El retail mide. El problema es que mide volumen cuando debería medir margen, mide stock cuando debería medir quiebre, y mide canal físico y e-commerce por separado cuando el cliente hace exactamente lo contrario.
La consecuencia es conocida: decisiones de reposición tomadas con datos del lunes, categorías que se reordenan por facturación en lugar de por rentabilidad, y un mismo cliente contado dos veces —o ninguna— dependiendo de por dónde compró esa semana.
En más de 15 años trabajando con empresas de consumo masivo y retail —con más de 24 clientes en cartera— vemos la misma situación con pocas variaciones: tableros de ventas bien armados, revisados en la reunión semanal, que muestran lo que pasó pero no habilitan ninguna decisión sobre lo que está pasando ahora. Y una pregunta que nadie puede responder en el momento: “¿por qué bajó el margen esta semana si la venta subió?”
Este artículo no es un listado de métricas. Es una guía sobre qué medir, qué decisiones habilita cada KPI y, sobre todo, qué errores de medición convierten los datos en ruido en lugar de en señal.
Las decisiones que una operación de retail necesita habilitar
Antes de hablar de KPIs, conviene preguntarse qué decisiones tiene que poder tomar una operación de retail en tiempo real —o al menos con datos del día anterior:
- ¿Cuál de mis locales está rindiendo por debajo de su potencial y por qué?
- ¿La categoría que más vende es la que más me deja, o estoy moviendo volumen sin margen?
- ¿Cuánta venta estoy perdiendo hoy porque un SKU crítico está en quiebre?
- ¿Mis clientes me compran solo en físico, solo online, o en ambos canales —y lo estoy midiendo bien?
- ¿Qué repongo, en qué local y con qué urgencia?
Esas preguntas definen los KPIs. No al revés.
Los KPIs que de verdad importan
Venta por m² y por local
La venta total no dice nada si no se divide por superficie útil de venta y se compara entre locales. Un local que factura el doble puede estar rindiendo la mitad si tiene el triple de metros.
La decisión que dispara: si la venta por m² cae en un local respecto del promedio de la cadena, ¿es un problema de tráfico, de surtido, de exhibición o de precio? Sin ese cruce, la baja se nota pero no se puede atacar.
Same-store sales (venta comparable)
La variación de ventas de un período a otro solo es útil si se compara la misma base de locales —sin incluir aperturas ni cierres que distorsionan la foto. El same-store sales aísla el crecimiento orgánico del crecimiento estructural.
La decisión que dispara: si la cadena crece en total pero las ventas comparables bajan, el negocio está abriendo locales nuevos para compensar un deterioro que no está resolviendo. Ese es un problema de gestión, no de expansión.
Rotación de inventario y días de stock
La rotación mide cuántas veces se renueva el inventario en un período. Los días de stock expresan lo mismo al revés: cuántos días de venta te cubre el stock actual por SKU o categoría.
La decisión que dispara: rotación baja en una categoría significa capital inmovilizado. Rotación muy alta sin colchón de seguridad es riesgo de quiebre. El tablero tiene que mostrar los dos extremos simultáneamente para poder priorizar el reabastecimiento.
Quiebre de stock (out-of-stock %)
El porcentaje de SKUs que en un momento dado no están disponibles en góndola —o en stock para e-commerce. Es la métrica que más se subestima en retail porque solo se ve lo que hay, no lo que falta.
La decisión que dispara: cada punto de quiebre en un SKU de alta rotación es venta perdida cuantificable. Si un artículo se vende en promedio 50 unidades por día y está en quiebre 3 días, el impacto no es “faltó stock”: es 150 unidades no vendidas, con el margen que cada una dejaba. El tablero tiene que traducir el quiebre en pesos, no solo en porcentaje.
Margen por categoría y por SKU
La contribución marginal de cada categoría y cada producto, descontado el costo de mercadería y los costos directos de venta. Es el KPI que más difiere de la venta en términos de ranking.
La decisión que dispara: la categoría que más vende rara vez es la que más deja. Cuando el tablero ordena las categorías por margen en lugar de por volumen, la decisión de asignación de espacio en góndola cambia radicalmente. Lo mismo aplica para las negociaciones con proveedores y las decisiones de pricing.
