Analítica conversacional vs. dashboards: cuándo usar cada uno
Un dashboard de BI responde las preguntas que alguien anticipó; la analítica conversacional, las que surgen sin aviso. Se complementan: cubren usos distintos.
En resumen
- Un dashboard de BI responde bien las preguntas que alguien anticipó al diseñarlo; la analítica conversacional cubre las que aparecen sin aviso. Son complementarios, no sustitutos.
- El límite de un tablero no es técnico sino de diseño: lo que quedó fuera de la vista es invisible por construcción, aunque el dato exista en la base.
- La analítica conversacional cambia quién puede preguntar: cuando consultar cuesta lo mismo que escribir un mensaje, las decisiones pequeñas y frecuentes empiezan a tomarse con datos.
- Tanto el dashboard como la analítica conversacional son reactivos. Lo que nadie está mirando requiere agentes que analicen los datos de forma continua y avisen por iniciativa propia.
- Ninguno de los dos funciona sobre datos inconsistentes: si dos áreas definen «venta» de forma distinta, el punto de partida es la gobernanza de datos, no la herramienta.
La diferencia entre analítica conversacional y dashboards es qué preguntas cubren. Un dashboard de BI responde bien las preguntas que alguien anticipó al diseñarlo y se mira a diario; la analítica conversacional responde, en el momento y escrita en español, la pregunta que nadie previó. No compiten: la segunda complementa al BI que la empresa ya tiene.
La pregunta llega casi siempre planteada como una disyuntiva —si implementamos esto, ¿dejamos de usar Power BI?— y plantearlo así lleva a la decisión equivocada por los dos lados: descartar la capa conversacional por redundante o abandonar el BI existente por anticuado. Sirven para cosas distintas, y vale la pena ser preciso sobre cuáles.
¿Cuál es la diferencia entre analítica conversacional y un dashboard?
Un dashboard muestra un conjunto fijo de métricas elegidas de antemano; la analítica conversacional responde cualquier pregunta sobre los datos disponibles, en el momento en que aparece. La tabla resume el resto:
| Criterio | Dashboard de BI | Analítica conversacional |
|---|---|---|
| Qué pregunta responde | La que alguien anticipó al diseñarlo | La que aparece sin aviso |
| Quién define el análisis | Quien diseñó el tablero | Quien tiene el problema enfrente |
| Dónde se consulta | En la herramienta de BI | En WhatsApp, Teams, Google Chat o Slack |
| Qué hace falta saber | Navegar el tablero y sus filtros | Escribir una pregunta en español |
| Mejor uso | Seguimiento diario de las mismas métricas | Preguntas puntuales que preceden a una decisión |
| Punto ciego | Todo lo que quedó fuera del diseño | Lo que nadie decide preguntar |
¿Qué hace bien un tablero de BI?
Un tablero de BI hace bien el seguimiento recurrente: las mismas métricas, miradas todos los días, por las mismas personas, con la misma forma.
Un tablero es una hipótesis congelada sobre qué importa. Alguien decidió qué métricas son relevantes, cómo se calculan y cómo se presentan, y construyó una vista estable que se actualiza sola. Esa decisión es lo que lo hace utilizable: no hay que pensar cada vez, la información está donde estaba ayer y se lee de un vistazo.
Ventas del día contra meta, cartera vencida por tramo, cumplimiento de producción, tickets abiertos por antigüedad. Para ese KPI que se mira cada mañana, un tablero de Business Intelligence es una herramienta difícil de superar.
¿Por qué los dashboards de BI se usan poco?
Los dashboards se usan poco por dos razones: lo que quedó fuera de su diseño es invisible por construcción, y abrirlos exige entrar a una herramienta que no se usa para nada más.
La primera razón es la misma que su virtud. Lo que queda fuera es, casi siempre, la pregunta específica que surge una vez y no vuelve: por qué cayó el margen en el canal mayorista este mes, si el aumento de tickets se concentra en un lote de producción, qué clientes cambiaron su patrón de compra en los últimos sesenta días, si conviene despachar hoy o esperar al martes. Ese tipo de pregunta suele ser exactamente la que precede a una decisión importante.
