Monitor de Precios de Materias Primas con Make

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 60-90 minutos tendras:

✓ Consolidación automática de históricos del ERP con datos de commodities
✓ Detección de alertas relevantes para márgenes y compras
✓ Informe semanal ejecutivo con recomendaciones operativas

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Acceso al ERP con exportación de históricos de compras y costes en CSV/Excel (columnas: fecha, SKU, cantidad, coste unitario, moneda).

Obligatorio Cuenta en Make con permisos para crear escenarios y conectores HTTP/API y acceso a la API de commodities (p. ej. Brent, polímeros) con clave.

Recomendado Cuenta de correo corporativo con API (SMTP o servicio como SendGrid) para envío automatizado a Dirección Comercial.

Recomendado Repositorio de visualización (p. ej. Google Sheets o Power BI) para almacenar series temporales y gráficos generados por Make.

Transferencia internacional de datos: IA 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

Química Ibérica S.A., sector petroquímica — el problema real

La Dirección Comercial recibe con retraso información disociada entre ERP y cotizaciones de commodities; no hay alertas tempranas que permitan renegociar compras o ajustar precios. Esto provoca márgenes volátiles y decisiones reactivas.

Con IA y el prompt de este tutorial, puede resolver este reto en 60-90 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

IA
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: La IA sintetiza series temporales heterogéneas y extrae señales de riesgo que no son evidentes en tablas. Make orquesta la integración continua entre fuentes y la entrega del informe, reduciendo tiempo manual y latencia en la toma de decisiones.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Tiene compras significativas indexadas a commodities (p. ej. polímeros, Brent) y márgenes sensibles al precio. El ERP contiene históricos regulares y fiables de costes y consumos. Se requiere un informe recurrente y accionable para Dirección Comercial o Compras.	Tu cartera es fija, con contratos a largo plazo sin indexación a commodities. Los datos del ERP son incompletos o no pueden exportarse con regularidad. Se necesita un análisis ad hoc profundo de mercado con investigación cualitativa.

Paso 01

Exportar y preparar históricos del ERP

Extraiga los históricos relevantes del ERP para las últimas 24 meses. Normalizar y preparar los campos clave permite combinar los datos con las series de precios de commodities.

1
Exportar CSV desde el ERP Genere un CSV con columnas: fecha, SKU, descripción, cantidad, coste_unitario, moneda, centro_coste. Si trabaja con Química Ibérica S.A., exporte por planta para identificar impactos regionales.
2
Revisar y normalizar unidades Convierta unidades a métricas homogéneas (kg, toneladas, barriles). Documente las conversiones en una hoja para reproducibilidad; por ejemplo, Polímeros Norte SL usa kg mientras compras globales requieren toneladas.
3
Subir archivo a almacenamiento accesible por Make Suba el CSV a Google Drive, S3 o FTP que Make pueda leer. Asegúrese de que el nombre y la estructura de columnas sean constantes para el escenario automatizado.

Checkpoint: CSV exportado y accesible por Make, con unidades y columnas normalizadas y documentadas.

Paso 02

Configurar escenario en Make para ingesta y llamadas a APIs

Cree un escenario en Make que: importe el CSV, llame a las APIs de commodities y consolide series temporales por SKU y por materia prima. La automatización reduce errores manuales y asegura frecuencia semanal.

1
Crear trigger semanal y módulo de lectura CSV Configure un trigger calendarizado (p. ej. lunes 07:00) y un módulo que lea el CSV desde el almacenamiento seleccionado. Verifique que el número de filas y los encabezados coinciden con la exportación.
2
Añadir módulos HTTP para APIs de commodities Consuma endpoints de precios (Brent, polímeros) con la clave [COMMODITY_API_KEY]. Normalice la frecuencia (diario) y convierta divisas si procede.
3
Consolidar series y calcular agregados En Make, agregue lógica para unir las series del ERP con las cotizaciones por fecha, calcular coste medio ponderado y variación mensual/anual para cada SKU.

Checkpoint: Escenario en Make que genera una tabla consolidada con precios históricos ERP + commodities lista para análisis.

