Monitor de Rotura de Stock con Q&A

Objetivo

Al terminar identificarás, priorizarás y obtendrás acciones concretas para los artículos con riesgo de rotura en el periodo analizado.

Al completar este tutorial habrás implementado un sistema de análisis activo en Power BI. Los tres resultados concretos que obtendrás:

Lista priorizada de SKUs en riesgo de rotura
Causas probables y métricas clave por artículo
Acciones recomendadas y prioridad de respuesta

Tiempo estimado: 20-30 minutos. Requisitos previos:

Obligatorio Licencia Microsoft 365 con Copilot y acceso a Power BI con permisos de lectura al informe de inventario.

Obligatorio Un informe o conjunto de datos en Power BI que incluya, como mínimo, columnas: ItemID/SKU, StockOnHand, AverageDailySales (últimos 30/90 días), LeadTimeDays, Warehouse y ReorderPoint o SafetyStock.

Recomendado Datos de forecast de ventas y calendario de promociones para ajustar riesgo durante campañas.

Recomendado Acceso a equipos cross-funcionales (supply chain, compras) para validar acciones propuestas.

Caso Real

El problema que resuelve este tutorial

AlimentosVerde S.A. — Distribución de alimentación para retail

AlimentosVerde enfrenta roturas puntuales de productos frescos en tiendas regionales tras aumentos de demanda inesperados. Estas roturas generan pérdida de venta y afectan la relación con clientes clave.

Solución: Con Power BI Copilot, el equipo de operaciones puede preguntar en lenguaje natural cuáles SKUs están en riesgo en las próximas 7-14 días y obtener causas y acciones priorizadas para impedir la rotura.

Power BI combina datos de stock y ventas históricos en un único contexto que Copilot puede consultar en lenguaje natural, generando respuestas accionables sin necesidad de codificación. Las visualizaciones y filtros interactivos permiten validar rápidamente hipótesis y coordinar respuestas con compras y logística.

Clave directiva

Power BI Copilot no requiere conocimientos de DAX ni de modelado de datos para obtener respuestas analíticas de alto valor. El directivo puede interrogar el modelo semántico en lenguaje natural y obtener visualizaciones y narrativas automáticas en segundos.

Contexto

Cuándo usar este análisis

Úsalo cuando...	No lo uses cuando...
Necesitas decisiones rápidas operativas para evitar pérdidas por stock-outs en los próximos días Quieres monitorizar incidentes recurrentes por SKU o por almacén sin esperar informes mensuales Buscas priorizar inversiones tácticas de reposición y transferencias entre almacenes	Cuando requieres modelado avanzado de forecast probabilístico que necesita un equipo de data science Para auditorías regulatorias o contables que exijan trazabilidad completa de cada cambio de dato Si necesitas reingeniería completa del proceso de aprovisionamiento (proyecto de larga duración)

Comparativa: Copilot vs Q&A vs Smart Narratives

Función	Mejor para	Requiere	Output
Copilot	Análisis exploratorio y resúmenes ejecutivos	Licencia M365 Copilot	Texto narrativo + visualizaciones sugeridas
Q&A	Preguntas puntuales sobre métricas específicas	Modelo semántico bien etiquetado	Visualización automática
Smart Narratives	Comentarios automáticos en informes estáticos	Power BI Pro o superior	Párrafo de texto dinámico
Key Influencers	Análisis causal de factores de negocio	Power BI Pro o superior	Árbol de factores con peso estadístico

Paso 01

Verificar el conjunto de datos en Power BI

Confirma que el informe de inventario contiene las columnas y el periodo necesarios. Esto asegura que Copilot interprete correctamente el contexto y produzca resultados operativos.

1
Abrir el informe relevante en Power BI Service Navega al área de trabajo donde reside el informe de inventario y abre la vista del informe o el conjunto de datos que usarás para el análisis.
2
Comprobar columnas clave y periodo de datos Asegúrate de que existan columnas como SKU/ItemID, StockOnHand, AverageDailySales (30/90 días), LeadTimeDays, Warehouse y ReorderPoint o SafetyStock; confirma que los datos incluyen al menos los últimos 90 días.
3
Anotar el alcance del análisis Decide el periodo objetivo (p. ej. próximos 7 o 14 días) y los almacenes o canales que analizarás; anotarlo facilita formular preguntas precisas a Copilot.

