Análisis de Desviaciones Supply Chain con Anomaly Detection

Objetivo

Al finalizar tendrá un informe accionable con anomalías detectadas, explicación ejecutiva y recomendaciones priorizadas.

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

Listado de anomalías en tiempos de tránsito y costes por ruta/cliente
Explicación ejecutiva de causas probables y nivel de confianza
Plan de acciones priorizadas para reducir impacto y coste

Tiempo estimado: 30-45 minutos. Requisitos previos:

Obligatorio Cuenta Microsoft 365 con Power BI Pro y Copilot habilitados.

Obligatorio Dataset en Power BI que incluya: fecha de envío/recepción, tiempo de tránsito, coste logístico, ruta, proveedor y cliente.

Recomendado Columnas adicionales: modo de transporte, lote, referencia de incidencia, y motivo de retraso del transportista.

Recomendado Data histórica mínima de 6 meses para detectar patrones estacionales y evitar falsos positivos.

Caso Real

El problema que resuelve este tutorial

LogiTrans Iberia — Transporte y logística regional

LogiTrans detecta aumentos puntuales en tiempos de tránsito y costes en rutas clave que afectan servicio a clientes estratégicos. La identificación manual es lenta y reactiva.

Solución: Power BI con Anomaly Detection detecta automáticamente desviaciones en tiempo real, prioriza rutas afectadas y ofrece explicaciones ejecutivas para decisiones operativas inmediatas.

Power BI integra análisis temporal con modelos de anomalías optimizados y visualizaciones interactivas que facilitan la interpretación por directivos. Copilot genera resúmenes ejecutivos y escenarios de acción, reduciendo la fricción entre datos y decisiones.

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...
Tiene series temporales de tiempos de tránsito y costes por ruta con historial de semanas/meses Necesita priorizar acciones operativas rápidamente en rutas con impacto comercial Desea combinar alertas automáticas con recomendaciones ejecutivas para el comité operativo	Solo dispone de datos agregados trimestralmente o con poca granularidad temporal Busca análisis exploratorio de datos sin necesidad de detección automática Busca reemplazar procesos administrativos no relacionados con la cadena logística

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

Preparar y verificar el dataset

Antes de ejecutar Copilot, confirme que el dataset contiene las columnas clave y suficiente historial. Esto evita falsos positivos y garantiza explicaciones relevantes.

1
Validar columnas obligatorias En el conjunto de datos confirme la presencia de: [FECHA_ENVIO], [FECHA_RECEPCION] o columna de tiempo de tránsito calculada, [COSTE_LOGISTICO], [RUTA], [PROVEEDOR], [CLIENTE].
2
Comprobar continuidad temporal Verifique que las fechas no tengan grandes huecos; si faltan periodos, filtre el análisis a intervalos con cobertura suficiente.
3
Crear medidas básicas (si faltan) Si no existe, cree una medida 'TiempoTransito' = DATEDIFF([FECHA_ENVIO],[FECHA_RECEPCION],DAY) y una medida 'CosteLogistico' agregada por entrega.

Checkpoint: Dataset con columnas clave validadas, y medidas de TiempoTransito y CosteLogistico disponibles en el modelo.

Paso 02

Exploración guiada con Copilot

Use Power BI Copilot para obtener un análisis inicial y preguntas clave que validen hipótesis operativas. Copilot interpreta el contexto y propone filtros y visuales prioritarios.

1
Abrir panel Copilot en el informe En Power BI Desktop o en el servicio, acceda a Copilot y seleccione el dataset preparado para iniciar la conversación.
2
Plantear preguntas exploratorias Formule preguntas como '¿Qué rutas muestran desviaciones en tiempo de tránsito la última semana? Prioriza por volumen y coste.' para obtener análisis inmediatos.
3
Revisar visuales sugeridos Copilot propondrá visualizaciones y Smart Narratives; valide que muestran serie temporal, marcador de anomalía y distribución por proveedor.

Checkpoint: Obtiene visualizaciones y narrativas iniciales que muestran tendencias por ruta, proveedor y cliente.

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. El resultado puede tardar entre 10 y 60 segundos en procesarse y devolver visuales, tablas y Smart Narratives.

