El margen bruto cayó 391 puntos básicos. La dirección lo atribuyó a los costos y armó un plan para discontinuar la línea premium. Descompusimos la caída con las tres técnicas del capítulo 5 de Smart Finance —correlación, clustering y atribución— y encontramos exactamente lo contrario. Este es el análisis completo, con las fórmulas, el código y el resultado que cambió la decisión.
Todos los meses, en todas las empresas del mundo, alguien produce un informe de variaciones. Y todos los meses ese informe termina con una línea que dice algo parecido a: "el margen cayó por el aumento de costos".
Esa frase suele ser verdad. El problema es que casi nunca es toda la verdad, y la parte que falta es la que define la decisión. Christian Martinez lo formula con una precisión que da un poco de incomodidad:
Detectar una variación no es lo mismo que explicarla. Esa explicación puede ser cierta, pero suele estar basada en intuición, no en evidencia. Christian Martinez — Smart Finance, cap. 5
El capítulo 5 de Smart Finance se llama From "What Happened?" to "Why Did It Happen?" y propone el salto de la analítica descriptiva a la analítica diagnóstica: el momento en que finanzas deja de ser una función que entrega datos y pasa a ser un socio del negocio. Martinez ofrece tres técnicas —correlación, clustering y atribución— y explica cómo hacer que la IA escriba el código Python que las ejecuta, aunque uno no sea programador.
Este artículo hace dos cosas. Primero, aplica el capítulo completo a un caso real de consultoría, con números que cierran. Segundo —y es lo que más nos interesó al investigarlo— muestra que las tres técnicas no son un menú de opciones sino una cadena con un orden obligatorio, y que si se usan sueltas, cada una miente de una forma distinta y predecible.
Cliente: Vialta Alimentos S.A., fabricante de alimentos envasados con 12 SKUs activos y distribución regional. Situación: las ventas crecieron 28,2% y el margen bruto cayó de 41,91% a 38,00% —391 puntos básicos—. El directorio había aprobado, en principio, discontinuar la línea premium: era la de menor margen porcentual y la que más había crecido. Nuestro mandato: validar el diagnóstico antes de ejecutar la decisión.
Caso compuesto ficticio construido por JPR Consulting con fines didácticos. Cifras en miles de USD y miles de unidades. Todos los cálculos fueron ejecutados en Python y verificados: las tres atribuciones cierran con residuo exactamente cero.
Martinez presenta correlación, clustering y atribución como tres herramientas del kit diagnóstico. Trabajando el capítulo sobre datos reales apareció algo que el texto sugiere pero no formaliza: tienen una jerarquía, y el orden no es negociable. Cada una responde una pregunta distinta, opera con un nivel de certeza distinto, y protege a la siguiente de un error específico.
| Técnica | Pregunta que responde | Naturaleza del resultado | De qué protege a la siguiente |
|---|---|---|---|
| 1 · Correlación | ¿Qué variables se mueven juntas? | Estadística. Sugiere, no prueba. | Reduce el espacio de búsqueda: dice dónde mirar. |
| 2 · Clustering | ¿Sobre qué grupos vale la pena preguntar? | Estructural. Descubre segmentos. | Evita la paradoja de Simpson y define unidades homogéneas. |
| 3 · Atribución | ¿Cuánto aportó cada driver, exactamente? | Aritmética. Es una identidad. | Cierra el diagnóstico: no queda residuo inexplicado. |
La correlación y el clustering son inferencia: producen hipótesis con incertidumbre. La atribución no. Una descomposición precio-volumen-mix bien construida es una identidad algebraica: los efectos suman exactamente la variación total, con residuo cero. No es un modelo que estima; es una partición que reparte.
Esa diferencia importa muchísimo frente a un directorio. Una correlación se discute. Una atribución que cierra al centavo, no. Por eso la cadena termina siempre en atribución: es el único de los tres métodos que produce un número que no admite negociación.
El paso 4 no está en el capítulo, y es el que agregamos siempre. Martinez cierra la cadena en el margen; nosotros la cerramos en el valor. La razón la vas a ver al final del artículo: el driver que más daño le hizo al margen porcentual fue el que más valor creó, y esas dos cosas solo pueden verse juntas si el análisis llega hasta el EVA.
