere una tabla consolidada con columnas: KPI, valor_actual, variación_semana, tendencia.
3
Enviar payload al LLM Formatee un JSON que incluya contexto de empresa, periodo y tabla de KPIs. Este JSON será la entrada del prompt que generará la narrativa ejecutiva.

Checkpoint: Escenario que entrega un JSON consolidado y consistente al módulo de generación de texto.

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 o en el módulo LLM de Make y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

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

[EMPRESA]Nombre de la empresa y breve descripción (ej: LogiFarma Soluciones SA, logística farmacéutica)

[PERIODO]Periodo que analiza el informe (ej: semana del 2026-07-06 al 2026-07-12)

[KPIS]Lista de KPIs incluidos separados por comas (ej: OTIF, Pedidos Rechazados, Rotación Inventario, Tiempo de Ciclo)

Prompt principal — Dashboard Ejecutivo Semanal Eres un asistente ejecutivo que resume datos operativos y genera una narrativa accionable para comité. Toma como entrada el JSON con tabla de KPIs y contexto de empresa. Genera un reporte estructurado con las siguientes secciones: 1) Resumen ejecutivo (3 frases y 3 bullets de highlights), 2) Tabla de KPIs con columnas: KPI, valor_actual, objetivo, variación_semana, tendencia (suba/baja/estable) y nota corta de interpretación, 3) Análisis de tendencias (2 párrafos por KPI crítico) indicando causas probables y datos que soportan la conclusión, 4) Riesgos y alertas priorizados (incluir severidad ALTA/MEDIA/BAJA y acción inmediata recomendada), 5) Recomendaciones priorizadas (lista con 5 acciones ordenadas por impacto y urgencia, propietario sugerido y plazo estimado), 6) Visualizaciones recomendadas (tipo de gráfico y razón), 7) CSV listo para ingestión (proporciona tabla CSV con cabeceras), 8) Resumen de 2 líneas preparado para correo al Comité, 9) Suposiciones y nivel de confianza (%) por sección y 10) Fuentes de datos usadas y timestamp de extracción. Contexto: empresa [EMPRESA], periodo analizado [PERIODO], KPIs incluidos [KPIS]. Entrega el output en formato JSON con claves: executive_summary, kpi_table (lista), trends, risks, recommendations, visualizations, csv, email_summary, assumptions_confidence, data_sources. Prioriza claridad, frases cortas y lenguaje ejecutivo. Si falta información para interpretar un KPI, indica específicamente qué dato adicional se requiere. Genera además un campo 'one_page_bullet' con 6 bullets listos para impresión en una página A4.

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

Paso 04

Iterar y ajustar reglas de negocio

Refine la narrativa, umbrales de alerta y prioridades a partir de la primera ejecución. Ajustes precisos incrementan la utilidad del dashboard para la toma de decisiones.

1
Revisar resultados con stakeholders Comparta el primer informe con 2–3 responsables (operaciones, finanzas) y recoja feedback sobre relevancia, tono y omisiones.
2
Actualizar reglas y umbrales Modifique el escenario para ajustar umbrales de alerta y campos incluidos en la síntesis. Versione el escenario para mantener trazabilidad.

Checkpoint: Narrativa y alertas alineadas con la expectativa del Comité; escenario versionado y programado.

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. "Ajusta el informe anterior centrándote exclusivamente en los KPIs [KPIS], proporcionando causas cuantificadas (valores y porcentajes) y citando la métrica histórica de comparación. Indica hasta 3 hipótesis verificables y qué dato exacto se necesita para validarlas."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Reescribe el informe en formato ejecutivo corto (máximo 300 palabras) o extendido (máximo 1200 palabras) según especificado: escribe 'CORTO' o 'EXTENDIDO'. Mantén la estructura original pero ajusta la profundidad del análisis por KPI."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reformula la narrativa para que sea: a) neutra y factual, b) orientada a acción y urgente, o c) instructiva y detallada para equipo operativo. Especifica el público objetivo reemplazando [AUDIENCIA]."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Extrae del informe una versión de 6 bullets con impacto y recomendación priorizada. Incluye una métrica clave por bullet y un riesgo asociado. Formato listo para presentación en slide única."

