Daily Report Automático de Operaciones (Retail) con Make y ChatGPT API

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 20-40 minutos tendras:

✓ Extracción diaria automática del CSV desde SFTP
✓ Informe ejecutivo con semáforo y anomalías detectadas
✓ Envío por email antes de las 7:00 con cuerpo listo para dirección

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta en Make (Integromat) con permiso para programar escenarios y conectar módulos SFTP y SMTP.

Obligatorio Clave de API de OpenAI (o el proveedor equivalente) con acceso al modelo GPT-4o y cuota suficiente para ejecuciones diarias.

Recomendado Estructura CSV estandarizada desde el BI con columnas: fecha, tienda, sku, unidades, ventas, ticket_medio, coste.

Recomendado Cuenta de correo con SMTP autenticado o integración de correo en Make y lista de destinatarios del informe.

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

Cadena Retail Norte SL, sector retail alimentario — el problema real

La dirección recibe a diario datos crudos del BI tarde y sin una lectura ejecutiva; revisar KPIs manualmente consume tiempo antes de la apertura. Esto provoca reacciones lentas ante caídas de ventas por tienda.

Con IA y el prompt de este tutorial, puede resolver este reto en 20-40 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

IA
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: La IA resume y estructura grandes volúmenes numéricos en lenguaje ejecutivo y detecta anomalías con reglas y patrones. Integrada en Make, garantiza ejecución puntual y repetible sin intervención humana.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Necesitas un informe diario estandarizado antes de la apertura de la jornada Tienes múltiples tiendas y necesitas detectar caídas por ubicación en minutos Quieres reducir el trabajo manual de consolidación y redacción de informes	Cuando el análisis requiere modelización estadística avanzada o predicciones complejas intradiarias Si los datos no están disponibles en un CSV accesible vía SFTP Cuando se requieren decisiones legales o auditoría financiera que exijan trazabilidad contable por sistema ERP

Paso 01

Configurar el escenario y trigger en Make

Crea un escenario en Make que se ejecute a las 06:30. El primer módulo debe conectarse al servidor SFTP/FTP del BI para descargar el CSV de ventas del día anterior o del cierre nocturno.

1
Crear escenario programado a las 06:30 En Make, añade un cron scheduler que dispare el escenario a las 06:30 cada día laboral. Esto asegura que el archivo se procese antes de las 7:00.
2
Añadir módulo SFTP y probar conexión Configura host, usuario y clave (o keypair) y verifica listando el directorio. Usa rutas absolutas para evitar errores y registra el resultado en el log del escenario.
3
Descargar y almacenar temporalmente el CSV Configura el módulo para descargar el archivo [CSV_PATH] y guardarlo en el almacenamiento temporal de Make o en un bucket temporal. Comprueba que el archivo tiene datos y tamaño esperados.

Checkpoint: El escenario se activa a las 06:30 y el CSV se descarga correctamente desde SFTP al almacenamiento temporal.

Paso 02

Parsear CSV y calcular KPIs en Make

Usa módulos de transformación en Make para convertir el CSV en JSON y calcular los KPIs necesarios: ventas totales, ticket medio, unidades por tienda, variación vs. objetivo y desviación porcentual.

1
Mapear columnas del CSV a campos JSON Utiliza el módulo 'Parse CSV' para definir encabezados (fecha, tienda, ventas, unidades, ticket_medio). Confirma encoding UTF-8 y formato decimal para evitar errores de parseo.
2
Agregar operaciones de agregación por tienda Usa funciones de agregación en Make para sumar ventas, calcular ticket medio y comparar con objetivos predefinidos. Guarda resultados en una estructura JSON llamada 'kpi_summary'.
3
Construir payload para ChatGPT API Crea el JSON que incluirá el resumen numérico y las filas relevantes (top 5 tiendas por caída y top 5 por mejora). Este payload se pasará al módulo HTTP que invoca la API de ChatGPT.

Checkpoint: Dispones de un JSON con KPIs agregados y las filas relevantes listo para enviar al modelo.

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 la llamada a la API (payload 'messages' del modelo) y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la carga y tamaño del payload.