La correlación es el punto de entrada. Martinez la describe bien: un número entre −1 y +1 que no prueba causalidad pero que prioriza dónde mirar más de cerca. Corrimos la matriz sobre cinco variables por SKU.
| Precio | Margen % | Crec. vol. | Descuento | Días inv. | |
|---|---|---|---|---|---|
| Precio unitario | 1,000 | −0,498 | 0,982 | 0,780 | 0,832 |
| Margen porcentual | −0,498 | 1,000 | −0,526 | −0,899 | −0,878 |
| Crecimiento de volumen | 0,982 | −0,526 | 1,000 | 0,780 | 0,840 |
| Descuento comercial | 0,780 | −0,899 | 0,780 | 1,000 | 0,992 |
| Días de inventario | 0,832 | −0,878 | 0,840 | 0,992 | 1,000 |
Tres lecturas saltan de inmediato:
Y acá casi nos equivocamos. Miren esta correlación aislada:
| Nivel de análisis | n | r | Lectura ingenua |
|---|---|---|---|
| Agregado — los 12 SKUs | 12 | +0,780 | "Descontar funciona: más descuento, más volumen." |
| Dentro del cluster PREMIUM | 4 | +0,497 | Mucho más débil. |
| Dentro del cluster CORE | 4 | +0,537 | Mucho más débil. |
| Dentro del cluster VALUE | 4 | −0,818 | Se invierte por completo. En la gama baja, más descuento fue con menos volumen. |
Una relación que aparece con un signo en los datos agregados puede aparecer con el signo opuesto dentro de cada subgrupo. No es un error de cálculo: los dos números son correctos. Lo que pasa es que la correlación agregada está capturando la composición de la muestra, no la relación entre las variables.
Acá el mecanismo es transparente: los productos premium tienen a la vez descuentos altos y crecimiento alto, pero por razones ajenas al descuento (demanda, novedad, posicionamiento). Al mezclarlos con el resto, la nube de puntos dibuja una pendiente positiva que no existe dentro de ningún segmento. Si el equipo comercial hubiera actuado sobre el +0,780, la conclusión habría sido "profundizar los descuentos en la gama baja" —exactamente la política que en ese segmento estaba asociada a menos volumen.
Una correlación agregada sobre una población heterogénea no es una relación entre variables. Es un promedio de relaciones distintas, ponderado por una composición que nadie eligió.
De ahí la primera interrelación fuerte del capítulo, que Martinez insinúa cuando dice "siempre segmentá antes de resumir" pero que conviene enunciar como regla dura: el clustering no viene después de la correlación, viene antes de creerle.
Este es exactamente el patrón que propone el capítulo: describir la estructura de datos y el objetivo, y dejar que el modelo escriba el Python.
El punto (3) es el aporte. El prompt del libro pide la matriz; este pide además el test de Simpson. Es una línea más de instrucción y cambia por completo la calidad del diagnóstico.
Martinez define el clustering como la técnica para encontrar agrupamientos naturales cuando no sabés de antemano en qué se diferencian las cosas. La ventaja frente a la segmentación tradicional es que uno no impone las categorías: las descubre.
Corrimos K-means con k=3 sobre cuatro variables estandarizadas: margen porcentual, crecimiento de volumen, días de inventario y precio unitario. Deliberadamente no le dimos al algoritmo la familia comercial de cada SKU, para poder usarla como validación.
| Cluster | SKUs | Margen % | Margen $/u. | Crec. vol. | Días inv. | Ingresos | % ingresos |
|---|---|---|---|---|---|---|---|
| PREMIUM | 4 | 30,38% | 14,21 | +75,8% | 78,3 | 38.457 | 45,7% |
| CORE | 4 | 46,42% | 9,34 | +0,3% | 32,8 | 38.193 | 45,4% |
| VALUE | 4 | 34,23% | 3,93 | −18,4% | 48,3 | 7.529 | 8,9% |
El algoritmo clasificó 12 de 12 SKUs en la familia comercial correcta, sin haber visto nunca esa etiqueta. Los clusters no son un artefacto matemático: reproducen exactamente la estructura económica del negocio.
