Caso de Estudio
Ecommerce Data Foundation for Digital-Native Brand
Data stack powering omnichannel growth.
Clarivant se asoció con una marca de comercio electrónico en rápido crecimiento para centralizar Shopify, Ads y Odoo en Snowflake + dbt para una base de datos escalable.
Resultados Clave
La Transformación
El Desafío
Esta marca de comercio electrónico en rápido crecimiento tenía datos por todas partes, pero respuestas en ninguna. Shopify almacenaba los datos de pedidos y productos, Google y Meta Ads rastreaban el gasto publicitario, y Odoo ERP gestionaba el inventario y la logística; sin embargo, ninguno de estos sistemas se comunicaba entre sí. La COO construía informes semanales exportando CSVs de tres plataformas, pegándolos en hojas de cálculo y coincidiendo manualmente los IDs de pedido con el gasto publicitario. Los cálculos de margen eran inconsistentes porque los ingresos de Shopify no tenían en cuenta los costos logísticos de Odoo. El marketing no podía determinar qué canales impulsaban realmente pedidos rentables frente a solo ingresos. Cada decisión estratégica, ya fuera escalar el gasto publicitario, ajustar precios o expandirse a un nuevo canal, requería días de manipulación manual de datos antes de que alguien pudiera incluso formular la pregunta correctamente.
Nuestro Enfoque
Comenzamos con una auditoría de datos: mapeando cada métrica que el equipo usaba hacia su sistema de origen y documentando dónde divergían los cálculos. Esa sola auditoría reveló 4 definiciones diferentes de 'margen' en toda la organización. Construimos la base utilizando conectores de Fivetran para extraer datos de Shopify, Google Ads, Meta Ads y Odoo hacia Snowflake con sincronizaciones diarias automatizadas. La capa de transformación de dbt fue donde ocurrió el trabajo real: construimos modelos de etapa para cada fuente, luego modelos intermedios que reconciliaban datos a nivel de pedido entre plataformas. El desafío clave fue coincidir los pedidos de Shopify con los registros de cumplimiento de Odoo y los datos de atribución de plataformas publicitarias en un único modelo de pedido unificado. Creamos modelos de nivel de mart para tres dominios centrales: rendimiento de ventas (ingresos, AOV, tasas de repetición por canal y cohorte), ROI de marketing (ROAS verdadero con costos logísticos, no solo ingresos de Shopify) y salud del inventario (niveles de stock, tasas de rotación, señales de reorden). Cada mart alimentaba directamente dashboards de Tableau diseñados para roles específicos: la COO obtenía una vista diaria de P&L, el marketing obtenía ROAS a nivel de canal y operaciones obtenía alertas de inventario. También construimos un modelo de reconciliación de margen que vinculaba los ingresos brutos de Shopify con los COGS de Odoo a nivel de SKU, dando al equipo su primera vista precisa de la rentabilidad a nivel de producto. Todo el proyecto de dbt incluía pruebas automatizadas en uniones clave y cálculos de métricas; si los conteos de pedidos de Shopify no coincidían con los registros de cumplimiento de Odoo dentro de la tolerancia, la canalización marcaba la discrepancia antes de que llegara a un dashboard.
El Resultado
La pila de datos unificada dio al equipo algo que nunca habían tenido: un solo lugar para entender el negocio. El proceso de informes semanales de la COO disminuyó de un día completo de trabajo en hojas de cálculo a abrir un dashboard. El marketing podía ver dentro de 24 horas si una campaña impulsaba pedidos rentables o solo inflaba los ingresos superiores. El modelo de reconciliación de margen fue el mayor desbloqueo: reveló que 3 de sus 10 principales SKUs de ingresos eran en realidad negativos en margen después de tener en cuenta los costos logísticos y devoluciones. Ese solo insight remodeló su estrategia de precios y promociones. El dashboard de salud del inventario detectó SKUs de movimiento lento semanas antes que el proceso manual, reduciendo las escrituras de exceso de stock y mejorando el flujo de caja. La base también escala limpiamente: cuando agregaron un nuevo canal de ventas 6 meses después, tomó 2 días integrarlo en lugar de reconstruir desde cero. La arquitectura de dbt significa que las nuevas fuentes de datos siguen un patrón establecido — etapa, intermedio, mart — en lugar de requerir lógica de integración personalizada cada vez. Las pruebas automatizadas de calidad de datos que construimos capturan problemas de integración temprano, antes de que los datos erróneos lleguen a los dashboards y erosionen la confianza. El equipo ahora ejecuta su revisión de negocios semanal enteramente desde los dashboards, y los nuevos empleados pueden encontrar respuestas de forma independiente en lugar de pedirle a la COO que extraiga números de hojas de cálculo. Lo que comenzó como un proyecto de consolidación de datos se convirtió en la columna vertebral analítica que la marca necesitaba para crecer con confianza, sabiendo que cada decisión está respaldada por números reconciliados y probados en lugar de aproximaciones de hojas de cálculo.
Lo Que Dice el Cliente
Clarivant construyó nuestra fundación de datos a través de Shopify, Ads y Odoo. Por primera vez, tuvimos una sola versión de los números — y dashboards en los que realmente podíamos confiar. Aceleró cómo tomamos decisiones día a día.
Cliente eCommerce (Fundador/COO)
COO, Marca eCommerce nativa digital de rápido crecimiento (anónimo)
¿Quieres resultados similares para tu organización?
HablemosTambién Te Puede Interesar
Modern Data Foundation for Restaurant Franchise: From Oracle Chaos to Governed Analytics
Built enterprise-grade data infrastructure from scratch for Carl's Jr franchise—delivering complete supply chain visibility and single source of truth across 100+ locations.
Leer caso de estudioFrom Local Routes to Smarter Growth
Route-to-market clarity for a regional CPG brand.
Leer caso de estudio¿Listo para convertir datos en decisiones?
Hablemos de cómo lograr ROI medible en meses.