Análisis ABC en Power BI con DAX: Guía Completa para Profesionales

Análisis ABC en Power BI con DAX: Guía Completa para Profesionales

El análisis ABC es una técnica poderosa para clasificar ítems (como productos, clientes o inventarios) según su importancia relativa, comúnmente basada en valor económico o peso. En este artículo, te guiaremos paso a paso para implementar un análisis ABC en Power BI utilizando DAX. Si eres un apasionado de los datos buscando optimizar tus informes, ¡este post es para ti! 🚀

¿Qué es el análisis ABC y por qué usarlo en Power BI?

El análisis ABC clasifica ítems en tres categorías (A, B, C) según su contribución acumulada al total, siguiendo la regla del 80/20 (Principio de Pareto). Por ejemplo:

  • Categoría A: ~20% de los ítems que aportan ~80% del valor (los más importantes).
  • Categoría B: Ítems intermedios.
  • Categoría C: Ítems con menor impacto.

En Power BI, el análisis ABC es ideal para priorizar recursos, optimizar inventarios o enfocar esfuerzos comerciales. Usando DAX, podemos automatizar este análisis y visualizarlo con gráficos impactantes, como el gráfico de Pareto.

Contexto DAX

Tomamos un análisis ABC basado en valor económico (Cantidad * ValorUnitario) o peso, y lo traducimos a DAX para Power BI. El código original calcula:

  • Valor total por ítem.
  • Porcentaje acumulado para clasificar ítems en A, B, C.
  • Porcentajes por segmento y un resumen estadístico.
  • Un gráfico de Pareto para visualización.

DAX no soporta clases ni gráficos directos, pero podemos replicar la lógica con columnas calculadas, medidas y visualizaciones nativas de Power BI. ¡Vamos a ello! 🎯

Requisitos previos

Antes de empezar, asegúrate de:

  1. Tener una tabla en Power BI (por ejemplo, Ventas) con columnas:
    • SKU: Identificador único de ítems.
    • Cantidad: Cantidad vendida.
    • ValorUnitario: Precio unitario.
    • Opcionalmente, Peso: Para análisis basado en peso.
  2. Verificar que los tipos de datos sean correctos (numérico para Cantidad, ValorUnitario, Peso; texto para SKU).
  3. Usar los límites por defecto para categorías: [0, 70, 90, 100] para A (0-70%), B (70-90%), C (90-100%).

Implementación en DAX: Paso a paso

Paso 1: Calcular el valor total

Creamos una columna calculada para determinar el valor total por ítem, basado en valor económico o peso.


Total = 
IF(
    HASONEVALUE(Ventas[Peso]),
    Ventas[Peso], // Análisis por peso
    Ventas[Cantidad] * Ventas[ValorUnitario] // Análisis por valor económico
)
💡 Tip: Si solo usas valor económico o peso, simplifica la fórmula eliminando la condición no relevante. Asegúrate de que las columnas existan en tu modelo de datos.

Paso 2: Calcular el porcentaje acumulado

Usamos medidas para simular este cálculo.

1. Total general:


TotalGeneral = 
SUM(Ventas[Total])

2. Total acumulado:


TotalAcumulado = 
CALCULATE(
    SUM(Ventas[Total]),
    FILTER(
        ALLSELECTED(Ventas),
        Ventas[Total] >= MAX(Ventas[Total])
    )
)

3. Porcentaje acumulado:


PorcentajeAcumulado = 
DIVIDE(
    [TotalAcumulado],
    [TotalGeneral],
    0
) * 100
📌 Nota: ALLSELECTED respeta los filtros aplicados en el informe, mientras que MAX(Ventas[Total]) simula el orden descendente.

Paso 3: Asignar categorías A, B, C

Creamos una columna calculada para clasificar ítems según el porcentaje acumulado.