Conversión y ticket promedio (físico + e-commerce)
En canal físico: el porcentaje de visitantes que compran y el monto promedio de esa compra. En e-commerce: el porcentaje de sesiones que convierten y el valor medio del pedido.
La decisión que dispara: una caída en la conversión física puede deberse a precios, a surtido o a la experiencia en el local. Una caída en la conversión digital puede deberse a velocidad del sitio, fricción en el checkout o precios comparados. Sin separar los dos canales —y sin ver la tendencia diaria, no mensual— la señal llega tarde.
Sell-out vs. sell-in
El sell-in es lo que el retailer compra al proveedor. El sell-out es lo que el consumidor final compra al retailer. La brecha entre los dos revela si el canal está absorbiendo producto o si la demanda real lo justifica.
La decisión que dispara: un sell-in alto con sell-out bajo es inventario acumulado que va a requerir descuentos o devoluciones. Un sell-out alto con sell-in insuficiente es el antecedente directo del quiebre. Verlos juntos, por SKU y por local, es la diferencia entre reaccionar al quiebre y anticiparlo.
Los errores que vemos en empresas que ya miden mucho
1. Se gestiona por volumen y no por margen
La categoría que más vende rara vez es la que más deja. Sin embargo, las decisiones de espacio en góndola, de inversión en exhibición y de negociación con proveedores se toman por facturación porque es el número que más fácil se consigue.
Lo que vemos: el ranking de ventas por categoría y el ranking de margen por categoría son dos listas completamente distintas, pero solo la primera circula en la reunión de gerencia. Las decisiones de surtido y de layout se toman con media información.
Lo que cambia con visibilidad: cuando el tablero muestra el margen por categoría y por SKU en tiempo real, la asignación de espacio, las condiciones de compra y las prioridades de reposición cambian. No es un ajuste fino: en muchos casos, los primeros tres SKUs por margen no están en los tres primeros puestos por volumen.
2. El quiebre de stock no se mide como venta perdida
El sistema registra lo que se vendió. Lo que no se vendió porque no había producto no deja huella en el sistema — solo aparece como un día de stock cero, si alguien lo busca.
Lo que vemos: el quiebre se detecta cuando alguien recorre la góndola o cuando un cliente se queja. No hay un indicador automático que diga “este SKU lleva 18 horas en cero en los locales del interior” ni que traduzca esas horas en pesos de venta no realizada.
Lo que cambia con visibilidad: cuando el tablero cruza el historial de venta diaria de cada SKU con su nivel de stock actual, se puede calcular la venta perdida estimada por quiebre. Ese número — en pesos, no en porcentaje — cambia la urgencia con la que se gestiona el reabastecimiento.
3. Local y e-commerce se miran por separado
Los equipos de canal físico y de e-commerce suelen tener sus propios tableros, sus propios targets y sus propios reportes. El resultado es una visión fragmentada de un cliente que no entiende de canales: compra donde le conviene.
Lo que vemos: el mismo cliente puede aparecer en las métricas de canal físico y en las de e-commerce como dos personas distintas. Las tasas de retención, el ticket promedio y el ciclo de compra se calculan mal. Y cuando hay una promoción cruzada entre canales, nadie puede medir su impacto real porque las fuentes no se integran.
Lo que cambia con visibilidad: una vista omnicanal unificada —con identificación del cliente en ambos canales— permite ver el comportamiento real: cuántos clientes compran solo en físico, cuántos solo online, cuántos en ambos, y cuánto más vale un cliente omnicanal que uno monomodal. Eso transforma la estrategia de fidelización y de inversión en experiencia.
Cómo se ve en un tablero en tiempo real
Un tablero de retail bien construido no es una colección de ventas por período. Es un sistema que hace que la anomalía —el quiebre, la caída de margen, el local que no convierte— salte antes de que se convierta en un problema mayor.
Tablero de ejemplo con datos de muestra. Muestra venta por m² y por local, margen por categoría, quiebre de stock con estimación de venta perdida, y comparativa sell-out vs. sell-in. Los valores son ilustrativos y no corresponden a ningún cliente real.
