Cómo están
construidos los informes.

Qué muestra

Cuatro tarjetas de cifras clave (cuentas, transacciones, flujo neto y tasa de préstamos problemáticos sobre todos los préstamos), un gráfico de líneas mensual de ingresos y gastos y tres vistas de la actividad de los clientes: una cuenta típica por año (con selector entre transacciones, ingresos y saldo medio), las cuentas nuevas abiertas cada año y el porcentaje de cuentas con cada producto. Un filtro de año actúa sobre toda la página y un recuadro de conclusiones lo resume con palabras.

Qué dicen los datos

• Los datos contienen 1.056.320 transacciones en 4.500 cuentas, del 1 de enero de 1993 al 31 de diciembre de 1998.
• La actividad por cuenta subió un 24 % entre 1994 y 1998, de 58 a 72 transacciones al año (1993 se excluye porque es un año parcial).
• Las cuentas llegaron en oleadas: solo 1996 aportó 1.363 cuentas nuevas, el 30 % del total, y en 1998 no se abrió ninguna.
• La mayoría de clientes se queda en lo básico: el 78 % tiene una orden permanente, el 20 % una tarjeta y el 15 % un préstamo.
• El efectivo domina: el 77 % del dinero que sale de las cuentas son retiradas en efectivo, y las retiradas con tarjeta son solo el 0,6 %.
• Los ingresos crecieron de 278 M CZK en 1994 a 961 M en 1998, pero el flujo neto cayó desde un máximo de 49,7 M en 1996 hasta 27,1 M en 1998, porque los gastos subieron del 93 % al 97 % de los ingresos.

Cómo está hecho

• Ingresos y gastos salen de un único indicador creado en Power Query a partir del tipo de transacción, así que todas las páginas reutilizan una sola definición.
• Todas las medidas están en una tabla de medidas propia, y el eje temporal sale de una tabla Calendar en DAX en lugar de las fechas originales de las transacciones.
• El gráfico de la cuenta típica se calcula por cuenta activa, de modo que se pueden comparar años con volúmenes muy distintos.

Qué demuestra

Comunicación ejecutiva (la respuesta primero, con cifras sencillas) y la disciplina de definir cada número una sola vez, para que signifique lo mismo en todas las páginas.

Qué muestra

Cuatro tarjetas (titulares, edad media, cuentas sin ningún producto y titulares de 65 o más años), la distribución de titulares por edad y sexo, el saldo medio por grupo de edad, los productos por cuenta y la penetración de cada producto por edad (tarjeta, préstamo y orden permanente). Un filtro de región actúa sobre la página y un recuadro de conclusiones resume lo importante.

Qué dicen los datos

• La edad del titular (1998 menos el año de nacimiento) es de 44 años de media y 43 de mediana, repartida de forma bastante pareja desde menos de 25 hasta 65 o más; el 14,2 % tiene 65 años o más.
• 892 cuentas tienen tarjeta (19,8 %): 659 clásicas, 145 junior y 88 gold. Todas las tarjetas junior pertenecen a titulares de 16 a 24 años.
• 682 cuentas tienen un préstamo (15,2 %), y ningún préstamo es de un titular de 65 años o más. La orden permanente es el producto más habitual: el 77,7 % de las cuentas tiene una (sin contar las de devolución de préstamos).
• Los titulares de 65 o más años casi no usan tarjeta (solo el 2 %), pero el 99 % usa una orden permanente, y su saldo medio es un 41 % inferior al de los más jóvenes.
• El 12,67 % de las cuentas no tiene ningún producto. Entre los 715 titulares menores de 25 años, 185 (25,9 %) no tienen tarjeta, ni préstamo, ni ninguna orden permanente aparte de las de devolución de préstamos.

Cómo está hecho

• Las fechas de nacimiento se descodifican a partir del número de nacimiento checo (el mes lleva +50 en las mujeres), y la edad del titular se calcula como 1998 menos el año de nacimiento.
• Las tablas de origen de clientes y disposiciones se fusionaron en la tabla de cuentas, de modo que cada cuenta tiene una única fila de titular y el modelo no tiene relaciones de muchos a muchos.
• Tarjetas, préstamos y órdenes permanentes se vinculan a la tabla de cuentas por account_id, así que un filtro de edad o de distrito llega a todos los productos.

Qué demuestra

Perfilado de clientes y análisis de penetración de productos, además de criterio de modelado: reducir las tablas de origen al nivel de detalle que necesitan las preguntas.

Qué muestra

Tarjetas de ingresos, gastos, gastos como porcentaje de los ingresos y cuentas en números rojos; una matriz por mes y año del ratio de gasto (en rojo, por encima del 100 %); el dinero que entra y sale por canal; una línea con el ratio de gasto por año; las cuentas por último saldo; y un recuadro de conclusiones.