Eso importa más de lo que parece. Cuando el clustering reproduce una segmentación que el negocio ya reconoce, gana credibilidad para el caso —mucho más frecuente— en que descubre una segmentación que nadie había visto.
Miren las dos primeras columnas numéricas de la tabla. Es la interrelación más importante de todo el artículo:
Los dos números describen el mismo producto y apuntan en direcciones opuestas. No se contradicen: el porcentaje tiene denominador y el absoluto no. Un SKU premium de 44 USD con 13,70 de margen rinde 31% y deja 13,70 dólares. Un SKU core de 19,70 con 9,25 de margen rinde 47% y deja 9,25 dólares.
Si la empresa vende una unidad más, no cobra un porcentaje. Cobra dólares.
Esa última instrucción —pedir el absoluto junto al porcentual— es lo que hizo aparecer el hallazgo. Es una decisión de criterio financiero, no de código. El modelo escribe el Python; la pregunta la seguís poniendo vos.
Martinez describe el price-volume-mix como una de las herramientas más valiosas y menos usadas de FP&A: descompone la variación de una métrica en sus drivers. El capítulo trabaja la versión de tres efectos sobre ingresos. Nosotros usamos una extensión de cuatro vías sobre el margen bruto, que es donde la decisión realmente se juega.
Notación: para cada SKU i, Q = volumen, P = precio, C = costo unitario, m = P − C = margen unitario. El subíndice 0 es el ejercicio anterior y el 1 el actual. w = participación del SKU en el volumen total.
Es fácil de comprobar y conviene hacerlo siempre, porque la mayoría de las descomposiciones PVM que circulan en planillas dejan un residuo que después se esconde en una fila llamada "otros". Desarrollando la suma:
(Q₁−Q₀)P̄₀ + Q₁Σw₁ᵢP₀ᵢ − Q₁P̄₀ + ΣQ₁ᵢP₁ᵢ − ΣQ₁ᵢP₀ᵢ = ΣQ₁ᵢP₁ᵢ − ΣQ₀ᵢP₀ᵢ = ΔIngresos
Los términos cruzados se cancelan. Si tu PVM deja residuo, el error no está en los datos: está en la fórmula. Y ese residuo es justamente el efecto mix mal calculado.
| Efecto | Importe | % del crecimiento | Interpretación económica |
|---|---|---|---|
| Volumen | +4.336 | 23,4% | Se vendieron 211 mil unidades más, valuadas al precio medio base. |
| Mix | +9.627 | 52,0% | El driver dominante. Cambió la composición hacia SKUs de mayor precio. |
| Precio | +4.566 | 24,6% | Aumentos de lista aplicados sobre el volumen actual. |
| Δ INGRESOS | +18.528 | 100,0% | Residuo: 0,000000 |
Primer dato duro: más de la mitad del crecimiento de la empresa no vino de vender más ni de cobrar más caro. Vino de vender otra cosa. La participación del cluster premium pasó de 15,2% a 24,4% de las unidades y de ahí explica 9.627 de los 18.528 de crecimiento.
| Efecto | Importe | Interpretación económica |
|---|---|---|
| Volumen | +1.817 | Más unidades, al margen unitario medio base. |
| Mix | +3.053 | Positivo. El mix se movió hacia SKUs con mayor margen por unidad. |
| Precio | +4.566 | El traslado de precios a lista. |
| Costo | −4.958 | La inflación de costos unitarios, valuada al volumen actual. |
| Δ MARGEN BRUTO | +4.477 | Residuo: 0,000000 |
Segundo dato duro, y este ya empieza a incomodar la hipótesis del directorio: el efecto mix sobre el margen bruto es positivo en 3.053. El mismo mix que "arruinaba el margen" aportó tres millones de dólares de margen bruto adicional.
Y acá aparece la contradicción, que no es tal. Descomponemos ahora la caída de 391 pb aplicando cada efecto en secuencia sobre la base de ingresos actual:
| Efecto | Impacto | Lectura |
|---|---|---|
| Mix | −560 pb | El mayor driver negativo. 143% de la caída total. |
| Precio | +542 pb | El traslado a precios fue agresivo y efectivo. |
| Costo | −589 pb | La inflación de costos, en bruto. |
| Volumen | +216 pb | Dilución de la base sobre más unidades. |
| Δ MARGEN BRUTO % | −391 pb | 41,91% → 38,00% |
La explicación oficial era "subieron los costos". Miren los dos efectos juntos:
Costo −589 pb + Precio +542 pb = −47 pb netos
La empresa trasladó a precios el 92% de la inflación de costos. El área comercial había hecho, en realidad, un trabajo notable. De los 391 puntos básicos de caída, los costos netos explican 47.