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

[DATASET]Nombre del dataset en Power BI que contiene los datos logísticos.

[FECHA_INICIO]Fecha de inicio del periodo a analizar en formato YYYY-MM-DD.

[FECHA_FIN]Fecha de fin del periodo a analizar en formato YYYY-MM-DD.

Prompt principal — Desviaciones Supply Chain Eres un analista ejecutivo con acceso al dataset de Power BI denominado [DATASET]. Tu objetivo es identificar anomalías en Tiempo de Tránsito y Coste Logístico entre [FECHA_INICIO] y [FECHA_FIN], por [REGION] y por [RUTA/PROVEEDOR/CLIENTE] según corresponda. Utiliza la función Anomaly Detection de Power BI para detectar desviaciones significativas, y entrega un informe ejecutivo con las siguientes secciones: 1) Resumen ejecutivo (máx. 6 frases) que incluya número total de anomalías, impacto estimado en coste y en servicio, y nivel de confianza agregado; 2) Tabla priorizada de anomalías con columnas: ID_Anomalia, Métrica afectada (TiempoTransito/CosteLogistico), FechaInicio, FechaFin, RUTA, PROVEEDOR, CLIENTE, Valor observado, Valor esperado, Delta (%) y Puntuación de confianza; 3) Explicación contextual por anomalía (una frase por posible causa basada en correlaciones con: volumen de envíos, modo transporte, incidencias registradas y cambios de proveedor); 4) Visualizaciones recomendadas para incluir en el dashboard (tipo de gráfico, ejes, filtro sugerido y opción de Smart Narrative); 5) Recomendaciones tácticas y estratégicas con estimación de ahorro por acción (baja/mediana/alta prioridad) y pasos concretos a 30/60/90 días; 6) Riesgos y acciones de mitigación. Para la detección, ejecuta Anomaly Detection agrupando por [AGRUPACION_PRINCIPAL] y utilizando sensibilidad inicial [SENSIBILIDAD] (ajustable). Incluye instrucciones precisas para que un analista implemente los visuales en Power BI: nombre del visual recomendado (ej.: 'Anomaly detection line chart'), campo de tiempo [CAMPO_FECHA], campo de métrica [CAMPO_METRICA], campo de agrupación [CAMPO_GRUPO], y el ajuste de sensibilidad recomendado. Añade además 3 preguntas de seguimiento que el Comité de Dirección debería considerar y un resumen ejecutivo en 5 viñetas listo para presentación. Devuelve el output en formato claro y listo para pegar en un informe: usa encabezados, tablas y viñetas. Variables: [DATASET], [FECHA_INICIO], [FECHA_FIN], [REGION], [AGRUPACION_PRINCIPAL], [SENSIBILIDAD], [CAMPO_FECHA], [CAMPO_METRICA], [CAMPO_GRUPO].

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

Paso 04

Refinar, validar y convertir en acción

Itere sobre los hallazgos, valide con stakeholders y convierta las anomalías en acciones. Priorice por impacto en servicio y coste.

1
Validar con datos de campo Corrobore las anomalías con registros operativos (incidencias, avisos de transportista, clima) para confirmar causas.
2
Asignar responsables y plazos Para cada anomalía priorizada, asigne un responsable operacional, un plazo para resolución y una métrica de seguimiento.

Checkpoint: Lista priorizada de acciones con responsables, plazos y métricas de seguimiento.

Output

Qué vas a obtener

El prompt genera: 1) Resumen ejecutivo, 2) Tabla priorizada de anomalías, 3) Explicaciones por anomalía, 4) Visualizaciones recomendadas y configuración técnica breve, 5) Recomendaciones y plan de acción.

Señal de que el output es correcto: La tabla priorizada incluye Delta (%) y Puntuación de confianza, y las recomendaciones tienen estimación de impacto en euros.