Qué dicen los datos

• Los gastos fueron el 94,8 % de los ingresos en 1994–98 (el 93,9 % contando todos los años). 1993 se deja fuera del ratio porque es un año parcial: 28.205 transacciones frente a 91.628 en 1994, y un ratio engañoso del 70 %.
• El ratio por año fue del 93,4 % en 1994, bajó al 91,8 % en 1996 y subió hasta el 97,2 % en 1998.
• Solo enero (gastos del 129–146 % de los ingresos) y junio (102–113 %) tienen déficit, en cada uno de los cinco años. Nada en los datos explica por qué.
• Las retiradas en efectivo de enero son unas tres veces las de febrero (74.484 frente a 24.258 transacciones en el periodo).
• El efectivo domina: es el 75 % del dinero que entra y el 77 % del que sale, aunque pierde peso poco a poco: del 79 % de las salidas en 1994 al 75 % en 1998.
• 288 de 4.500 cuentas (6,4 %) estuvieron en números rojos al menos una vez (286 desde 1994), pero solo 39 terminaron el periodo en descubierto.

Cómo está hecho

• El flujo neto (ingresos menos gastos) y el ratio de gasto (gastos divididos por ingresos) son medidas DAX construidas sobre un único indicador de ingreso y gasto.
• Una cuenta cuenta como «en rojo» si su saldo acumulado bajó de cero al menos una vez, así que la medida usa el saldo mínimo de cada cuenta, no el final.
• Los años se comparan con ratios y no con totales, porque el volumen de transacciones se multiplicó por más de diez entre 1993 y 1998.

Qué demuestra

Análisis de series temporales con un filtro consciente de los datos, detección de anomalías (los déficits de enero y junio) y una definición de medida contrastada con los datos de origen en lugar de dada por supuesta.

Qué muestra

Cuatro tarjetas (titulares, préstamos, tasa de préstamos problemáticos y cuentas con tarjeta), un cuadro de mando regional que filtra la página al hacer clic en una región, la tasa de préstamos problemáticos por región (con las muestras pequeñas señaladas), los titulares de tarjeta por región y un gráfico de puntos que pregunta si los distritos más ricos tienen más dinero.

Qué dicen los datos

• Salario y saldo no se mueven de forma clara: r = −0,09, o −0,12 sin Praga (p = 0,43 y 0,29, ninguna significativa). Los distritos más ricos no tienen saldos mayores.
• Praga destaca en tamaño y salario: 554 de las 4.500 cuentas (12,3 %) y el salario medio más alto, 12.541 CZK, por delante de Mladá Boleslav con 11.277.
• La tenencia de tarjeta sí cambia por región, del 16,5 % de las cuentas en Moravia del Sur al 24,3 % en Bohemia del Norte (prueba de chi-cuadrado, p = 0,002).
• Las tasas de préstamos problemáticos van del 1,6 % (Bohemia del Norte) al 15,8 % (Bohemia del Oeste), pero con solo 57 a 129 préstamos por región la diferencia no es estadísticamente fiable (p = 0,15).
• El distrito mediano tiene solo 48 cuentas, así que la media de cualquier distrito concreto es ruidosa.

Cómo está hecho

• Una dimensión de distritos de 77 filas con atributos de región y salario. El modelo incluye además una segunda relación inactiva con la tabla de cuentas (el distrito de residencia del titular), disponible para las medidas mediante USERELATIONSHIP.
• El saldo medio es la media del saldo tras cada transacción, por lo que las cuentas más activas pesan más. La definición figura en la página About the Data.
• La correlación de Pearson y las pruebas de chi-cuadrado se ejecutaron sobre los archivos de origen, de modo que las conclusiones no dependen solo de cómo se ve un gráfico. Praga se prueba con y sin ella, porque un punto grande puede arrastrar una correlación.

Qué demuestra

Pensamiento estadístico dentro de un informe de BI: contrastar antes de afirmar, mostrar el resultado con y sin un valor atípico, y contar con honestidad un resultado nulo en lugar de forzar una historia.

Qué muestra

Cuatro tarjetas (préstamos, importe prestado, tasa de problemáticos e importe en riesgo), tres gráficos de barras que comparan la tasa de problemáticos con la media de la cartera del 11,1 % (por saldo medio antes del préstamo, por peso de la cuota y por importe del préstamo), un recuadro de conclusiones y un simulador de selección.

