El producto
Datup es una plataforma de supply chain analytics: pronóstico de demanda, recomendaciones de compra, optimización de inventario y colaboración entre áreas, integrada con sistemas como ERP, CRM y WMS. Trabaja con grandes volúmenes de datos y múltiples jerarquías sobre decisiones con impacto operativo directo.
El reto central no era mostrar más datos: era darles estructura, contexto y una ruta de acción.
- Usuarios
- Planeación de demanda · compras · inventarios · ventas · marketing
- Complejidad
- Grandes volúmenes y jerarquías múltiples de información
- Mi foco
- Convertir métricas complejas en flujos e interfaces accionables
Nota de transparencia. Este caso combina información pública de Datup con mi experiencia directa como diseñadora. Las imágenes muestran el estado público del producto y no implican que cada detalle visible haya sido diseñado por mí. No se incluye información confidencial.
Punto de partida
El punto de partida: una experiencia fragmentada
Cada cliente consultaba su propia implementación de Looker Studio, con ajustes y soporte específicos. Permitía visualizar información, pero arrastraba tres retos de experiencia.
Comprensión
Varias métricas necesitaban contexto adicional para poder interpretarse.
Escalabilidad
Mantener una experiencia por cliente dificultaba evolucionar el producto de forma consistente.
Acción
Consultar un reporte no bastaba: había que comparar, filtrar, colaborar y decidir.
Excel seguía siendo parte del trabajo diario: la meta era convivir con él y reducir fricción, no reemplazarlo de golpe.
La oportunidad de diseño
- Datos dispersos
- Información comprensible
- Colaboración
- Decisión
- Acción
Mi rol
Mi rol y mi alcance
El equipo de producto lo formábamos el Product Manager y yo como única responsable de UX/UI, en trabajo cercano con ingeniería, datos y customer success. Cada decisión visual respondía al propósito de una métrica y a la acción que el usuario debía poder ejecutar.
Cómo trabajábamos
- Requerimiento
- Verificación de datos
- Estructura y flujo
- Diseño y prototipo
- Validación
- Implementación y QA
De qué fui responsable
- Traducir requerimientos de producto, datos y customer success en flujos de diseño.
- Diseñar la experiencia de los módulos: navegación, filtros, tablas, gráficas y estados.
- Crear diseños de alta fidelidad y prototipos interactivos en Figma, con bases de sistema de diseño.
- Redactar etiquetas, descripciones y tooltips de métricas complejas.
- Validar con usuarios y analítica de comportamiento, y acompañar handoff, implementación y QA.
De qué no fui responsable
- Los modelos predictivos
- La ingeniería de datos
- La estrategia comercial
Decisiones de diseño
Las decisiones que definieron el producto
No fue un rediseño único, sino una secuencia: hacer comprensible la información, convertirla en un sistema y conectarla con la decisión y la acción del usuario.
Evolución 1
Hacer comprensibles los datos
La primera etapa fue mejorar los dashboards existentes y entender los indicadores de demanda, precisión, rotación e impacto en el portafolio. Fue la base conceptual de la plataforma: saber qué conservar, qué reorganizar y qué ya no aportaba valor.
- Jerarquizar métricas según su utilidad real y elegir la visualización adecuada.
- Diferenciar demanda real, pronóstico y desviación, con contexto en títulos y tooltips.
- Hacer legibles clasificaciones como ABC, FSN y XYZ.
Evolución 2
De BI personalizado a producto SaaS
Diseñar una plataforma compartida obligó a dejar de pensar en reportes independientes y empezar a pensar en un sistema: una estructura común para distintos clientes, capaz de evolucionar por módulos.
- Definir la navegación común y qué debía mostrar el dashboard inicial.
- Unificar filtros de producto, categoría, canal, ubicación y periodo, con exportación para convivir con Excel.
- Diseñar estados vacíos, cargas, errores y permisos según el contexto.
Evolución 3
Convertir el pronóstico en una conversación entre áreas
Ventas, marketing y operaciones aportaban información que el planeador debía consolidar. Diseñé flujos para comparar demanda real, pronóstico sugerido y pronóstico colaborado antes de decidir. La IA proponía; las personas comprendían, discutían y decidían.
- Hacer visibles las diferencias entre escenarios y resaltar valores por revisar.
- Permitir ajustes sobre múltiples productos y ubicaciones sin perder contexto temporal.
- Reducir la consolidación manual y sostener el proceso de S&OP/S&OE.
Evolución 4
Del pronóstico a una recomendación de compra
El módulo de inventario optimizado traducía la demanda esperada en decisiones de abastecimiento: de “¿cuánto venderé?” a “¿qué compro, cuánto, dónde y cuándo?”. Diseñé flujos de consulta y gestión masiva sin convertir cada decisión en un proceso individual.
- Priorizar la información necesaria para decidir, con filtros y agrupaciones útiles para compras.
- Diferenciar recomendaciones enviables de casos que requerían evaluación.
- Permitir selección masiva conservando totales y contexto financiero.
Experiencia con IA
Alaia: diseñar una experiencia de IA que se pueda verificar
En la etapa final trabajé en la experiencia de Alaia, el asistente de IA de Datup, para ayudar a los equipos a interpretar información y convertirla en recomendaciones sin recorrer cada reporte.
- Entrada conversacional con historial
- Playbooks para preguntas frecuentes de supply chain
- Respuestas con tablas, gráficas e indicadores
- Listas de acciones y pasos siguientes
El desafío no era diseñar un chat: la respuesta debía ser entendible, verificable y útil para una decisión de negocio. Una experiencia de IA empresarial gana valor cuando reduce la distancia entre preguntar, entender y actuar.
Resultados
Resultados y aprendizajes
Presento resultados de producto y de proceso, que son los que puedo atribuir con precisión a mi trabajo.
Antes
- Dashboards de Looker Studio por cliente
- Soporte y ajustes individuales
- Consulta sin ruta de acción
- Consolidación manual entre áreas
Después
- Plataforma SaaS web con módulos comunes
- Patrones reutilizables de navegación y datos
- Colaboración dentro del producto
- Del pronóstico a la recomendación de compra
- 01Diseño de la estructura y las experiencias de los módulos principales durante mi periodo.
- 02Patrones reutilizables de navegación, filtros, tablas, gráficas y estados, con bases de sistema de diseño en Figma.
- 03Experiencias colaborativas que llevan el pronóstico hasta la recomendación de compra.
- 04Diseño de la experiencia conversacional y los playbooks de Alaia.
Cómo lo validé
Validé el diseño con entrevistas y sesiones moderadas —qué entiende el usuario de una métrica y qué decisión puede tomar con ella— y complementé con Mixpanel y PostHog para observar frecuencia de uso y recorridos. El QA verificaba que la jerarquía, los estados y los valores conservaran la intención del diseño.
- Figma
- Mixpanel
- PostHog
- Entrevistas moderadas
- Pruebas de usabilidad
Lo que aprendí
Diseñar datos exige comprender la decisión
Una gráfica puede ser correcta y aun así no ayudar. Antes de elegir una visualización hay que saber qué compara el usuario y qué hará después.
La escalabilidad también es un problema de UX
Pasar de experiencias separadas a una plataforma común obliga a crear patrones capaces de servir a múltiples contextos sin perder claridad.
La IA necesita contexto y salidas accionables
Un chat por sí solo no resuelve un proceso: las respuestas deben vincularse con datos, estructuras familiares y siguientes pasos evaluables.
El sitio actual de Datup publica cifras comerciales y casos de éxito. Esas cifras describen resultados de la compañía o de clientes específicos y no se presentan aquí como impacto individual de mi diseño.