La segunda es de fricción. Entrar al tablero es una decisión deliberada, y en una jornada con cien cosas abiertas, esa pequeña fricción gana casi siempre.
El patrón resultante es conocido en cualquier empresa mediana: hay decenas de tableros, la mayoría se consulta poco, y cuando alguien necesita algo puntual escribe un correo al área de datos y espera. Para entonces la decisión ya se tomó, con la información que había. Nada de eso significa que el BI esté mal hecho: fue diseñado para otra cosa.
¿Qué alternativas tiene el dueño de una PyME a los dashboards con SQL?
El dueño de una PyME tiene cuatro caminos para consultar sus datos sin escribir SQL: pedirle el informe a alguien, armar planillas a mano, contratar un tablero a medida o preguntar en español a un agente que consulta las bases de datos. La diferencia entre ellos es cuánto tarda la respuesta y de quién depende. Para el caso del reporte de ventas, vea cómo automatizar los reportes de ventas desde el ERP.
| Alternativa | Cómo funciona | Límite |
|---|---|---|
| Pedir el informe a quien sabe SQL | Usted pide, otra persona escribe la consulta y le devuelve el resultado | La respuesta llega cuando la decisión ya se tomó |
| Planillas armadas a mano | Se exportan datos del ERP y se cruzan en una hoja de cálculo | Se desactualizan y cada versión tiene números distintos |
| Tablero de BI a medida | Un proyecto define las métricas y las deja en una vista fija | Solo responde lo que se anticipó al diseñarlo |
| Analítica conversacional | Usted pregunta en español por WhatsApp o Teams y el agente consulta en solo lectura | Exige que las métricas estén bien definidas |
Para el seguimiento diario de las mismas cifras, un tablero sigue siendo una buena herramienta. Para la pregunta puntual de un dueño que no tiene equipo de datos, la última fila es la única que no depende de que alguien más escriba la consulta. El mecanismo está explicado en text-to-SQL.
¿Qué agrega la analítica conversacional?
La analítica conversacional agrega la respuesta a la pregunta no prevista, y la pone en manos de quien la necesita.
En lugar de anticipar las preguntas, el sistema las responde cuando aparecen. La persona escribe la pregunta en español, un agente la traduce a una consulta sobre las bases de datos de la empresa mediante text-to-SQL, la ejecuta en modo de solo lectura y devuelve la cifra con su tabla o su gráfico. En la plataforma de Igniten ese recorrido tarda entre 10 y 30 segundos, y un segundo modelo verifica cada número contra el dato real antes de responder. Las fuentes tampoco se limitan a las bases de datos: los agentes trabajan sobre el ERP, el CRM, las plataformas de venta como Mercado Libre, Tiendanube o Shopify, los sistemas de gestión y facturación, el correo, el calendario, los chats internos, los documentos y las reuniones, y cruzan esas fuentes en una misma respuesta, algo que un tablero rara vez junta. El detalle técnico, y sus límites, está en text-to-SQL empresarial: qué es, cómo funciona y dónde falla.
La diferencia práctica no es de velocidad, aunque también lo sea. Es de quién puede preguntar. Un tablero deja el análisis en manos de quien lo diseñó; una interfaz conversacional lo deja en manos del jefe de bodega, del vendedor en ruta o del gerente que está en una reunión con un cliente, que puede preguntar por escrito o con una nota de voz y ve solo lo que sus permisos le habilitan.
Eso tiene un efecto de segundo orden: cuando consultar cuesta lo mismo que escribir un mensaje, la gente pregunta cosas que antes no valía la pena averiguar. Decisiones pequeñas y frecuentes —un descuento, un despacho, una prioridad de ruta— empiezan a tomarse con datos. En volumen, esas decisiones pesan en el resultado del mes tanto como el informe trimestral.
¿La analítica conversacional reemplaza a Power BI?