Checkpoint: Tienes el informe abierto, las columnas clave verificadas y el periodo de análisis decidido.

Paso 02

Contextualizar a Copilot y preparar filtros

Proporciona contexto breve a Copilot para que las respuestas sean relevantes (empresa, periodo, alcance). Prepara filtros de producto y almacén en el informe para pruebas rápidas.

1
Seleccionar filtros en el informe Aplica filtros por rango de fechas, almacenes o categorías que quieras analizar (p. ej. 'Región Norte' o 'Productos frescos').
2
Abrir el panel de Copilot / Q&A En la esquina superior del informe activa Copilot o la caja de Q&A para empezar a formular preguntas en lenguaje natural.
3
Proveer contexto breve a Copilot Escribe una frase de contexto antes de la pregunta principal, indicando empresa, periodo y objetivo (p. ej. 'Análisis para AlimentosVerde S.A., próximos 14 días, priorizar roturas').

Checkpoint: Filtros aplicados y Copilot listo con contexto básico sobre empresa y periodo.

Paso 03

Ejecutar el prompt o configuración principal

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

1
Copia el prompt o configuración completa Selecciona todo el texto 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 resultado.
3
Ejecuta y espera el resultado Pega el prompt en Copilot o en la caja Q&A de Power BI. El resultado suele tardar entre 10 y 60 segundos.

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

[EMPRESA]Nombre de la empresa u organización (p. ej. AlimentosVerde S.A.)

[PERIODO_ANALISIS]Periodo objetivo para el análisis en lenguaje natural (p. ej. 'próximos 14 días')

[UMBRAL_DIAS]Número de días de cobertura por debajo del cual considerar riesgo (p. ej. 7)

Prompt principal — Monitor de roturas de stock Actúa como analista ejecutivo de inventario usando Power BI Copilot. Contexto: soy [EMPRESA], quiero evaluar riesgo de rotura en el periodo [PERIODO_ANALISIS] (ej. próximos 14 días). Mi objetivo es obtener una lista priorizada de SKUs en riesgo de stock-out, causas probables y acciones recomendadas. El dataset en Power BI incluye las siguientes columnas clave: SKU/ItemID, StockOnHand (unidades actuales), AverageDailySales_30 (promedio diario 30 días), AverageDailySales_90 (promedio 90 días), LeadTimeDays, ReorderPoint, SafetyStock, Warehouse, OnOrder (unidades en pedido) y CostPerUnit. Requisitos del output: 1) Resumen ejecutivo (máximo 6 frases) con número de SKUs en riesgo y estimación de impacto en ventas; 2) Tabla priorizada de SKUs en riesgo con columnas: SKU, Warehouse, StockOnHand, CoverDays (StockOnHand / AverageDailySales_30), LeadTimeDays, Probabilidad de rotura (Alta/Media/Baja), Impacto estimado en ventas (€) y Acción recomendada inmediata; 3) Causas más comunes categorizadas (p. ej. demanda inesperada, retraso en lead time, falta de pedidos) con número de ocurrencias y % del total de SKUs en riesgo; 4) Acciones concretas y priorizadas por impacto y rapidez de ejecución (p. ej. transferir stock, acelerar pedido, promocionar alternativo) con responsable sugerido (Compras/Logística/Store Ops) y plazo recomendado; 5) Supuestos y limitaciones del análisis. Instrucciones operativas: utiliza AverageDailySales_30 para cálculo de CoverDays; considera un SKU en riesgo si CoverDays < [UMBRAL_DIAS] o si (StockOnHand + OnOrder) < ReorderPoint; marca como Alta probabilidad si LeadTimeDays >= CoverDays y OnOrder < ReorderPoint. Presenta la tabla con los 25 SKUs más prioritarios y su justificación breve (1 o 2 frases) para cada recomendación. Entrega las recomendaciones en un tono ejecutivo, directo y accionable, evitando tecnicismos. Si hay datos faltantes o inconsistentes, indícalo y propone la corrección mínima necesaria. Finalmente, sugiere dos métricas KPI que el equipo OPS debería monitorizar semanalmente para reducir riesgo de roturas.