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

[CSV_PATH]Ruta completa del archivo CSV en el servidor SFTP (ej: /exports/daily/sales_2026-07-15.csv)

[REPORT_DATE]Fecha del informe en formato YYYY-MM-DD (ej: 2026-07-15)

[KPI_THRESHOLDS]JSON que define límites de semáforo por KPI. Ej: {"ventas":{"verde":0.05,"ambar":-0.05},"ticket_medio":{"rojo":-0.1}}

Prompt principal — Daily Report Automático (Retail) Eres un analista ejecutivo virtual. Has recibido un JSON con KPIs agregados y filas relevantes extraídas del CSV diario de ventas. Tu objetivo: generar un informe ejecutivo listo para enviar por email a la dirección, con semáforo de KPIs, detección de anomalías y recomendaciones de acción concretas. FORMATO DE ENTRADA: recibirás los campos principales: fecha de informe [REPORT_DATE], nombre de la empresa [COMPANY_NAME], y el objeto 'kpi_summary' que contiene métricas por tienda y un listado 'rows' con tiendas significativas. También dispones de la variable [KPI_THRESHOLDS] que define los límites para semáforo (verde, ámbar, rojo). TAREAS: 1) Genera un 'subject' de email corto y ejecutivo. 2) Escribe un 'executive_summary' de 3-4 frases que destaque la situación global (ventas totales y variación frente al objetivo). 3) Construye una tabla de KPIs con columnas: KPI, Valor total, Variación %, Semáforo (VERDE/AMARILLO/ROJO) y explicación breve de la semaforización. 4) Lista las 3 principales anomalías por tienda con evidencia numérica y posible causa operativa. 5) Propone 3 acciones concretas priorizadas (Acción, Responsable sugerido, Impacto estimado). 6) Crea el 'email_body_html' listo para pegar en un correo corporativo que incluya el resumen, la tabla y un bloque 'Acciones prioritarias'. SALIDA REQUERIDA: devuelve un JSON con estas claves: subject, executive_summary, kpi_table (array de objetos), anomalies (array), suggested_actions (array), email_body_html (string). REGLAS: usa lenguaje ejecutivo, conciso y objetivo; no incluyas datos no proporcionados; cuando haya incertidumbre indica la suposición; calcula y muestra porcentajes con dos decimales; aplica semáforo usando [KPI_THRESHOLDS] y explica por qué cada KPI recibió ese color; si detectas más de 5 anomalías, limita la salida a las 5 más relevantes. EJEMPLO DE SALIDA mínima: {"subject":"[REPORT_DATE] Informe Operaciones - [COMPANY_NAME]","executive_summary":"...","kpi_table":[{"kpi":"Ventas totales","value":12345.67,"variation":-2.34,"semaforo":"AMARILLO","note":"Ventas -2.34% vs objetivo"}],"anomalies":[{"store":"Tienda Centro","issue":"Caída ventas 25%","evidence":"Ventas 1.234 vs objetivo 1.645"}],"suggested_actions":[{"action":"Revisión stock","owner":"Gerente Operaciones","impact":"Reducir rotura de stock en 48h"}],"email_body_html":"..."}. DATOS: trata [CSV_PATH] y [REPORT_DATE] como referencia para extraer contexto si es necesario. Prioriza claridad para la dirección y formato listo para pegar en correo.

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

Paso 04

Validar, automatizar envío y manejar errores

Añade validaciones y reglas de reintento en Make. Configura el módulo SMTP o el servicio de correo para enviar el email antes de las 07:00. Implementa alertas en caso de fallo.

1
Validar tiempos y tamaño del informe Comprueba que la ejecución completa (SFTP -> API -> email) termina antes de las 07:00 en pruebas. Si excede, reduce tamaño del payload o optimiza transformaciones.
2
Configurar reintentos y notificaciones En Make, define reintentos para fallos SFTP o HTTP y agrega un webhook de alerta que envíe SMS o Slack al equipo de operaciones si el flujo falla.

Checkpoint: El informe se envía automáticamente antes de las 07:00 y existen alertas y reintentos configurados para fallos críticos.

