Doscientas horas manuales al mes.
Doce por ciento de margen recuperado.
Leroy Merlin — una de las principales cadenas internacionales de retail especializado en bricolaje, construcción, decoración y jardinería, parte del Grupo ADEO — tomaba decisiones de pricing lunes a las 9 AM sobre datos del viernes anterior. Construimos una plataforma de inteligencia competitiva y pricing dinámico que recoge diariamente datos de más de 50 000 SKUs competidores, analiza precios y promociones, y ejecuta ajustes automáticos con control de margen y validación A/B en regiones comparables.
El caso, en cuatro frases.
Para los que llegaron desde LinkedIn y solo tienen 30 segundos. Si quieres profundidad, sigue scrolleando.
Lunes a las 9 AM, decidías con datos del viernes.
El equipo revisaba precios a mano una vez por semana. Cuando un competidor lanzaba promoción el sábado, Leroy Merlin se enteraba el martes.
Construimos un scraper industrial que corre todas las noches.
Headless Chrome cluster recoge 50 000+ SKUs de los 12-15 competidores en 8 países. Estructurado, deduplicado, normalizado a las 7 AM.
**Motor de reglas que propone
el gerente aprueba — A/B valida.** — Cada lunes a las 9 AM, propone un paquete de ajustes. El gerente aprueba el paquete y se ejecuta como A/B en regiones similares.
Resultado: +12% marginalidad, 200 h/mes liberadas, 3 000 SKUs nuevos identificados.
Y un equipo de categoría que pasó de copiar precios a diseñar estrategias por segmento.
Leroy Merlin (Grupo ADEO) llegó con un problema medible.
- 01
Monitoreo manual semanal
4-5 analistas se distribuían categorías y revisaban precios competidores el viernes. 200 horas/mes en total. Inevitablemente, alguna categoría se quedaba sin revisar.
200 h/mes manual - 02
Reactividad de 48 – 96 horas
Competidor lanza promo sábado 14:00 → analista lo nota el viernes → propuesta de respuesta lunes → comité martes → ejecución miércoles. 5 días perdidos.
5 días lag - 03
Sin control de margen en ajustes
Cuando se bajaba precio para competir, no había validación automática contra margen mínimo. Algunos SKUs bajaron debajo de su coste de producción durante semanas.
0 guardrail margen - 04
Cambios sin A/B
Decisiones de pricing se aplicaban a todo el país. Si una bajada no funcionaba, costaba semanas detectarlo y revertirlo.
0 experimentación - 05
Sin visibilidad del surtido de competidores
El catálogo competidor era una caja negra. Si Castorama incorporaba 200 SKUs nuevos en jardinería, Leroy Merlin se enteraba meses después por estudios de cliente.
surtido invisible - 06
Gerentes ahogados en cifras, sin tiempo para estrategia
Los gerentes pasaban 60-70% del tiempo en monitoreo manual. La estrategia de surtido quedaba para «cuando haya tiempo» — nunca había.
60% tiempo táctico - 07
Datos de promociones competidoras dispersos
Algunas promos venían por scraping, otras por aviso del comercial de campo, otras por captura de pantalla por WhatsApp. Sin formato común.
0 fuente unificada
Lo que construimos.
No reemplazamos lo que ya funcionaba. Construimos capas finas que comunicaron sistemas ciegos entre sí.
Monday briefing · el paquete del lunes a las 9 AM
Gerente abre la app y ve: «28 SKUs en riesgo (competidor más caro), 12 SKUs con oportunidad de subir precio, 5 categorías con surtido a evaluar». Aprueba con un clic.
A/B console · experimentos en regiones
Cada paquete aprobado se ejecuta como A/B: 4 regiones tratamiento vs 4 control, comparables en demografía y rotación. Resultados a los 7-14 días.
Surtido insights · 3 000 SKUs sin catalogar
El sistema detecta SKUs que aparecen en 3+ competidores, tienen alto traffic/rotation y no están en tu catálogo. Sugiere incorporación priorizada.
Exec dashboard · margen nacional vs competitividad
4 KPIs: margen consolidado · % de SKUs en zona competitiva (±5%) · % en riesgo (>+10% más caros) · # de A/B activos.
Stack y capas.
stack: Headless Chrome / Playwright · ClickHouse · Apache Airflow · Python rules engine · custom A/B framework · Power BI
Captura
Procesamiento
Almacenamiento
Superficies
Los números.
Medidos por el equipo del cliente, no por nosotros. Comparativa: baseline previo al go-live.
«Antes mis analistas copiaban precios. Hoy diseñan estrategias de surtido por segmento.»
Lo que aprendimos — y aplicamos en el siguiente caso.
Scraping industrial no es lo difícil — el matching sí.
Recoger 50 000 SKUs es trivial con headless Chrome. Igualarlos al catálogo propio cuando 8% de los GTINs están mal formateados, cuando los títulos son ambiguos, cuando hay variantes — eso es el 60% del proyecto. Fuzzy matching + revisión humana en lote semanal.
El A/B en regiones reales es la diferencia entre confianza y fe.
Habríamos podido simular el impacto de cada cambio con un modelo. Habría sido más rápido. Pero el comité ejecutivo no confía en simulaciones — confía en regiones tratamiento que vieron el cambio en tiempo real.
El gerente no quiere ver 1 800 SKUs — quiere ver 72.
El motor de reglas existe principalmente para reducir el output al gerente. 1 800 candidatos → 72 propuestas accionables → 1 paquete a aprobar. La capacidad de decisión humana se respeta diseñando este embudo.
¿Te suena familiar? Hablemos.
No vendemos software de plantilla. Empezamos siempre con una auditoría gratis de 4 semanas: nos sentamos con tu equipo, mapeamos sistemas y dolores, y entregamos un PDF con 3–5 quick wins concretas.