Cómo construí un sistema RAG que realmente comprende las métricas comerciales Parte 1: Fundación
Introducción: el problema y su impacto práctico En muchas empresas la inteligencia artificial falla no por falta de datos sino por incapacidad de relacionar preguntas en lenguaje natural con métricas estructuradas almacenadas en bases de datos. Imagina que el equipo de marketing pregunta Cómo va el ingreso de este mes y la respuesta automática es no tengo acceso a esos datos. Frustrante, sobre todo cuando esos datos existen y están listos para consultarse. En Q2BSTUDIO, empresa especializada en desarrollo de software a medida, aplicaciones a medida, inteligencia artificial y ciberseguridad, nos enfrentamos a este reto y diseñamos una solución basada en RAG Retrieval Augmented Generation que conecta preguntas naturales con métricas estructuradas y actualizadas en tiempo real.
Por qué usar RAG y cuáles son las limitaciones de los LLM Los modelos de lenguaje grande tienen tres limitaciones clave: limitación temporal por fecha de entrenamiento, desconocimiento del contexto interno de la empresa y ausencia de acceso directo a datos que cambian continuamente. RAG combina la comprensión lingüística del modelo con un sistema de recuperación de datos en tiempo real, superando estas barreras para generar respuestas precisas y accionables.
Arquitectura general del sistema Usuario hace la pregunta Text embedding para búsqueda semántica Filtrado estructurado por GPT Consulta a la base de datos Respuesta final En este artículo cubrimos las dos primeras fases que constituyen la base de la recuperación inteligente de métricas.
Punto de partida: entender la estructura de nuestros datos En muchos pipelines de métricas el resultado es una lista plana con parejas métrica dominio por ejemplo order_count advertiser o traffic_by_channel google industry. Esa estructura plana dificulta la búsqueda semántica y la identificación de submétricas. La solución consiste en reestructurar en mapas jerárquicos que separan dominios y listan submétricas, y además generar una clasificación por dominio que permita al sistema entender si una métrica pertenece a un anunciante a la industria o es común.
Paso 1 Text embedding para búsqueda semántica Concepto central convertir texto en vectores numéricos que capturan significado semántico. Cuando un usuario pregunta Cómo va el ingreso detectamos que se refiere a total_revenue aunque las palabras no coincidan exactamente. El flujo consiste en transformar la pregunta en un vector, transformar todas las métricas en vectores y calcular similitud de coseno para extraer las mejores candidatas. En la práctica extraemos las top N candidatas por similitud y esas pasan al siguiente filtro.
Paso 2 Outputs estructurados para clasificación precisa El filtrado por similitud aún devuelve demasiadas opciones. Si se deja al modelo sin formato la respuesta puede ser imprecisa y difícil de parsear. En cambio pedimos al modelo que devuelva un JSON con un array de métricas por ejemplo metrics con los nombres exactos. Para lograr respuestas consistentes diseñamos un prompt de sistema que indica reglas críticas por ejemplo devolver array vacío si no entiende la pregunta o si no es relevante y usar únicamente los nombres exactos de la lista de métricas candidata. Esta estrategia reduce errores de interpretación y permite pasar directamente a consultas SQL confiables.
Ejemplo de flujo completo Usuario Cómo va el ingreso de este mes Paso 1 búsqueda vectorial top 10 candidatos total_revenue order_count net_revenue sales_amount etc Paso 2 filtrado estructurado GPT devuelve [total_revenue net_revenue] Paso 3 consulta a base de datos SELECT total_revenue net_revenue FROM metrics WHERE period current_month Respuesta final El ingreso total de este mes es 125000 y el neto es 118000
Resultados y limitaciones hasta ahora Antes de implementar RAG la respuesta típica era no tengo acceso a esos datos. Con la base de la Parte 1 el sistema logra identificar correctamente métricas planas como total_revenue u order_count con una tasa de éxito aproximada del 95 por ciento para métricas directas. La limitación actual aparece en métricas jerárquicas por ejemplo traffic_by_channel google advertiser donde hay que identificar tanto la métrica padre como la submétrica y su dominio.
Qué falta y hacia dónde vamos En la Parte 2 resolveremos la navegación de métricas jerárquicas introduciendo MetricForest una estructura de árbol para métricas, exploración de nodos vecinos para emparejar padres y hijos y un filtrado GPT en dos etapas que clasifique en cada nivel jerárquico. Con esa extensión resolvemos consultas del tipo Cómo está mi tráfico de Google o Compara mi tráfico de Facebook con la media de la industria alcanzando tasas de acierto cercanas al 98 por ciento en consultas complejas.
Integración con infraestructuras empresariales y oferta de Q2BSTUDIO En Q2BSTUDIO implementamos pipelines RAG integrados con Spring Boot y arquitecturas cloud escalables. Nuestro equipo combina experiencia en desarrollo de software a medida y aplicaciones a medida con servicios de inteligencia artificial para empresas y soluciones de inteligencia de negocio como Power BI. Ofrecemos además servicios cloud aws y azure, ciberseguridad y pentesting para garantizar que los datos usados por los modelos estén seguros y cumplan con las mejores prácticas. Si te interesa un proyecto a medida podemos ayudarte a diseñar desde la reestructuración de métricas hasta la integración completa con agentes IA y dashboards interactivos.
Si quieres profundizar en cómo aplicamos inteligencia artificial empresarial visita nuestra página de inteligencia artificial y descubre servicios y casos prácticos Soluciones de IA para empresas en Q2BSTUDIO. Para proyectos de análisis y visualización de métricas con Power BI conoce nuestros servicios de inteligencia de negocio Implementaciones Business Intelligence y Power BI.
Conclusión La Parte 1 establece los cimientos para que un sistema RAG entienda métricas comerciales transformando texto a vectores, reestructurando métricas en mapas jerárquicos y usando salidas estructuradas para filtrar candidatos. En Q2BSTUDIO combinamos esto con experiencia en software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure y business intelligence para entregar soluciones RAG que funcionan en entornos empresariales reales. Si necesitas ayuda para implementar un RAG adaptado a tu stack tecnológico podemos acompañarte en todo el proceso desde la arquitectura hasta la puesta en producción.
Contacto para implementación y consultoría en RAG integración con Spring Boot y proyectos de IA empresarial ponte en contacto con nuestro equipo en Q2BSTUDIO y descubre cómo transformar tus métricas en decisiones accionables.
