Una marca que vende a través de comercio independiente tenía dos tareas lentas y manuales. Leer el histórico de ventas suponía trabajar una hoja de cálculo a mano, sin forma rápida de desglosarla por agente, país, cuenta o campaña tras campaña.
Y encontrar nuevas tiendas a las que vender dependía casi por completo de que los comerciales de campo pisaran el mismo terreno. El punto ciego era todo lo que quedaba fuera del histórico: las tiendas compatibles que nadie había mapeado.
Salieron tres dolores. Tomamos los dos que se pagaban solos, el análisis y el descubrimiento, y aparcamos a propósito el tercero, un desarrollo mayor tipo CRM, para que la herramienta pudiera lanzarse antes de la temporada de ventas en vez de prometerlo todo.
Una única web app privada con un panel de ventas y un motor de prospección. Lo interesante es dónde se cruzan.
Sube la hoja de ventas y obtén una lectura instantánea: ingresos, cuentas activas, evolución campaña tras campaña, una vista por agente, un mapa de países con capa de calor, cuentas nuevas, recurrentes y perdidas, y dónde se concentran los ingresos.
A partir de una ciudad y un radio, encuentra las tiendas independientes que podrían vender tus marcas, lee la propia web de cada tienda para ver qué marcas ya tiene, y valora el encaje por la fuerza de esas marcas en vez de por la cantidad.
Cada tienda se cruza con tu propio histórico y se etiqueta como activa, perdida o totalmente nueva. Luego encuentra a quien decide y redacta un mensaje de contacto que menciona las marcas que la tienda ya vende.
El cruce: sitios donde el motor encuentra tiendas compatibles pero los datos de ventas no muestran ningún cliente. Lo único que ninguna herramienta hace por separado, y la idea central del producto.
Deliberadamente fuera de alcance: un módulo de inteligencia de redes sociales (con precio aparte), grandes almacenes y ecommerce puro, un CRM completo de agentes y un desarrollo mobile-first. La app es responsive pero no mobile-first.
Un frontend en React sobre Supabase (Postgres y edge functions de Deno), con scraping vía Firecrawl, contactos vía Hunter y envío vía Gmail. Cada tabla está aislada por seguridad a nivel de fila, así que cada usuario solo ve sus propios datos.
Los primeros candidatos se analizan en línea y se devuelven al instante. El resto va a un worker en segundo plano y entra en la página según termina, así la búsqueda parece instantánea sin perder nada.
Solo confirma una marca que aparece de verdad en las propias páginas de la tienda. Cuando una web es demasiado pobre para leerla, una búsqueda web acotada la respalda, confirmando una coincidencia solo cuando tienda y marca aparecen de verdad juntas.
Cada marca lleva un nivel de fuerza que tú fijas. La calidad de una tienda la marca su mejor marca, así que un único distribuidor fuerte pesa más que un montón de débiles. La etiqueta por la que filtras coincide con el resultado uno a uno.
La cola en segundo plano reclama los trabajos de forma segura para que nada se procese dos veces, limita los reintentos y vuelve a encolar lo que se quede atascado. La seguridad a nivel de fila aísla cada tabla, y las comprobaciones de administrador pasan por una ruta protegida para evitar la escalada de privilegios.
El motor de prospección no se construyó desde cero. Adapta Odysi Reach, nuestro pipeline de outbound B2B existente, así que la mayor parte de la fontanería ya estaba probada. El trabajo genuinamente nuevo fue el descubrimiento por geografía, la puntuación multimarca, el cruce con clientes y el panel de ventas.
El descubrimiento de contactos necesita que la tienda tenga su propio dominio; el motor solo ve las marcas que una tienda publica de verdad; el emparejamiento aproximado puede dar a veces coincidencias de más.
Los valoramos por adelantado, así que son compromisos conocidos y no sorpresas que el usuario descubre después.
Una suposición habitual era que los localizadores de tiendas no eran fiables. Antes de comprometer la arquitectura, revisamos la lista real de marcas y descubrimos que la mayoría tenía localizadores funcionando con minoristas multimarca. Esa evidencia dio forma al desarrollo, no una corazonada.
Luego el panel empezó a devolver ingresos casi nulos. El parser de la hoja de cálculo se saltaba las celdas con fórmulas. Lo arreglamos, y después auditamos las cifras corregidas celda a celda contra el archivo original con una herramienta independiente antes de fiarnos de un solo número. No dimos por hecho que el panel estaba bien; lo demostramos.
El panel es la parte más avanzada, con sus datos validados contra el origen. El motor de prospección está construido en gran parte: la búsqueda por geografía, el filtrado de cadenas, el análisis en dos etapas, la puntuación por señales, el cruce con clientes y el pipeline de contacto y aproximación están todos en su sitio.
Quedan piezas en el roadmap, y hay deuda técnica conocida e identificada por saldar. La entrega se pasó del plazo original. No hay métricas de uso ni comerciales, así que no damos ninguna en vez de inventarlas.
La mayor parte del motor es reutilizable, así que el camino es robustecerlo hasta convertirlo en algo que más marcas puedan usar, y hacer de los espacios en blanco el motivo por el que abres la app.
Hacer de los espacios en blanco la vista por defecto en vez de un efecto secundario.
Terminar los ajustes y el historial de búsquedas, y saldar la deuda identificada.
Robustecer el motor hasta algo que más marcas puedan usar.
Un pequeño estudio de producto. Prototipamos, automatizamos y lanzamos.
Ser pequeños es la ventaja: trabajas directamente con quienes construyen la cosa, y nos importa más algo que aguante en producción que algo que quede bien en una presentación.