Para documentar las definiciones de tus KPIs, crea un catálogo de métricas donde cada indicador tenga nombre de negocio, fórmula exacta, grano, propietario, consumos y dirección de tendencia. Ese catálogo es una pieza de gobierno, no un anexo. Cuando la definición vive como dato en el modelo semántico, Power BI, Excel, Copilot y los agentes leen exactamente la misma definición y la empresa deja de debatir números para pasar a decidir.
¿Por qué documentar un KPI es una decisión de gobierno?
El catálogo de métricas es una pieza de gobierno, no un anexo que se archiva y se olvida; la meta es crear un catálogo de métricas que toda la empresa use al decidir. Cada KPI relevante necesita una definición capaz de soportar tres usos a la vez: la conversación ejecutiva en un comité, el cálculo técnico en el modelo y el uso diario de quien consulta un tablero. Cuando falta esa definición, la empresa termina discutiendo si el número está bien en vez de decidir qué hacer con él.
Este es el punto de partida para que toda la empresa trabaje con las mismas cifras. El modelo semántico actúa como el acuerdo compartido sobre cómo se calcula cada métrica: primero se ordenan las métricas y las decisiones, después se eligen las herramientas. Documentar una definición es firmar ese contrato para que nadie tenga que reinterpretarlo cada trimestre.
¿Qué campos debe tener la definición de cada KPI?
Una definición útil va mucho más allá del nombre y la fórmula. Estos son los campos que todo catálogo de métricas debería registrar:
- Nombre de negocio: cómo se nombra la métrica en comité, ventas, finanzas u operaciones. Reduce las traducciones entre equipos.
- Fórmula: el cálculo exacto, con filtros, exclusiones, moneda, impuestos, devoluciones y período. Evita que convivan múltiples verdades.
- Grano: el nivel mínimo válido de la métrica (día, pedido, línea, cliente, oportunidad, ticket). Evita sumar lo que no se debe sumar.
- Propietario: la persona o área que valida la definición y acepta los cambios. Hace gobernable la evolución.
- Consumos: dónde aparece la métrica (informe, Excel, Scorecard, Copilot, alerta o aplicación). Permite medir impacto y riesgo antes de cambiar algo.
- Dirección de tendencia: la regla que indica cuándo una variación es favorable, ya sea al alza, a la baja o según un criterio propio del indicador. Permite colorear variaciones y alertas sin codificar cada visual por separado.
- Targets y escenarios: objetivo, presupuesto, previsión, nivel ambicioso, periodicidad y propietario, tal como los plantean las métricas de Power BI. Conecta el BI con la gestión, porque compara lo que pasó contra un compromiso.
¿Cómo se ve el catálogo en la práctica?
Una tabla simple ordena la conversación. Este es el mínimo que conviene mantener por cada KPI:
| Campo | Contenido | Por qué importa |
|---|---|---|
| Nombre de negocio | Cómo se nombra en comité | Reduce traducciones entre equipos |
| Fórmula | Cálculo, filtros, moneda, período | Evita múltiples verdades |
| Grano | Día, pedido, línea, cliente | Evita sumar lo que no se debe |
| Propietario | Quién valida y acepta cambios | Hace gobernable la evolución |
| Consumos | Informe, Excel, Copilot, alerta | Mide impacto y riesgo de cambios |
| Dirección de tendencia | Subir bueno, bajar bueno o regla propia | Colorea variaciones sin recodificar |
| Targets | Objetivo, presupuesto, previsión | Conecta BI con gestión |
Cuando estos campos están completos, la pregunta "¿de dónde sale este número?" deja de aparecer en cada reunión. Mantener la tabla al día también es la mejor defensa frente a los errores comunes al trabajar con el catálogo de métricas, como duplicar definiciones o sumar granos que no se deben mezclar.
¿Qué métricas expones a la IA y cuáles ocultas?
Un modelo preparado para IA no expone todo lo que hay dentro. Las métricas que van a Power BI, Excel, Copilot o a los agentes de datos necesitan nombres de negocio, descripciones, carpetas, formato, propietario y ejemplos de uso claros. Esa es la parte que la IA debe poder leer y explicar.