El mix explica 560.
Como el clustering ya está hecho, el efecto mix se puede abrir por segmento —y ahí termina de cerrar la historia:
| Cluster | Contribución al mix | Qué pasó |
|---|---|---|
| PREMIUM | +5.656 | Ganó 9,2 puntos de participación en unidades, con el margen unitario más alto de la cartera. |
| CORE | +435 | Prácticamente neutro: mantuvo posición. |
| VALUE | −3.039 | El verdadero problema. Perdió 5,7 puntos de participación, pero con 3,93 USD de margen unitario ya casi no aportaba. |
| EFECTO MIX TOTAL | +3.053 | Control contra la fórmula agregada: coincide. |
El mix no "cayó". Se reasignó: la empresa migró de una gama baja de 3,93 USD de margen unitario a una gama premium de 14,21. Eso baja el porcentaje —porque el premium tiene precios altos que inflan el denominador— y sube los dólares.
El assert del punto (1) es innegociable. Es la diferencia entre un PVM que se puede llevar a un directorio y uno que se puede discutir. Si el residuo no es cero, el código está mal y querés enterarte antes de la reunión, no durante.
Hasta acá seguimos el capítulo. Ahora agregamos el paso que, en nuestra experiencia, es el que convierte un buen diagnóstico en una decisión correcta: propagar cada driver hasta el EVA.
Porque el mix no toca solo el margen. Toca también el capital empleado —los productos premium rotan mucho más lento— y por lo tanto ataca al ROIC por los dos lados de la fracción.
| Concepto | Anterior | Actual | Δ |
|---|---|---|---|
| Margen bruto | 27.511 | 31.988 | +16,3% |
| Gastos de estructura (SG&A) | 20.800 | 24.200 | +16,3% |
| EBIT | 6.711 | 7.788 | +16,0% |
| NOPAT | 4.362 | 5.062 | +16,0% |
| Créditos por ventas | 10.432 | 14.760 | +41,5% |
| Bienes de cambio | 4.513 | 8.199 | +81,7% |
| Proveedores | −7.523 | −10.009 | +33,0% |
| Bienes de uso | 26.500 | 27.800 | +4,9% |
| Capital empleado | 33.921 | 40.750 | +20,1% |
| Margen operativo (EBIT/Ventas) | 10,22% | 9,25% | −97 pb |
| Rotación (Ventas/Capital empleado) | 1,94 | 2,07 | +6,7% |
| ROIC | 12,86% | 12,42% | −44 pb |
| WACC | 14,80% | 14,80% | — |
| Spread (ROIC − WACC) | −1,94% | −2,38% | −44 pb |
| EVA | −658 | −969 | −47% |
| Días de inventario | 43,2 | 57,3 | +14,1 d |
| Ciclo de Conversión de Efectivo | 29,2 | 51,3 | +22,1 días |
La empresa destruye valor, y destruye más que el año anterior: el EVA pasó de −658 a −969. Ese es el hecho. La pregunta es de quién es la culpa.
Para responderla con evidencia y no con opinión, construimos un escenario contrafactual riguroso: mismo volumen total, mismos precios y costos actuales, pero con la composición de cartera del ejercicio anterior. La diferencia contra el resultado real es, por construcción, el efecto del mix.
| Concepto | Contrafactual | Real | Efecto del mix |
|---|---|---|---|
| Ingresos | 74.139 | 84.179 | +10.040 |
| Margen bruto | 29.407 | 31.988 | +2.582 |
| Margen bruto % | 39,66% | 38,00% | −166 pb |
| EBIT | 5.207 | 7.788 | +2.582 |
| NOPAT | 3.385 | 5.062 | +1.678 |
| Capital empleado | 38.543 | 40.750 | +2.207 |
| ROIC | 8,78% | 12,42% | +364 pb |
| EVA | −2.320 | −969 | +1.351 |
Sin el cambio de mix, el EVA de Vialta habría sido −2.320 en lugar de −969. El mix que el directorio quería revertir estaba aportando 1.351 de valor: 1.678 por mayor margen, menos 327 por el capital adicional que inmoviliza.