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 y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

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

[ERP_DATA_FILE]Ruta o contenido del CSV/tabla exportado del ERP con columnas: fecha, SKU, cantidad, coste_unitario, moneda

[COMMODITY_SERIES]Objeto o enlace con series temporales diarias de las cotizaciones de commodities (Brent, polímeros) por fecha

[REPORT_RECIPIENTS]Lista de roles o correos que recibirán el informe (p. ej. Director Comercial; Jefe de Compras)

Prompt principal — Monitor de precios con Make Eres un analista ejecutivo de precios con experiencia en integración de ERP y mercados de commodities. Recibirás un archivo consolidado (CSV/tabla) con históricos de compras y costes y una serie de precios de mercado por commodity (Brent, polímeros, etc.). Tu tarea: generar un informe ejecutivo semanal orientado a Dirección Comercial con secciones claras y recomendaciones operativas. Variables: [ERP_DATA_FILE] (tabla con columnas fecha, SKU, cantidad, coste_unitario, moneda), [COMMODITY_SERIES] (series diarias por commodity compatibles por fecha), [BASE_CURRENCY] (moneda de reporte, p. ej. EUR), [REPORT_RECIPIENTS] (roles o nombres, p. ej. Director Comercial, Jefe de Compras). Requisitos del informe: 1) Resumen ejecutivo (máx. 6 frases) con conclusión accionable y nivel de urgencia (alto/medio/bajo). 2) Señales clave: para cada commodity y los SKU más expuestos, calcular variación 7d, 30d, 90d y elasticidad aproximada del coste frente al precio del commodity. 3) Alertas: listar alertas por prioridad (alto/medio/bajo) con umbral cuantitativo (p. ej. >5% en 7 días o >8% en 30 días) y el impacto estimado en margen absoluto y porcentual para los próximos 3 meses. 4) Recomendaciones concretas (máx. 5) y responsables sugeridos (Compras, Pricing, Dirección Comercial), con acciones y tiempos (p. ej. renegociación con proveedor X en 10 días). 5) Análisis de sensibilidad: tres escenarios (optimista, base, adverso) con implicación en coste medio por SKU y en margen bruto. 6) Tabla de datos agrupada por SKU y commodity que contenga: coste_actual, coste_prev_30d, variacion_30d(%), exposure_ratio (porcentaje de coste afectado por commodity). 7) Metodología: explicar en 4-6 líneas cómo se calcularon conversiones, smoothing y umbrales. 8) Fuente y confianza: indicar fuentes primarias usadas y un indicador de confianza (alto/medio/bajo) por sección. Formato de salida preferible: JSON con campos: executive_summary, signals[], alerts[], recommendations[], scenarios[], data_table[] (máx. 10 entradas), methodology, sources_confidence. Prioriza claridad ejecutiva, cifras redondeadas con dos decimales y una recomendación inicial inmediata. Si detectas inconsistencias en los datos, indica exactamente las filas o columnas problemáticas. Genera además 2 diapositivas (texto listo para copiar a PowerPoint): slide 1 = Resumen y alertas principales; slide 2 = Recomendaciones y próximos pasos. Responde en español y mantén el tono ejecutivo.

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

Paso 04

Refinar alertas y operacionalizar recomendaciones

Itere el umbral de alertas y convierta las recomendaciones en acciones concretas dentro de procesos comerciales y de compras. Ajuste parámetros según resultados reales las primeras 4 semanas.

1
Validar alertas con stakeholders Comparta ejemplos de alertas con Compras y Dirección Comercial (p. ej. impacto en margen por SKU) y recoja feedback sobre relevancia y frecuencia.
2
Automatizar acciones de seguimiento En Make, añada pasos que generen tareas en el gestor interno o correos automatizados con plantillas para negociar proveedores o ajustar precios.

Checkpoint: Umbrales validados y flujo de acciones automáticas en Make que convierten alertas en tareas operativas.

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 para que detalle por SKU las tres principales causas de variación de coste (composición de materia prima, tipo de contrato con proveedor, logística). Mantén formato JSON y agrega una columna 'recommendation_priority' con valores alto/medio/bajo."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Reformula el informe para versión ejecutiva corta (1 página) y versión técnica larga (anexos con cálculos). Devuelve ambas versiones claramente separadas: 'ejecutivo' y 'anexo_tecnico'."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el resumen ejecutivo en tono más formal y directo, orientado al Comité de Dirección: enfatiza impacto en margen total y decisiones estratégicas a tomar en 30 días."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera un resumen de una página con máximo 6 bullet points: 1) situación actual, 2) principal alerta, 3) impacto en margen, 4) riesgo inminente, 5) recomendación prioritaria, 6) decisión solicitada. Incluye una nota con 'nivel de urgencia' y 'acción recomendada esta semana'."

Resultado

Que vas a obtener

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

Ejemplo de output — Química Ibérica S.A., sector petroquímica

Estructura del output

El output será un JSON ejecutivo con secciones: executive_summary, signals, alerts, recommendations, scenarios, data_table, methodology y sources_confidence. Además se generan dos textos listos para diapositivas: slide_1 y slide_2.