En la práctica, el tablero tiene tres niveles de lectura:
Nivel ejecutivo: same-store sales, margen total por categoría, quiebre de stock promedio de la cadena y ticket promedio por canal. Una pantalla, cuatro decisiones posibles.
Nivel operativo: venta y margen por local con comparativa entre pares, SKUs en quiebre con tiempo acumulado y venta perdida estimada, conversión diaria por canal. El gerente de operaciones o el jefe de local lo ve en tiempo real.
Nivel de análisis: tendencias semanales de rotación y cobertura, comparativa sell-in vs. sell-out por SKU, análisis de comportamiento omnicanal por segmento de cliente. Lo usa el área comercial y la gerencia.
Con Power BI conectado a las fuentes del sistema de punto de venta, el ERP y la plataforma de e-commerce, estos tres niveles se actualizan automáticamente. No hay una persona que cruza planillas entre el lunes y el martes.
De los KPIs a la acción: qué cambia cuando se ve a tiempo
La diferencia entre medir y gestionar no es cuántos indicadores tenés. Es qué tan rápido podés actuar sobre ellos.
Con datos de la semana anterior, la decisión de reposición ya llegó tarde. Con datos del día anterior —o del turno anterior— todavía podés intervenir: activar una transferencia entre locales, adelantar un pedido al proveedor, ajustar la exhibición de una categoría de alto margen que está perdiendo espacio.
En los proyectos que implementamos con empresas de retail y consumo masivo, los cambios más frecuentes después de instalar un tablero de gestión en tiempo real son dos:
Reasignás góndola y stock hacia lo que deja margen, no solo volumen. Cuando el margen por SKU y por categoría es visible en tiempo real, las decisiones de layout, de negociación con proveedores y de reposición dejan de estar guiadas por el ranking de volumen. Los primeros puestos cambian. Y con ellos, la rentabilidad de la operación.
Recuperás venta perdida por quiebres y unificás la vista omnicanal. Cuando el quiebre se traduce automáticamente en pesos y el comportamiento del cliente se ve integrado entre canales, dos cosas dejan de ser invisibles: cuánto se pierde por no tener el producto y cuánto vale realmente un cliente que compra en ambos canales. Ambos números justifican, solos, la inversión en visibilidad.
No son mejoras abstractas. Son el resultado de acortar el tiempo entre el dato y la decisión.
El siguiente paso
Si en tu operación se mide mucho pero la información llega fragmentada —por canal, por área, por semana— el problema no es la cantidad de KPIs. Es cómo fluyen los datos hasta quienes tienen que decidir.
Descargá gratis la guía “Tableros de gestión por industria” con los KPIs clave, ejemplos de tablero y criterios de implementación para retail, manufactura, logística y más sectores:
Descargar la guía →
Si ya sabés que necesitás un tablero de retail y querés entender qué haría falta en tu caso específico, pedí un diagnóstico sin costo. En una reunión de 45 minutos evaluamos tus fuentes de datos, tus KPIs actuales y qué tan lejos estás de tener visibilidad en tiempo real:
Pedir diagnóstico →
¿También te interesa mejorar tu forecast de ventas o integrar IA conversacional a tu BI? Leé los otros artículos del cluster:
- Forecast de ventas: cuándo Excel ya no alcanza y qué viene después
- Chateá con tu BI: cómo Copilot responde tus preguntas de negocio en lenguaje natural
Lo que dicen los datos
- El estudio mundial de Gruen & Corsten (2002) estimó que los quiebres de stock equivalen a una pérdida de ventas cercana al 4%, y que ante un faltante alrededor de un tercio de los clientes compra en otra tienda y ~9% no compra nada. (Gruen & Corsten — Retail Out-of-Stocks)
Fuentes y referencias
- Gruen, Corsten & Bharadwaj (2002) — Retail Out-of-Stocks: A Worldwide Examination
- Microsoft Learn — Power BI para análisis de retail
Fuentes consultadas en junio de 2026. Los datos de los tableros de ejemplo son ilustrativos.