Checkpoint: El sistema ha respondido con un output estructurado que incluye las secciones solicitadas.

Paso 04

Iterar y convertir hallazgos en acciones

Refina los resultados para obtener recomendaciones precisas y asignables. Convierte las salidas de Copilot en tareas concretas para compras y logística.

1
Solicitar detalles por SKU priorizado Pide a Copilot que desagregue las causas, impacto estimado en ventas y tiempo crítico por cada SKU dentro del top 20 en riesgo.
2
Generar plan de acción Pide una lista de acciones concretas ordenadas por prioridad, indicando responsable sugerido y plazo (p. ej. 'reposicionar stock desde Almacén A en 24 horas').

Checkpoint: Tienes un plan de acción priorizado y asignable, listo para compartir con los equipos operativos.

Output

Qué vas a obtener

El prompt genera un informe dividido en: 1) Resumen ejecutivo corto; 2) Tabla priorizada de SKUs en riesgo; 3) Análisis de causas y frecuencia; 4) Acciones recomendadas y responsables; 5) Supuestos y limitaciones; 6) KPIs sugeridos.

Señal de que el output es correcto: La tabla priorizada coincide con la intuición operativa local y las acciones recomendadas son concretas, asignables y justificadas por métricas.

✓Resumen ejecutivo con número claro de SKUs en riesgo y estimación de impacto financiero Tabla con columnas solicitadas (SKU, Warehouse, StockOnHand, CoverDays, LeadTimeDays, Probabilidad, Impacto €, Acción) Acciones con responsable y plazo claramente asignados Sección de supuestos que explica las fórmulas usadas y limita interpretaciones

Prompts de iteración

Si el primer output no es exactamente lo que necesitas, usa estos prompts de refinamiento:

Hacer el output más específico

cuando el output es demasiado genérico. "Repite el informe anterior, pero prioriza SKUs por impacto en ventas estimado en lugar de solo por probabilidad. Incluye una columna adicional 'Pérdida Estimada (€)' calculada como AverageDailySales_30 * PrecioUnitario * DíasEsperadosDeRotura (usar 7 si no hay dato)."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones del resultado: 1) Resumen ejecutivo de máximas 4 frases y top 10 SKUs con una línea justificativa cada uno; 2) Informe operativo detallado con top 50 SKUs, métricas por almacén y lista de acciones por SKU."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reformula las recomendaciones en un tono más formal para comité directivo: elimina instrucciones operativas tácticas y añade una sección 'Riesgos financieros' con estimación del impacto en margen bruto."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resume los hallazgos en una página: 1) número de SKUs en riesgo y su impacto financiero estimado; 2) tres acciones estratégicas recomendadas con coste estimado y plazo de implementación."

Señal de calidad

Un output de calidad en Power BI Copilot incluye siempre una explicación causal (por qué ocurre la variación), no solo descriptiva (qué ha ocurrido). Si el output solo describe, refina el prompt pidiendo explícitamente el análisis de causas.

ROI

Coste y retorno de inversión

incluido en M365 con Copilot Microsoft 365 Copilot / mes

30-90 segundos por ejecución Por ejecución

Alto ROI estimado

Reducir roturas de stock directamente protege ventas perdidas y fidelidad de clientes; una mejora del 10% en disponibilidad puede recuperar ingresos inmediatos y reducir urgencias logísticas costosas. El uso de Copilot en Power BI acelera decisiones sin necesidad de recursos adicionales de análisis.

