Antes de pelear por qué indicador mirar, hay un problema más básico: los datos están desparramados. Una planilla en Drive, un sistema de tickets, un ERP, un formulario. Cada área calcula "lo mismo" distinto — y nadie termina de creerle al número. Sin datos confiables, la mejora continua arranca cojeando.
El problema real: datos en silos
La mayoría de las empresas no tiene un problema de falta de datos, sino de datos dispersos e inconsistentes. El mismo KPI se arma a mano en tres planillas, con criterios distintos, y para cuando llega a la reunión ya nadie sabe cuál es "el bueno". La discusión se va media hora en validar el número y no queda tiempo para decidir qué hacer con él.
Pero el dato es una pata de cuatro
Vale la pena decirlo antes de hablar de conectores: una transformación con IA no es una implementación de software. Es la idea que ordenó un posteo de Abel Sanchez (MIT Professional Education) y el comentario de Rodrigo Rodríguez que la aterrizó en cuatro pilares. Nos parece el marco más honesto que circula, y explica por qué tantos proyectos con buena herramienta no cambian nada:
Esta guía va sobre el segundo pilar, que es la puerta de entrada de todos los demás: sin un número confiable no hay proceso que se pueda medir, no hay nada que enseñar y no hay qué gobernar.
Centralizar sin migrar: conectar donde están
Centralizar no significa mudar todo a una base nueva. Los proyectos que arrancan por ahí tardan un año en mostrar el primer indicador. Significa conectar las fuentes donde ya viven y leerlas de forma consistente. En miruKai eso incluye:
- Google Sheets — con mapeo visual (pestaña, fila de encabezado, rangos).
- BigQuery — tablas y vistas, con control de costo de consulta.
- PostgreSQL — tu propia base.
- APIs REST — con paginación y carga incremental.
- Sistemas de tickets/casos (ej. Wise CX).
Tus datos siguen donde están —incluso en tu propio servidor— y miruKai los lee para calcular los indicadores. No es un data warehouse más: es la capa que unifica lo que ya tenés.
Gobierno del dato: las reglas que hacen confiable un indicador
Conectar es la mitad. La otra mitad es gobernar cómo se lee ese dato, para que el número no mienta:
- Frecuencia y ventana de ingesta — cada cuánto se lee y cuánto histórico se trae.
- Deduplicación — claves y estrategia para no contar dos veces.
- Columna de fecha del evento — para filtrar por el período en que las cosas pasaron, no por el día en que alguien las cargó.
- Alertas de volumen y frescura — si un día no entran datos, te enterás. Un indicador que se queda quieto es tan sospechoso como uno que se dispara.
- Columnas confidenciales — marcadas para hashear o excluir, así lo sensible nunca sale.
Las filas inválidas no rompen la ingesta: se registran aparte y se pueden revisar o exportar. Un dato sucio no debería tirar abajo todo el indicador — debería quedar visible para corregirlo, que es exactamente el tipo de problema que un ciclo de mejora sabe resolver.
Y la IA nunca ve lo confidencial
Cuando después sumás inteligencia sobre esos datos, las columnas marcadas como confidenciales viajan hasheadas o directamente no viajan. La IA trabaja sobre el esquema y las señales, no sobre datos sensibles en claro. Gobierno del dato y privacidad, en la misma capa — que es, otra vez, el cuarto pilar: no alcanza con que sea así, tiene que estar escrito y ser verificable.
Tus datos, unificados y confiables
miruKai conecta tus fuentes donde están, las gobierna con reglas de calidad y calcula tus indicadores sobre una base en la que sí podés confiar.