Toda la plomería interna (selectores, paletas de color, títulos dinámicos, tablas técnicas y medidas de apoyo) se mantiene oculta o directamente fuera del esquema que la IA puede leer. Si dejas todo visible, el asistente mezcla piezas de plomería interna con indicadores de negocio y sus respuestas pierden confianza. Documentar también significa decidir qué se muestra y qué se esconde.
¿Cómo lee una aplicación la definición de un KPI?
Los KPI nativos de Power BI, las anotaciones y el formato condicional ayudan, pero no bastan cuando construyes una experiencia a medida. Una aplicación necesita leer como datos la definición, el formato, el equipo, el orden, la tendencia y las dimensiones de cada métrica. Por eso conviene consultar los metadatos de las métricas desde el propio modelo, por ejemplo mediante una tabla de métricas.
Cuando una misma métrica aparece en varios equipos, el patrón recomendado es catálogo más puente. La tabla de métricas sigue siendo el catálogo único; la asignación a equipos, el orden y el rol se resuelven en una tabla puente, en línea con los escenarios de BI por equipo. Así Power BI, Excel, Copilot, los Scorecards y una Fabric App leen la misma definición sin duplicar nombres ni romper el orden de clasificación.
Al construir una Fabric App, replicar tal cual los parámetros de campo, los grupos de cálculo y las medidas de apoyo del informe rara vez resulta conveniente. Suele ser más claro consultar la medida base y las dimensiones, y calcular en la aplicación el período actual, el anterior, la variación, la tendencia y el color. Los metadatos gobernados determinan si una subida o una bajada es favorable, sin repetir esa regla en cada pantalla.
¿Por dónde empezar hoy con tu catálogo?
No necesitas documentar cincuenta métricas de una vez. Empieza por las que sostienen decisiones reales:
- Lista los diez a quince KPIs que aparecen en tus comités.
- Para cada uno, completa nombre de negocio, fórmula, grano y propietario.
- Anota los consumos: en qué informe, Excel o alerta vive hoy.
- Define la dirección de tendencia y, si existe, el target y su periodicidad.
- Marca qué queda expuesto a la IA y qué se oculta.
Este orden convierte un documento estático en un catálogo que evoluciona con propietario y trazabilidad. La IA no arregla un modelo pobre, lo amplifica; por eso la definición limpia es la mejor inversión antes de sumar Copilot o agentes.
¿Cómo seguir después de documentar?
Documentar KPIs es la puerta de entrada a un modelo semántico que toda la empresa puede usar con confianza. Si quieres ver cómo se construye este catálogo y cómo se conecta con Power BI, Excel, Copilot y Fabric en un caso real, mira la demo gratuita y evalúa con tu equipo el camino que mejor encaja, ya sea formación o consultoría.
Preguntas relacionadas
¿Qué campos mínimos debe tener la definición de un KPI?
Nombre de negocio, fórmula exacta con filtros y período, grano, propietario, consumos y dirección de tendencia. Con esos campos el KPI soporta la conversación ejecutiva, el cálculo técnico y el uso diario sin generar múltiples verdades.
¿Por qué es importante registrar el grano de una métrica?
El grano define el nivel mínimo válido de la métrica, por ejemplo día, pedido, línea o cliente. Documentarlo evita sumar lo que no se debe sumar, que es una de las causas más comunes de números que no cuadran entre equipos.
¿Qué métricas conviene exponer a Copilot o a los agentes de datos?
Solo las métricas de negocio con nombre claro, descripción, formato y propietario. Las medidas auxiliares, los selectores, los colores y las tablas técnicas deben quedar ocultos o fuera del esquema expuesto a la IA para que las respuestas sean confiables.
¿Cómo evito duplicar la definición de un KPI usado por varios equipos?
Con el patrón catálogo más puente. La tabla de métricas sigue siendo el catálogo único de definiciones y una tabla puente resuelve la asignación a equipos, el orden y el rol. Así Power BI, Excel, Copilot y una Fabric App leen la misma definición sin duplicar nombres.
¿Una aplicación a medida puede leer la definición del KPI como dato?
Sí. Conviene consultar los metadatos de las métricas desde el modelo mediante una tabla de métricas, de modo que la aplicación lea la definición, el formato, el equipo, el orden, la tendencia y las dimensiones como datos, y calcule la variación y el color con reglas gobernadas.