Errores

Errores frecuentes y cómo resolverlos

Síntoma	Causa probable	Solución
Copilot no encuentra las columnas mencionadas	El conjunto de datos usa nombres de columnas distintos a los esperados	Verifica y renombra las columnas en el modelo Power BI o adapta el prompt para usar los nombres exactos presentes en el dataset.
Resultados inconsistentes entre almacenes	Falta de granularidad en AverageDailySales o datos de ventas agregados por canal	Filtra por Warehouse y utiliza AverageDailySales_30/90 por almacén; si no existe, solicita al equipo de datos una desagregación por almacén.
El listado muestra demasiados SKUs con probabilidad Alta	Umbral de días de cobertura ([UMBRAL_DIAS]) demasiado alto o datos de OnOrder no actualizados	Recalibra [UMBRAL_DIAS] a un valor menor (p. ej. 7) y verifica la columna OnOrder; vuelve a ejecutar el prompt.
Copilot reporta datos faltantes en StockOnHand o LeadTimeDays	Registros incompletos o integraciones fallidas en origen	Solicita una limpieza mínima: completar LeadTimeDays por proveedor o excluir SKUs sin StockOnHand, e indica en el prompt cómo tratarlos.
Sugerencias de acción poco prácticas	Falta de contexto operativo (restricciones logísticas o políticas de transferencia)	Proporciona contexto adicional al prompt (p. ej. 'no se permiten transferencias entre almacenes fuera de red X') y vuelve a solicitar recomendaciones.

Precaución

Copilot en Power BI requiere que el modelo semántico esté bien etiquetado (nombres de columna descriptivos, jerarquías de fechas correctas, medidas con nombres de negocio). Un modelo mal documentado produce respuestas incorrectas o incompletas, independientemente de la calidad del prompt.

Avanzado

Modo avanzado: llevar este tutorial más lejos

En modo avanzado, utiliza Power BI con medidas DAX y modelos de tiempo para crear indicadores automáticos de cobertura y probabilidad de rotura. Este modo permite crear medidas reproducibles, programar alertas y exportar listas accionables para equipos operativos.

Cuándo es especialmente valioso: Valioso cuando necesitas automatizar alertas periódicas, integrar con flujos de trabajo de compras y garantizar trazabilidad técnica de las reglas de riesgo para auditoría o escalado operativo.

1
Crear una medida DAX 'CoverDays' = DIVIDE(SUM(StockOnHand), CALCULATE(AVERAGE(AverageDailySales_30)))
2
Crear columna calculada 'RiskFlag' con lógica: IF(CoverDays < [UMBRAL_DIAS] || (StockOnHand + OnOrder) < ReorderPoint, 'En Riesgo', 'Ok')
3
Configurar una visualización con top N SKUs por 'Pérdida Estimada' y un botón de exportar a CSV o Planner
4
Programar refresco y una alerta en Power BI (o Power Automate) que notifique a Compras/Logística cuando 'RiskFlag' sea 'En Riesgo' para X SKUs

Configuración avanzada Modo avanzado: crea en Power BI las medidas y columnas necesarias para automatizar el monitoreo de rotura de stock. 1) Define la medida DAX 'CoverDays' = DIVIDE([StockOnHand], [AverageDailySales_30]). 2) Define la medida 'OnHandPlusOnOrder' = [StockOnHand] + [OnOrder]. 3) Crea la columna calculada 'RiskScore' que combine CoverDays, LeadTimeDays y OnHandPlusOnOrder con pesos: 50% CoverDays, 30% LeadTimeDays normalizado, 20% OnOrder deficitario; normaliza el score a 0-100 y categoriza en 'Alta' (>70), 'Media' (40-70), 'Baja' (<40). 4) Genera una visualización tipo tabla con top 50 SKUs por RiskScore y añade una tarjeta con KPI 'Número SKUs Alta' y 'Pérdida Estimada (€)'. 5) Exporta la tabla a CSV y configura un Power Automate que envíe un correo a [EQUIPO_COMPRAS] cuando el número de SKUs en 'Alta' sea > [ALERTA_UMBRAL].

Siguiente paso: Integra la salida priorizada con una lista de tareas en Microsoft Planner o Teams para asignar responsables y plazos; revisa KPIs semanalmente y ajusta [UMBRAL_DIAS] tras las dos primeras ejecuciones.