Qué dicen los datos

• Un préstamo problemático es el que tiene estado B (terminado sin devolver) o D (en curso con el cliente en deuda): 31 y 45 préstamos. Los otros 606 están devueltos o al corriente.
• El saldo previo al préstamo es la señal de alerta más clara: el 18,9 % de los préstamos del tercio con menor saldo sale mal, frente al 9,3 % del grupo medio y el 5,3 % del más alto; es decir, 3,5 veces más en el grupo bajo.
• Las cuotas pesadas y los préstamos muy grandes rondan casi el doble de la media: 19,8 % para el mayor peso de la cuota (pago mensual ÷ ingreso mensual medio) y 19,9 % para los préstamos mayores (por encima de unos 210 K).
• Rechazar al 30 % de solicitantes con menor saldo habría evitado el 53 % de los préstamos problemáticos (40 de 76), pero habría rechazado al 27 % de los buenos.
• Con el simulador al 40 % (rechazar a quien tuviera un saldo medio inferior a 38.202 en los 180 días anteriores al préstamo), se evita el 68,4 % de los préstamos problemáticos y se rechaza el 36,5 % de los buenos, con una tasa de problemáticos resultante del 5,87 %. A partir de ahí, rechazar más casi no protege: 3 préstamos problemáticos más evitados, 65 buenos más perdidos.
• El simulador es una prueba retrospectiva sobre los mismos 682 préstamos históricos (banco checo, años 90): ilustra el equilibrio entre ambas cosas, no es un modelo de crédito para producción.

Cómo está hecho

• El indicador de problemático se crea una sola vez en Power Query a partir del estado del préstamo, así que todos los gráficos usan la misma definición.
• La tasa de problemáticos es una medida DAX (préstamos problemáticos entre todos los préstamos) que funciona con cualquier nivel de detalle, y cada gráfico la compara con la media de la cartera.
• Los préstamos se agrupan en tres grupos iguales por saldo medio de los 180 días previos, tres grupos por peso de la cuota en la misma ventana y cuartiles por importe del préstamo.
• Un deslizador fija el porcentaje de solicitantes con menor saldo que se rechaza, y las tres tarjetas de resultado (préstamos problemáticos evitados, préstamos buenos rechazados y tasa de problemáticos tras la selección) se recalculan a partir de él.

Qué demuestra

Análisis de riesgo de crédito frente a una referencia de cartera, una simulación interactiva de escenarios que muestra el equilibrio entre préstamos problemáticos evitados y buenos clientes rechazados, y la honestidad de presentar el resultado como prueba retrospectiva y no como modelo de producción.

Qué muestra

Cuatro tarjetas (cuentas, préstamos, transacciones y periodo) y cinco recuadros: el modelo de datos, las tablas de origen con su número de filas, la preparación y las comprobaciones de calidad, las definiciones de las métricas y las limitaciones que conviene tener presentes.

Qué dicen los datos

• Las ocho tablas de origen tienen 0 claves duplicadas y 0 filas huérfanas: cada transacción, préstamo, tarjeta, orden y disposición apunta a una cuenta que existe.
• Los saldos de las cuentas coinciden con el acumulado de las transacciones en los 814.768 días-cuenta, con una diferencia máxima de 3 CZK (la mayor es 2,8). La fuente redondea sin criterio uniforme al céntimo, así que la tolerancia se indica en lugar de ocultarse.
• La cuota del préstamo multiplicada por la duración es igual al importe del préstamo en 682 de 682 préstamos.
• Otras comprobaciones: un titular por cuenta, y ninguna cuenta, préstamo o tarjeta con fecha anterior a la apertura de su cuenta.
• Las limitaciones están por escrito: 1993 es un año parcial (28 K transacciones frente a 92 K en 1994), los préstamos de 1998 son demasiado recientes para juzgarlos, los préstamos con cotitular se comportan de forma distinta, las muestras regionales son pequeñas y los datos no incluyen tipos de interés ni fechas de las órdenes.

Cómo está hecho

• Un esquema en estrella con cuatro tablas de hechos (transacciones, préstamos, tarjetas, órdenes permanentes) y tres dimensiones (cuenta, distrito, Calendar). Calendar se conecta con transacciones, préstamos y tarjetas mediante relaciones activas; el vínculo de Calendar con la fecha de apertura de la cuenta es inactivo y solo se usa dentro de medidas concretas.
• Las tablas de clientes y disposiciones se fusionaron en la de cuentas en Power Query, donde también se construyeron el indicador de ingreso/gasto y el resultado del préstamo.
• Las comprobaciones se ejecutaron sobre los CSV originales y no sobre el modelo, así que confirman los datos de origen antes de que intervenga cualquier lógica de Power BI.
• Las definiciones de las métricas se escriben una sola vez, con palabras sencillas: préstamo problemático, tasa de problemáticos, ratio de gasto, flujo neto, saldo medio, último saldo y edad del titular.
• Las tarjetas de esta página usan medidas de etiqueta con FORMAT(…, "en-US"), de modo que «1.06 M» y el rango de fechas se leen igual sea cual sea el idioma de Power BI del lector.