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. "Añade contexto operativo y numérico específico: toma el informe previo y reemplaza generalidades por cifras concretas extraídas del payload. Indica la tienda, los valores absolutos y el impacto estimado en euros. Mantén el mismo formato JSON de salida."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones: 1) Executive one-pager (máx. 6 frases) y 2) Informe ampliado con tablas detalladas por tienda y KPI. Conserva el mismo subject y estructura JSON; marca la versión en un campo 'detail_level'."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el 'executive_summary' y 'email_body_html' en un tono más formal y directo para Comité de Dirección, usando menos jerga operativa y enfatizando impacto financiero y riesgo."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resume todo el informe en un único párrafo de 3 frases que incluya: estado general (semaforo), la principal anomalía cuantificada y la acción prioritaria recomendada con impacto estimado en euros."

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 — Cadena Retail Norte SL, sector retail alimentario

Estructura del output

El prompt devuelve un JSON con subject, executive_summary, kpi_table (array con KPI, valor, variación, semáforo y nota), anomalies (array con evidencia) y suggested_actions. También incluye email_body_html listo para enviar.

Senales de un buen output

Subject conciso y con fecha
Executive summary de 3-4 frases con cifras clave
Tabla de KPIs con semáforo y explicación para cada KPI
Lista priorizada de anomalías con evidencia numérica

Senal de que el output es bueno: El informe contiene cifras exactas provenientes del CSV, semáforos justificados por los thresholds y un email HTML listo para enviar.

Costes

Inversion y retorno

50$ Make + OpenAI API / mes

≤ 1 minuto por ejecución Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Automatizar el informe diario reduce horas de trabajo manual y acelera la toma de decisiones operativas: recuperar incluso 30 minutos/día de personal de operaciones ya supone ahorro notable. El valor inmediato proviene de detectar caídas por tienda y ejecutar acciones correctivas antes de la apertura.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Fallo en conexión SFTP (timeout o acceso denegado)	Credenciales inválidas, IP no permitida o llave caducada	Verificar usuario/clave o keypair, permitir la IP pública de Make en la whitelist SFTP y probar conexión manual con cliente SFTP.
CSV descargado pero parser devuelve filas vacías	Encoding diferente (ISO-8859-1) o separador distinto (punto y coma)	Forzar encoding UTF-8 y especificar el separador correcto en el módulo 'Parse CSV'; validar encabezados después de parsear.
Modelo devuelve error o respuesta truncada	Payload demasiado grande o límite de tokens alcanzado	Reducir tamaño del payload enviando solo el resumen 'kpi_summary' y las 5 filas más relevantes; activar streaming si es necesario.
Email no llega a destinatarios	Configuración SMTP incorrecta, bloqueo por políticas de correo o filtrado antispam	Comprobar credenciales SMTP, registro SPF/DKIM de dominio remitente y enviar un test con copia a un buzón controlado.
Semáforo incoherente con la realidad	Umbrales en [KPI_THRESHOLDS] mal definidos o aplicados con signo inverso	Revisar y corregir JSON de [KPI_THRESHOLDS], ejecutar pruebas con escenarios conocidos y documentar reglas en el repositorio de operaciones.

Modo avanzado

Como hacer este tutorial con IA en modo avanzado

El modo agente permite que la IA actúe como coordinador de tareas repetitivas: ejecutar el análisis, validar resultados y disparar acciones (p. ej. alertas) sin intervención humana. Útil para procesos con reglas claras y datos estandarizados.

Modo avanzado

Flujo de trabajo avanzado

1
1. Configurar el agente con permisos API y acceso al almacenamiento temporal donde Make deja el CSV.
2
2. Programar el agente para ejecutar el prompt principal y devolver un JSON estructurado.
3
3. Agregar lógica de toma de decisiones en Make: si el agente marca 'semaforo' rojo, enviar alerta al responsable.
4
4. Registrar cada ejecución y permitir feedback humano para reentrenar o ajustar reglas.

Actúa como agente operativo. Recibirás el JSON 'kpi_summary' y el listado de filas críticas. Ejecuta el análisis definido en el prompt principal, genera el informe JSON y decide si disparar una alerta automática. Si disparas alerta, incluye motivo, tiendas afectadas y un mensaje corto para el responsable. Mantén un registro de decisión con timestamps.

Cuando usar el modo avanzado en este tutorial: Especialmente valioso cuando se necesita reacción autónoma y rápida ante semáforos rojos recurrentes (picos de caída de ventas o incidencias logísticas en tiendas).

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: Programa una revisión semanal automatizada que compare 7 días para detectar tendencias y actualizar los [KPI_THRESHOLDS] con base en estacionalidad y promociones.

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