Saltar al contenido

Traducción automática — la versión en portugués es la referencia. Ver en portugués

Actualizado el 2026-10-04

Descomposición de la variación

Explica, con aritmética que cierra la cuenta, cuánto contribuyó cada segmento de una dimensión a la variación de una métrica entre el período actual y el anterior — sin LLM.

En esta página (9)

Motor: Determinístico (sin LLM)


1. Qué hace

Toma la variación de una métrica entre el período actual y el anterior (el mismo par que usa el Δ% de los KPI) y la descompone por dimensión: cuánto contribuyó cada categoría, sucursal, canal o producto a que el número subiera o bajara — incluidos los segmentos que aparecieron y los que salieron entre un período y otro. La suma de las contribuciones cierra con la variación total; lo que no cierra aparece como residuo explícito, nunca se esconde.

2. ¿Determinístico o LLM?

Determinístico. Es aritmética (suma compensada para no perder centavos en cifras grandes, división segura, desempate alfabético). Ningún modelo de lenguaje decide qué contribuyó. Cuando la narrativa de Insights del dashboard o del informe use esta evidencia, el LLM recibe la cuenta hecha y solo la redacta — no calcula.

3. Datos enviados y egress

Ninguno. El cálculo se ejecuta en el servidor del producto sobre el snapshot del panel. Si la evidencia luego es narrada por una capacidad con LLM, valen las reglas de egress de esa capacidad (Privacidad, envío externo y presupuesto de IA).

4. Privacidad y retención

Opera sobre el snapshot ya filtrado por RLS del panel — quien no ve una sucursal en el visual tampoco la ve en la descomposición. Trabaja con dimensiones categóricas y métricas numéricas; el texto nunca se convierte en métrica. No guarda nada más allá de lo que el snapshot ya guarda.

5. Tokens, costo y presupuesto

No se aplica: costo cero, no consume el presupuesto de IA.

6. Cómo activarla, quién puede usarla y cómo desactivarla

En esta versión no hay botón en la interfaz. El motor está implementado y probado por pruebas, pero la superficie del producto — "explica la variación" dentro de los insights del panel y de la narrativa del informe — todavía está en construcción. No hay nada que activar o desactivar; cuando llegue la superficie, seguirá el kill switch y los roles de la capacidad que la muestre.

7. Rechazos

  • Sin período anterior (primer snapshot): no hay variación que descomponer; la capacidad no inventa una base.
  • Base cero: la variación porcentual sale vacía y señalada, nunca Infinity ni NaN; la contribución absoluta sigue siendo válida.
  • Valores no numéricos en la métrica cuentan cero en los dos períodos — la regla es simétrica, así que el cierre no se rompe.

8. Limitaciones y ausencia de causalidad

Contribución no es causa. Decir que "la sucursal SP respondió por el 60% de la caída" es aritmética sobre el dato; no dice por qué cayó SP. La descomposición no detecta estacionalidad, no compara con la meta y no cruza dimensiones (una dimensión por vez). Para métricas que son razones (ticket promedio = ingresos ÷ pedidos) existe una descomposición propia, porque sumar contribuciones de una razón como si fueran valores absolutos daría una cuenta equivocada.

9. Cómo validar

  • Conjunto de pruebas de referencia: cierre Σ contribuciones == Δ total dentro de una tolerancia explícita, probado en estilo property-based (muchas entradas aleatorias con semilla fija); segmentos nuevos y que salieron; base cero; determinismo (misma entrada → misma salida, byte a byte).
  • Cuando la superficie esté disponible: suma manualmente las contribuciones listadas y compara con el Δ del KPI del panel — tiene que coincidir, y el residuo informado tiene que ser lo que falta.

Enlaces relacionados