Senales de un buen output

Contiene alertas cuantificadas con umbrales y impacto estimado
Incluye tabla por SKU con coste actual y variaciones 30/90 días
Ofrece recomendaciones accionables y responsables asignados
Proporciona un indicador de confianza y metodología reproducible

Senal de que el output es bueno: Las alertas están cuantificadas y enlazadas a un impacto en margen por SKU.

Costes

Inversion y retorno

50$ Make Business / mes

10 min por ejecución Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: El sistema reduce la latencia de detección de riesgos de precio y evita decisiones reactivas que erosionan márgenes; en empresas medianas puede recuperar el coste del servicio en semanas al prevenir compras a precios adversos. El ahorro proviene de mejores renegociaciones y ajustes de pricing más oportunos.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Faltan columnas en el CSV	Exportación incompleta del ERP o cambios en plantilla del CSV	Verifique encabezados y reexporte: columnas requeridas fecha, SKU, cantidad, coste_unitario, moneda. Documente el formato en un repositorio central.
Los precios de commodities no coinciden por fecha	Diferencia de zona horaria o formato de fecha entre fuentes	Normalice fechas a UTC/fecha calendario y aplique un join por fecha; en Make, convierta formatos de fecha con un módulo de transformación antes de unir.
Alertas excesivas (falsos positivos)	Umbrales demasiado sensibles o ruido en la serie	Aplique smoothing (media móvil 7d) y aumente umbral de alerta inicial. Valide con 4 semanas de datos y ajuste percentiles.
El escenario de Make falla por tiempo de ejecución	Peticiones a la API de commodities exceden límites o módulos mal configurados	Introduzca paginación y retries exponenciales, optimice llamadas agrupándolas por rango de fechas y utilice caché intermedio en Google Sheets/S3.
El informe no llega a destinatarios	Configuración incorrecta del módulo de envío de correo o credenciales caducadas	Verifique credenciales SMTP/SendGrid en Make, revise logs de envío y realice un test manual con un correo de control.

Modo avanzado

Como hacer este tutorial con IA en modo avanzado

En modo agente, la IA orquesta llamadas a APIs, valida datos, ejecuta análisis y toma decisiones automatizadas (p. ej. generar y enviar alertas). Esto permite que el sistema funcione de forma continua con mínimas intervenciones humanas.

Modo avanzado

Flujo de trabajo avanzado

1
Conectar y autenticar con ERP y APIs de commodities automáticamente
2
Descargar y validar datos, corrigiendo formatos y señalando inconsistencias
3
Ejecutar modelos de detección de anomalías y generar alertas clasificadas
4
Programar envíos y ejecutar acciones automáticas dentro de Make (crear tareas, enviar correos, actualizar dashboards)

Eres un agente de orquestación para el flujo de precios. Tu objetivo: cada semana descargar [ERP_DATA_FILE], llamar a [COMMODITY_SERIES], validar y normalizar datos, ejecutar el análisis de alertas y enviar un informe a [REPORT_RECIPIENTS]. Pasos concretos: 1) Conecta al almacenamiento y verifica que el CSV tiene las columnas requeridas; si falta algún campo, genera un reporte de error con las filas exactas. 2) Llama a la API de commodities con [COMMODITY_API_KEY] y normaliza a [BASE_CURRENCY], aplicando conversiones y smoothing 7d. 3) Calcula variaciones 7/30/90 días y estima impacto en margen por SKU; detecta anomalías con umbrales definidos y prioriza alertas (alto/medio/bajo). 4) Genera un JSON con executive_summary, alerts, recommendations y data_table (máx. 10 entradas) y dos textos para diapositivas. 5) Publica la tabla consolidada en Google Sheets y envía el informe por correo a [REPORT_RECIPIENTS] con asunto: 'Alerta semanal precios materias primas - [FECHA]'. 6) Si detectas datos inconsistentes, crea un ticket automático en el sistema de incidencias con detalles. Ejecuta este flujo sin intervención y registra un log con resultados y tiempo. Responde sólo en español y mantén tono ejecutivo.

Cuando usar el modo avanzado en este tutorial: Úselo cuando necesite ejecución completamente automática y fiable, con entrega semanal sin supervisión humana y capacidad para ejecutar acciones operativas (tareas, correos, tickets).

Siguiente paso

Que hacer ahora?

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

Tutorial relacionado · IA

Explorar mas tutoriales de IA

Descubre otros casos de uso de IA 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: Tras las primeras 4 semanas, compare alertas con resultados reales y ajuste elasticidades y umbrales; documente los ajustes para convertirlos en reglas de negocio reutilizables.

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