El costo de capital del inventario premium es real y hay que gestionarlo. Pero se come el 19% del beneficio, no el 100%.
Este es el resumen que llevamos al directorio. El mismo driver, medido de cinco maneras distintas:
| Métrica | Efecto del mix | Signo | Qué te haría decidir |
|---|---|---|---|
| Ingresos | +9.627 | POSITIVO | Empujar premium. Es el 52% del crecimiento. |
| Margen bruto en moneda | +3.053 | POSITIVO | Empujar premium. |
| Margen bruto porcentual | −560 pb | NEGATIVO | Discontinuar premium. ← la métrica que miraba el directorio |
| Capital empleado | +2.207 | NEGATIVO | Gestionar el inventario premium. |
| EVA | +1.351 | POSITIVO | Empujar premium y arreglar la rotación. |
Las cinco lecturas son correctas. Cuatro son incompletas. Solo una integra el margen y el capital que ese margen consume — y esa es la única sobre la que se puede decidir.
Simulamos el escenario que estaba sobre la mesa: discontinuar los cuatro SKUs del cluster premium. Asumimos que solo el 12% de los gastos de estructura es evitable en el corto plazo —los otros son estructura fija, que es la hipótesis realista y la que casi nadie hace explícita en este tipo de análisis.
| Concepto | Con premium | Sin premium | Δ |
|---|---|---|---|
| Ingresos | 84.179 | 45.722 | −45,7% |
| Margen bruto | 31.988 | 20.306 | −36,5% |
| Margen bruto % | 38,00% | 44,41% | +641 pb |
| EBIT | 7.788 | −990 | a pérdida |
| Capital empleado | 40.750 | 33.426 | −18,0% |
| ROIC | 12,42% | −1,93% | −1.435 pb |
| EVA | −969 | −5.591 | −4.622 |
Discontinuar la línea premium habría mejorado el margen bruto porcentual en 641 puntos básicos —de 38,00% a 44,41%—, que es exactamente lo que el indicador de gestión del directorio estaba pidiendo.
Y habría llevado a la empresa de un EBIT positivo de 7.788 a una pérdida operativa de 990, con el EVA cayendo de −969 a −5.591. Casi 4,6 millones adicionales de destrucción de valor por año.
El KPI habría mostrado una mejora espectacular mientras la empresa se hundía. Es el caso de manual de un indicador que optimiza contra sí mismo.
El capítulo 5 no es solo un catálogo de técnicas. Su parte más práctica —y la menos citada— es el protocolo de trabajo: cómo convertir el diagnóstico de una tarea ad hoc en un sistema repetible.
El autor describe el ciclo así: datos → prompt → código → resumen. Es un buen loop y en la práctica funciona. Pero al implementarlo en mandatos reales notamos que se queda corto en un punto: termina en un resumen, no en una decisión, y no tiene mecanismo de acumulación de aprendizaje.
Martinez propone construir el sistema en cinco pasos. Los reproducimos con lo que agregamos en cada uno:
| Paso (Martinez) | Qué implica | Lo que agregamos en JPR |
|---|---|---|
| 1 · Identificar los patrones diagnósticos de alto valor | Las preguntas que el equipo se hace todos los meses: márgenes por línea, desvíos de gastos, PVM de ingresos. | Priorizarlas por impacto en el EVA, no por frecuencia. Hay preguntas frecuentes que no mueven valor. |
| 2 · Crear una biblioteca de prompts | Para cada uno: qué pregunta responde, qué datos requiere, el prompt, el output esperado. | Versionar los prompts y registrar qué decisión generó cada uno. Un prompt que nunca cambió una decisión se elimina. |
| 3 · Automatizar lo repetible, customizar lo necesario | Script reutilizable que ingesta datos, calcula, segmenta y saca la tabla limpia. | Tests de identidad obligatorios: si el PVM no cierra con residuo cero, el script falla y no publica. |
| 4 · Empaquetar en playbooks | Documento con disparador, inputs, script, prompt de interpretación y checklist de revisión. | Cada playbook termina en un árbol de decisión, no en un resumen: si el resultado es A hacé X, si es B hacé Y. |
| 5 · Instalar el hábito en el equipo | Segmentar antes de resumir. Investigar antes de aceptar. Documentar la lógica. | Una regla más: nunca presentar un porcentaje sin su absoluto al lado. Este artículo entero es la razón. |
Disparador: el margen bruto se mueve más de 200 pb en un trimestre.
