Cómo se ve la clasificación automática

En el día a día de un gerente de operaciones, la bandeja de entrada y la hoja de pedidos son una fuente constante de interrupciones y errores. En este artículo verás, paso a paso, cómo una compañía peruana implementó la clasificación automática de correos y pedidos y qué cambios reales experimentó su equipo.

El punto de partida

Tipo de empresa: Distribuidora de insumos industriales con presencia en Lima, Arequipa y Trujillo.

Sector: B2B, venta a empresas constructoras y fábricas.

Tamaño: 120 empleados, 45 de los cuales están en áreas de ventas, compras y atención al cliente.

Problema concreto: Cada mañana el responsable de operaciones recibía entre 300 y 400 correos electrónicos y 150 pedidos en formato PDF o Excel. El proceso manual de abrir, leer, identificar cliente, validar datos y cargar en el ERP consumía ≈ 4 horas diarias. Los errores de captura generaban devoluciones de órdenes en un 12 % de los casos y retrasos de entrega de 1‑2 días.

Qué se hizo y por qué

Decisiones clave

• Mantener el ERP existente (SAP Business One): Cambiar de sistema habría supuesto una paralización de al menos 8 semanas y un riesgo de incompatibilidad con la facturación electrónica SUNAT.
• Descartar la solución “plug‑and‑play” de un proveedor internacional: No soportaba la normativa peruana de documentos electrónicos (Ubl‑2.1) y carecía de integración con el portal de SUNAT.
• Optar por una plataforma de IA local: Se eligió un modelo de clasificación entrenado con datos de la empresa y adaptado a los formatos de correo y PDF que la empresa ya manejaba.
• Implementar una cola de mensajes (RabbitMQ) para desacoplar la captura de correos del proceso de carga en el ERP. Esto permitió escalar sin afectar el rendimiento del servidor de correo.

Arquitectura resumida

1. Inbox Listener: Servicio que revisa la cuenta de correo corporativa cada 5 min.
2. Extractor de contenido: Usa OCR (Tesseract) para PDFs y parsers para Excel/CSV.
3. Clasificador IA: Modelo entrenado con 3 000 ejemplos etiquetados (cliente, tipo de documento, urgencia).
4. Orquestador: Envía los datos a la API del ERP y, si falla, genera una alerta en Slack.
5. Reporte diario: Dashboard interno que muestra volumen, errores y tiempos de procesamiento.

Plazos y recursos

• Fase de entrenamiento del modelo: 4 semanas (dos analistas de datos, un ingeniero de IA).
• Integración con ERP: 2 semanas (un desarrollador senior).
• Pruebas piloto: 3 semanas con un grupo de 10 usuarios.
• Despliegue total: 1 semana después de la aprobación de pruebas.

Qué cambió en el día a día

Antes

• Revisión manual: Cada operario abría su bandeja, copiaba datos a una hoja de cálculo y luego ingresaba al ERP.
• Tiempo dedicado: 4 h/día (≈ 20 % de la jornada).
• Errores: 12 % de pedidos con datos incorrectos, generando llamadas de corrección y retrasos.
• Visibilidad: No había trazabilidad de quién había procesado cada correo.

Después

• Automatización: El listener captura, clasifica y envía los datos al ERP en menos de 30 segundos por mensaje.
• Tiempo dedicado: 30 min/día para supervisar alertas y validar excepciones (≈ 2 % de la jornada).
• Errores: Caen a 1,5 %, principalmente en documentos escaneados de baja calidad.
• Visibilidad: Cada registro lleva el ID del mensaje y el log de procesamiento, accesible desde el dashboard.
• Impacto en clientes: Los plazos de entrega se redujeron en 0,8 días promedio; la satisfacción del cliente, medida en encuestas NPS, subió de 58 a 71 en tres meses.

• “Paso horas copiando datos de correos”. La solución elimina esa tarea y la reemplaza por una revisión rápida de alertas.
• “Los pedidos llegan con errores y se retrasan”. La clasificación automática reduce los errores de captura a menos del 2 %.
• “No sé quién procesó cada pedido”. El log automático brinda trazabilidad completa.

Qué es replicable y qué no

Replicable a otras distribuidoras

• Modelo de clasificación basado en ejemplos locales: Cualquier empresa que tenga historial de correos y pedidos puede entrenar su propio modelo con pocos miles de ejemplos.
• Uso de una cola de mensajes: RabbitMQ o Kafka son tecnologías comunes y pueden insertarse entre el correo y cualquier ERP.
• Dashboard de monitoreo: Herramientas como Grafana o PowerBI funcionan igual en cualquier contexto.
• Plazos de implementación: 8‑12 semanas para una solución completa son una referencia realista.

No replicable tal cual

• Integración específica con SUNAT: La lógica de validación de RUC y generación de XML UBL‑2.1 fue desarrollada bajo la normativa peruana; en otro país habría que adaptar esa capa.
• Personalización de flujos internos: En esta empresa, los pedidos de “urgencia alta” se enviaban automáticamente a un canal de Slack; esa regla depende de la cultura de comunicación interna.
• Infraestructura propia: La compañía ya contaba con servidores on‑premise y política de datos locales; organizaciones que usan solo nube pública podrían necesitar un enfoque diferente.

Conclusión

La clasificación automática de correos y pedidos dejó de ser una mejora marginal y se convirtió en una pieza central del flujo operativo. En menos de tres meses la empresa pasó de dedicar 20 % de su tiempo a tareas manuales a menos del 2 %, redujo los errores de captura en un 87 % y mejoró los plazos de entrega en casi un día. Los elementos críticos para replicar este éxito son: un modelo de IA entrenado con datos propios, una arquitectura desacoplada que respete la normativa local y un plan de pruebas piloto que involucre a los usuarios finales. Si tu empresa enfrenta los mismos síntomas, estos números y pasos pueden servir de hoja de ruta para decidir si la clasificación automática es la siguiente inversión estratégica.