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 — LogiFarma Soluciones SA, sector logística y distribución farmacéutica

Estructura del output

El prompt genera un JSON con secciones claramente etiquetadas: resumen ejecutivo, tabla de KPIs, análisis de tendencias, riesgos, recomendaciones, visualizaciones, CSV, resumen para correo y suposiciones con nivel de confianza. Cada sección debe ser concisa y accionable.

Senales de un buen output

Resumen ejecutivo con 3 frases y 3 bullets claros
Tabla de KPIs que coincide con los valores de entrada y presenta variación y tendencia
Recomendaciones priorizadas con propietario y plazo
CSV incluido y formato válido para ingestión en BI

Senal de que el output es bueno: El informe presenta conclusiones cuantificadas, prioridades accionables y un CSV listo para importar al dashboard.

Costes

Inversion y retorno

29$ Make Pro / mes

3-5 min por ejecución completa Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: La automatización reduce el tiempo de preparación del informe semanal (de 4–8 horas a 15–30 minutos), liberando a mandos intermedios y directivos para decisiones estratégicas. El coste mensual se amortiza si se evitan una o dos reuniones de consolidación por mes y se aceleran acciones correctoras que reducen pérdida de ventas o inventario obsoleto.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
El escenario falla con error de autenticación al conectar una API	Clave API expirada o permisos insuficientes	Renovar la clave en el sistema origen y actualizarla en Make; probar con una llamada de test y documentar el token y alcance.
Valores KPIs nulos o inconsistentes	Cambios en el esquema de la fuente o columnas renombradas	Revisar la última extracción, mapear columnas actuales y actualizar las transformaciones en Make para alinear nombres y formatos.
Narrativa demasiado genérica o irrelevante	Entrada al LLM insuficiente o contexto malformateado	Enriquecer el JSON de entrada con contexto adicional (objetivos de negocio, umbrales) y repetir la ejecución; usar el prompt de iteración 'Hacer el output más específico'.
Latencia elevada en ejecución del escenario	Llamadas síncronas a APIs lentas o procesos innecesarios en el flujo	Paralelizar llamadas donde sea posible, cachear respuestas y optimizar transformaciones eliminando pasos redundantes.
Errores por límite de cuota del LLM	Consumo mayor al plan contratado o límites de tasa	Ajustar frecuencia del escenario, consolidar prompts (menor número de llamadas) o ampliar plan del proveedor LLM.

Modo avanzado

Como hacer este tutorial con Make en modo avanzado

El modo agente en Make permite orquestar decisiones automáticas y ejecutar flujos en función de condiciones detectadas (alertas, umbrales). Configure el agente para monitorizar KPIs críticos y ejecutar remediaciones o notificaciones automáticas cuando se detecten excepciones.

Modo avanzado

Flujo de trabajo avanzado

1
Configurar gatillos recurrentes (schedule) para extracción semanal
2
Añadir reglas condicionales para evaluar umbrales y severidad
3
Definir acciones automáticas: notificación a canales, crear ticket en herramienta ITSM, o ejecutar sub-flujos de corrección
4
Registrar actividad y resultados en un log central para auditoría y aprendizaje

Agente operativo: Ejecuta el siguiente flujo automáticamente cada [FRECUENCIA]: 1) extrae datos de las fuentes listadas en data_sources, 2) calcula KPIs [KPIS], 3) ejecuta el prompt LLM con contexto {empresa: '[EMPRESA]', periodo: '[PERIODO]', kpis: [KPIS]} utilizando el modelo GPT-5, 4) si cualquier KPI supera umbral crítico definido, crea una notificación a [CANAL_COMUNICACION] y asigna una tarea a [RESPONSABLE]. Documenta todas las decisiones en el log con timestamp y adjunta el CSV generado. Si falta información para interpretar un resultado, pausa el flujo y envía un resumen de requerimientos al responsable.

Cuando usar el modo avanzado en este tutorial: Valioso cuando se requieren acciones automáticas y trazabilidad inmediata ante desviaciones críticas (por ejemplo, fallos logísticos que afectan entregas o alertas de cumplimiento).

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: Programa revisiones quincenales del escenario con responsables de datos y operaciones para ajustar umbrales, incorporar nuevos KPIs y reducir falsos positivos en las alertas.

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