Inputs: volumen, precio y costo unitario por SKU, dos períodos, más días de inventario por SKU.
Script: correlación global e intra-grupo → K-means (k por método del codo) → PVM de 4 vías con assert de residuo → contrafactual de mix → puente a ROIC y EVA.
Prompt de interpretación: "Resumí para un directorio no técnico qué driver explica la variación del margen, distinguiendo explícitamente el efecto sobre el margen porcentual del efecto sobre el margen en moneda y sobre el EVA."
Checklist de revisión: ¿el residuo del PVM es cero? · ¿se testeó la paradoja de Simpson en cada correlación usada? · ¿el contrafactual mantiene constante el volumen total? · ¿se declaró qué proporción del SG&A se asumió evitable?
Martinez dedica la última sección del capítulo a una preocupación legítima: delegar el análisis a un modelo y perder el dominio de la lógica. Su respuesta nos parece exacta, y coincide con la nuestra:
El objetivo no es delegar la responsabilidad en la IA. Es acelerar las partes mecánicas, estructurar la investigación, generar código que refleje tu intención, y darte más tiempo para aplicar criterio y contexto. Christian Martinez — Smart Finance, cap. 5
En este caso concreto, la división del trabajo fue así:
Cerramos con las siete conexiones entre conceptos que salieron de trabajar este capítulo sobre datos reales. Son, para nosotros, lo más valioso del ejercicio:
| # | Interrelación | Consecuencia práctica |
|---|---|---|
| 01 | El clustering protege a la correlación de la paradoja de Simpson. | Nunca actuar sobre una correlación agregada sin haberla recalculado dentro de cada segmento. |
| 02 | El clustering define las unidades sobre las que la atribución tiene sentido económico. | Un efecto mix agregado no dice nada. Abierto por cluster, señala al culpable (VALUE) y al héroe (PREMIUM). |
| 03 | La atribución no es estadística, es una identidad algebraica. | Es el único de los tres métodos que produce un número no discutible. Si deja residuo, está mal calculado. |
| 04 | El mismo driver puede tener signo opuesto en moneda y en porcentaje. | Mix: +3.053 en pesos y −560 pb en porcentaje. No es contradicción: el porcentaje tiene denominador. |
| 05 | El mix ataca al ROIC por numerador y por denominador simultáneamente. | Más margen unitario (+1.678 de NOPAT) y más capital inmovilizado (−327 de costo de capital). Hay que calcular las dos vías. |
| 06 | Los días de inventario por SKU son una variable de margen, no de logística. | 78 días contra 33 explican por qué el mismo margen bruto rinde distinto en EVA. Pedí siempre el dato por SKU. |
| 07 | Un KPI porcentual puede optimizarse hasta destruir la empresa. | +641 pb de margen y −4.622 de EVA en el mismo movimiento. Todo KPI porcentual necesita un absoluto que lo custodie. |
Vialta no discontinuó la línea premium. El plan que salió del diagnóstico atacó los drivers que el análisis identificó, en orden de impacto sobre el EVA:
El último punto es el que más nos importa. Un diagnóstico que no cambia el sistema de medición se repite el trimestre siguiente.
El margen porcentual no miente por maldad. Miente porque tiene un denominador que se mueve, y nadie mira el denominador.
Ese es, al final, el mensaje del capítulo 5 llevado hasta sus consecuencias. La analítica descriptiva te dice que el margen cayó 391 puntos básicos. La analítica diagnóstica te dice cuánto de esa caída fue mix, cuánto precio, cuánto costo y cuánto volumen. Y el puente al valor te dice cuál de esos cuatro números importa para decidir.
Las tres cosas juntas son la diferencia entre reportar y dirigir.