✓Resumen ejecutivo claro con métricas numéricas Tabla de anomalías con columnas completas y ordenadas por impacto Correlaciones concretas que apoyen las causas propuestas Recomendaciones accionables con responsables y plazos

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. "Reformular con foco en [REGION] y en las 5 rutas con mayor volumen. Prioriza anomalías que afecten a clientes Premium y añade impacto económico estimado por anomalía en euros."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera una versión breve (máx. 200 palabras) y una versión detallada (incluye tablas con métricas diarias) del análisis. Indica qué versión es más adecuada para operaciones y cuál para el comité directivo."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Convierte el informe a un tono más ejecutivo y directo, enfocando en impacto financiero y decisiones concretas en lenguaje apto para Comité de Dirección."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Crea un resumen ejecutivo de una página con 5 viñetas: situación, hallazgos clave, impacto estimado, recomendaciones prioritarias y solicitud de decisiones (sí/no) con plazos."

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

10-60 segundos por ejecución Por ejecución

Alto ROI estimado

Detectar y priorizar anomalías reduce la reactividad operativa y permite focalizar recursos donde hay mayor impacto, disminuyendo retrasos y costes evitables. Un único caso severo prevenido puede justificar la inversión en horas de analítica al mes.

Errores

Errores frecuentes y cómo resolverlos

Síntoma	Causa probable	Solución
Copilot no devuelve anomalías o devuelve muy pocas	Dataset con corto historial o series temporales no continuas	Amplíe el periodo analizado a al menos 6 meses o filtre a segmentos con cobertura temporal suficiente; vuelva a ejecutar.
Valores esperados y observados vacíos en la tabla	Campos de fecha o métrica mal referenciados en el prompt	Verifique y ajuste [CAMPO_FECHA] y [CAMPO_METRICA] en el prompt para que coincidan exactamente con los nombres del modelo.
Baja confianza en detecciones (puntuaciones bajas)	Alta volatilidad o falta de patrones estacionales claros	Aumente la granularidad (p.ej., pasar de semanal a diaria) o agrupe por subsegmentos para reducir ruido; ajuste [SENSIBILIDAD] a menor valor.
Copilot sugiere causas irrelevantes	Falta de variables adicionales (incidencias, modo de transporte) para correlacionar	Enriquezca el dataset con columnas relevantes y reejecute el análisis solicitando correlaciones con esas variables.
El visual recomendado no aparece como opción	Visual personalizado no instalado o no soportado en la versión de Power BI	Instale el visual necesario desde AppSource o sustituya por 'Line chart' con la configuración de Anomaly Detection integrada.

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, use las opciones de Anomaly Detection para ajustar sensibilidad, método de detección y ventanas de comparación, y combine con campos de contexto para explicaciones automáticas. Esto permite obtener diagnósticos más precisos y compatibles con decisiones operativas.

Cuándo es especialmente valioso: Valioso cuando trabaja con grandes volúmenes y necesita ajustar sensibilidad para equilibrar detecciones y falsos positivos, o cuando se requiere evidencia detallada para acciones contractuales con transportistas.

1
Seleccionar visual 'Anomaly detection line chart' y asignar [CAMPO_FECHA] y [CAMPO_METRICA]
2
Configurar agrupación por [CAMPO_GRUPO] y establecer sensibilidad a [SENSIBILIDAD] (probar 0.8, 0.6, 0.4)
3
Activar opción de mostrar valores esperados y puntuación de anomalía y exportar la tabla resultante a Excel para validación externa
4
Combinar resultados con columna de incidencias y crear un reporte con Smart Narratives para resumen ejecutivo

Configuración avanzada Modo avanzado: Ejecuta Anomaly Detection en [DATASET] sobre la métrica [CAMPO_METRICA] usando [CAMPO_FECHA] como eje temporal y agrupando por [CAMPO_GRUPO]. Prueba sensibilidades 0.8, 0.6 y 0.4 y compara resultados. Devuelve: 1) Tabla comparativa por sensibilidad mostrando número de anomalías, tasa de falsos positivos estimada y lista de las 10 anomalías con mayor delta (%); 2) Para cada anomalía, sugiere hasta 3 causas probables basadas en correlaciones con volumen de envíos, modo de transporte e incidencias; 3) Indicaciones técnicas para reproducir exactamente el visual en Power BI (nombres de campos, configuración del visual y pasos de exportación).

Siguiente paso: Integre los resultados con alertas de Power BI y un flujo de trabajo de revisión semanal; automatice la exportación de la tabla de anomalías a un canal de Teams para validación operativa rápida.