No de entrada: la analítica conversacional complementa el BI que la empresa ya tiene, y con el tiempo muchas empresas terminan eligiéndola como su forma principal de consultar los datos.
El recorrido habitual es gradual. Al principio, el tablero sigue cubriendo el seguimiento diario y la conversación cubre lo que el tablero dejó fuera. A medida que más personas preguntan, y que preguntar por la métrica de siempre es tan rápido como abrir el tablero, el centro de gravedad se desplaza hacia la conversación. No hace falta decidirlo de antemano, ni apagar nada: el uso lo decide.
Lo que no conviene es plantear la adopción como un reemplazo forzado. Un equipo que depende de un tablero para su reunión diaria no necesita que se lo quiten; necesita poder preguntar lo que el tablero no muestra. Así funciona, por ejemplo, un agente de datos dentro de Microsoft Teams: la respuesta aparece en la conversación donde se está discutiendo, junto a los tableros que ya existen.
¿Y lo que nadie está preguntando?
Lo que nadie está preguntando no lo cubre ni el dashboard ni el chat, porque ambos son reactivos: uno muestra lo que alguien decidió mostrar, el otro responde lo que alguien decidió preguntar.
Un margen que se erosiona dos puntos por mes durante un semestre no dispara ninguna pregunta hasta que el daño ya está hecho. Nadie lo estaba mirando, no por descuido, sino porque no había motivo para mirarlo. Son los unknown unknowns: problemas y oportunidades que la organización no detecta porque no sabe que debe buscarlos.
Atacarlos requiere análisis sin hipótesis previa —recorrer los datos buscando anomalías y correlaciones sin partir de una pregunta—, un trabajo tedioso para una persona y adecuado para un agente automatizado. Es el enfoque de agentic analytics: agentes que monitorean los datos de forma continua y escriben en el canal del equipo cuando algo se sale de su rango. En Igniten ese aviso llega al mismo chat donde se pregunta, y el agente puede además proponer la acción que sigue —agendar una reunión, enviar un correo, actualizar un registro en el CRM o el ERP—, que se ejecuta solo si una persona responde Sí. Ni el tablero ni el chat reactivo llegan hasta ahí.
¿Cómo decidir entre dashboard y analítica conversacional?
Se decide por el tipo de necesidad, no por la herramienta. Una guía en cuatro pasos:
- Liste las preguntas que su equipo hizo en el último mes y que terminaron en un correo al área de datos o en una planilla armada a mano.
- Separe las recurrentes de las puntuales. Las que se repiten todos los días con la misma forma son candidatas a tablero; si ya lo tienen, están cubiertas.
- Mire las puntuales. Si son muchas, y si preceden a decisiones, ahí está el espacio de la analítica conversacional.
- Pregúntese qué no está mirando nadie. Si la respuesta incomoda, el hueco es de agentes que trabajan sin que se les pregunte.
Si ya decidió que necesita la capa conversacional, los criterios para elegir plataforma están en cómo elegir una plataforma de analítica conversacional.
En la mayoría de las empresas conviven las tres cosas, sobre las mismas fuentes y las mismas definiciones. La guía completa de analítica conversacional explica cómo se implementa la segunda sin tocar la primera.
¿Qué condición comparten los dos?
Ni el dashboard ni la analítica conversacional funcionan sobre datos inconsistentes, y esa es la advertencia que más veces hay que repetir.
Si dos áreas definen «venta» de forma distinta, un tablero muestra una de las dos versiones y la otra área deja de mirarlo. Una interfaz conversacional es más cruel: dos personas hacen la misma pregunta con palabras distintas y reciben cifras distintas, rápido y con seguridad aparente. Cuando ese es el caso, el punto de partida no es la herramienta sino la gobernanza de datos, que es de lo que se ocupa la gobernanza de IA.
Si las definiciones están resueltas y lo que falta es acceso, la conexión a las bases de datos es de solo lectura y no requiere migrar nada: el procedimiento está en cómo conectar el ERP a un agente de IA sin exponer datos sensibles. Para ver la conversación funcionando, está la plataforma de analítica conversacional de Igniten.