Qué demuestra

Disciplina con la calidad del dato, documentación y honestidad sobre los límites: un informe que dice qué no se puede concluir resulta más fiable que uno que no lo dice.

Qué muestra

Cuatro tarjetas de KPI (ventas totales, beneficio total, margen de beneficio y % del objetivo conseguido), una línea mensual de ventas frente al objetivo, y las ventas por región y por categoría. Los filtros de mes y año actúan sobre toda la página.

Qué destaca

Las ventas anuales crecieron de 484 K$ en 2014 a 733 K$ en 2017 (+51 %), con picos a final de año. West es la región más grande (unos 725 K$) y South la más pequeña (unos 392 K$). Technology lidera las categorías con unos 836 K$.

Cómo está hecho

• Una tabla de fechas y una tabla mensual de objetivos acompañan a la tabla de ventas, de modo que las ventas reales y los objetivos se representan en un mismo eje temporal.
• Medidas DAX para ventas totales, beneficio total, % de margen de beneficio y % de objetivo conseguido (ventas divididas por objetivo).
• Un diseño coherente de tarjetas, colores y filtros que un responsable puede leer en segundos.

Qué demuestra

Diseño de KPI frente a un objetivo, un modelo de datos limpio con tabla de fechas y un resumen ejecutivo que plantea las preguntas de seguimiento adecuadas.

Qué muestra

Tres preguntas numeradas, cada una con un gráfico: si el problema es puntual o recurrente, si está ligado al descuento y qué productos lo arrastran hacia abajo. Un recuadro de conclusión y otro de recomendaciones cierran la página.

Qué dicen los datos

• Central está en el último puesto o cerca en tres de los cuatro años, y vende más que South, así que no es solo una región pequeña con dificultades.
• Tables (−8,6 % de margen) y Bookcases (−3,0 %) pierden dinero, con descuentos medios del 26 % y el 21 % frente al 15,6 % de toda la empresa.
• El descuento por sí solo no decide el resultado: Binders tiene un descuento medio del 37 % y aun así obtiene un margen del 14,9 %, así que el efecto depende del producto.

Recomendaciones de la página

Fijar límites de descuento por subcategoría en lugar de un tope único, auditar cómo aprueba Central los descuentos y seguir el margen por región y subcategoría a la vez.

Cómo está hecho

• La página está construida como un argumento: pregunta, evidencia, conclusión, acción.
• El gráfico de líneas colorea Central en rojo y atenúa las demás regiones, para que la mirada vaya directa a la historia.
• Un gráfico de burbujas representa el descuento medio frente al margen por región, con el tamaño de la burbuja según las ventas.
• Una matriz con jerarquía Category > Subcategory ordenada del peor al mejor margen, con iconos rojo, ámbar y verde controlados por reglas de formato condicional sobre el margen.
• Medidas DAX para el % de margen de beneficio y el descuento medio.

Qué demuestra

Análisis diagnóstico, razonamiento cuidadoso (indica dónde el descuento no explica la pérdida) y narración con datos que termina en recomendaciones concretas.

Qué muestra

Una previsión de ventas a 12 meses, un análisis de segmentos de clientes con una tabla de detalle y un gráfico de Pareto del beneficio por estado.

Qué dicen los datos

• Segmentos: cada cliente se puntúa en dos dimensiones independientes. El valor es High si sus ventas totales superan la mediana de clientes. La rentabilidad es Profitable si su beneficio total es positivo y At Risk si es cero o negativo. Un cliente de gasto bajo que pierde dinero queda marcado igualmente como At Risk en lugar de esconderse dentro de Low Value.
• Los clientes de valor alto gastan casi lo mismo (4.410 $ los At Risk, 4.692 $ los Profitable), pero los 329 rentables ganan 899 $ cada uno mientras que los 67 At Risk (8 % de los clientes) pierden 817 $ cada uno. Una tabla lista primero a los que más pierden.
• Pareto: California, New York, Washington, Michigan y Virginia (10 % de los estados) generan el 79 % del beneficio, y solo California y New York suman el 53 %. Diez estados pierden dinero, lo que hace bajar la curva acumulada hasta el 100 %.

Cómo está hecho

• La previsión usa el pronóstico integrado de Power BI sobre las ventas mensuales, con estacionalidad y una banda de confianza.
• Una tabla propia de segmentos de clientes (cliente, ventas, beneficio, segmento) alimenta el gráfico de burbujas y la tabla de detalle; una zona sombreada de pérdidas marca todo lo que está por debajo de beneficio cero.
• El Pareto es un gráfico combinado: estados ordenados por beneficio, una línea de % acumulado, una línea de referencia del 80 % y barras coloreadas según beneficio positivo o negativo.

Qué demuestra

Lógica de segmentación sobre la que un negocio puede actuar, priorización con Pareto, previsión y el paso del análisis a la decisión.