Saltar al contenido

Gobernanza de datos maestros: un 90% menos en tiempo de actualización y más escala

Gemini_Generated_Image_y8skomy8skomy8sk-1

Sector

Fabricación

Desafío

La operación dependía de una plataforma de datos maestros que era costosa de mantener, poco confiable y lenta para actualizar la información crítica sobre los productos. El resultado era tensión entre los departamentos de comercio electrónico, CRM, marketing y data analytics, además de una baja adhesión interna y poca visibilidad sobre los cuellos de botella del proceso.

Resultados

La nueva estructura redujo en un 90 % el tiempo de actualización de los datos, aumentó la eficiencia operativa en un 25 %, disminuyó las inconsistencias en un 50 % y amplió la base a cerca de 1.080 usuarios activos, con un NPS promedio de 4,85.

Framework

MATH AI Platform, Framework de governança , arquitetura de dados, governança de dados

90%
Reducción del tiempo de actualización de datos
25%
Aumento de la eficiencia operativa
50%
Reducción de inconsistencias en los datos
1.080
Base activa de usuarios con un crecimiento de más del 20 %

“El proyecto dejó de considerar el catastro como una tarea de mantenimiento y pasó a considerar los datos maestros como infraestructura para el crecimiento.”

Directora de Transformación Digital y Datos de Producto

Industria

Gemini_Generated_Image_65fw165fw165fw16

Cuando el catálogo, la operación y el crecimiento dependen de una misma base

La operación forma parte de una industria con múltiples unidades de negocio, decenas de miles de SKUs y una fuerte dependencia de datos de productos para apoyar la experiencia comercial, la integración sistémica y la expansión del ecosistema digital. El reto no era solo modernizar un sistema, sino recuperar la credibilidad de la plataforma y transformarla en una base capaz de respaldar el crecimiento.

El problema era un nivel de confianza demasiado bajo para que la plataforma pudiera escalar

La dependencia de una solución MDM propietaria elevaba los costos de mantenimiento, los procesos manuales recurrentes consumían horas de trabajo calificado y la actualización de los productos se realizaba a un ritmo incompatible con las necesidades operativas.

La falta de fiabilidad de los datos afectaba a las áreas de comercio electrónico, CRM, marketing y data analytics.

La ausencia de indicadores dificultaba la identificación de cuellos de botella e impedía mantener la expansión de manera previsible. 

Reorganizar la base para que el crecimiento dejara de depender del trabajo manual 

MATH reestructuró la plataforma con un modelo híbrido, integrado con SAP, lo que redujo la dependencia de componentes propietarios.

La primera fase consistió en la actualización masiva de los datos de productos.

La segunda fue la consolidación del ambiente para incorporar nuevas empresas sin perder el control.

La tercera fue el control operativo mediante logs y monitoreo gerencial. La cuarta fue la experiencia del usuario con una interfaz rediseñada y una búsqueda más precisa. 

La mejora no vino solo de actualizar los productos más rápido. Vino de hacer que la plataforma volviera a ser lo suficientemente confiable para que el negocio creciera sobre ella.

Qué cambió cuando la plataforma dejó de ser un cuello de botella

El tiempo de actualización de los datos de los productos se redujo de ciclos de hasta 30 días a ciclos de aproximadamente 3 días, o sea, una reducción del 90%.

La eficiencia operativa aumentó un 25%, con un ahorro estimado de más de R$ 100.000 al año. Las inconsistencias en los datos se redujeron en un 50%.

La base creció más del 20% en 2024, con más de 1.080 usuarios activos.

El NPS promedio de 4,85 demuestra que la plataforma pasó a ser reconocida como facilitadora del ecosistema digital. 

¿Su plataforma de datos maestros todavía consume más recursos de los que aporta al negocio?