Categoria = 
VAR Porcentaje = 
    CALCULATE(
        [PorcentajeAcumulado],
        ALLEXCEPT(Ventas, Ventas[SKU])
    )
RETURN
SWITCH(
    TRUE(),
    Porcentaje <= 70, "A",
    Porcentaje <= 90, "B",
    Porcentaje <= 100, "C",
    "Sin Clasificar"
)
🎨 Personalización: Ajusta los límites (70, 90, 100) si necesitas otros umbrales. Usa una tabla de parámetros en Power BI para bins dinámicos.

Paso 4: Porcentaje por segmento

Para replicar el método get_segment_percentage, creamos una medida que calcula el porcentaje del total por categoría.


PorcentajeSegmento = 
VAR SegmentoSeleccionado = SELECTEDVALUE(Ventas[Categoria])
RETURN
IF(
    NOT ISBLANK(SegmentoSeleccionado),
    CALCULATE(
        DIVIDE(
            SUM(Ventas[Total]),
            [TotalGeneral],
            0
        ) * 100,
        Ventas[Categoria] = SegmentoSeleccionado
    ),
    BLANK()
)
💡 Uso: Coloca esta medida en una tarjeta o tabla, y filtra por Categoria (A, B, C) para ver el porcentaje.

Paso 5: Resumen estadístico

Para replicar el método print_summary, creamos medidas adicionales y las mostramos en visuales de Power BI.

1. Número de ítems por segmento:


ItemsPorSegmento = 
CALCULATE(
    COUNTROWS(Ventas),
    ALLEXCEPT(Ventas, Ventas[Categoria])
)

2. Valor acumulado por segmento:


ValorSegmento = 
CALCULATE(
    SUM(Ventas[Total]),
    ALLEXCEPT(Ventas, Ventas[Categoria])
)

3. Top 5 ítems:

En lugar de una medida, usa una tabla visual con las columnas SKU, Total, y Categoria, y aplica un filtro "Top N" (Top 5 por Total).

Visualización: Gráfico de Pareto en Power BI

El método plot_pareto genera un gráfico con barras (valor total) y una línea (porcentaje acumulado). En Power BI, creamos un visual combinado (barras y línea):

  1. Configuración del visual:
    • Eje X: Columna SKU.
    • Barras (Y1): Medida [Total].
    • Línea (Y2): Medida [PorcentajeAcumulado].
  2. Ordenación: Ordena el eje X por Total (descendente).
  3. Líneas de umbral:
    • En el panel de Analytics, agrega líneas constantes en 70% y 90% para [PorcentajeAcumulado].
    • Usa colores verde (para A) y naranja (para B).
  4. Formato:
    • Barras: Azul claro (#87CEEB).
    • Línea: Rojo (#FF0000).
    • Título: "Análisis ABC por Valor/Peso".
    • Activa la cuadrícula y rota las etiquetas del eje X a 45°.
📊 Resultado esperado: Un gráfico que muestra el valor total por ítem (barras) y el porcentaje acumulado (línea), con líneas horizontales en 70% y 90% para marcar las categorías A, B, C.

Resumen de medidas y columnas

Columnas calculadas

  • Total: Valor económico (Cantidad * ValorUnitario) o peso.
  • Categoria: Clasificación A, B, C según porcentaje acumulado.

Medidas

  • TotalGeneral: Suma total de Total.
  • TotalAcumulado: Suma acumulada por ítem.
  • PorcentajeAcumulado: Porcentaje acumulado del total.
  • PorcentajeSegmento: Porcentaje por categoría.
  • ItemsPorSegmento: Conteo de ítems por categoría.
  • ValorSegmento: Valor total por categoría.

Consejos para profesionales

  1. Validaciones: DAX no valida dinámicamente la existencia de columnas. Usa Power Query para limpiar y preparar datos antes de aplicar DAX.
  2. Optimización: Si trabajas con grandes volúmenes de datos, considera optimizar las medidas con SUMMARIZE o tablas calculadas para mejorar el rendimiento.
  3. Interactividad: Añade segmentaciones (slicers) para filtrar por categorías o períodos de tiempo, haciendo el informe más dinámico.
  4. Bins dinámicos: Para umbrales personalizables, crea una tabla de parámetros en Power BI y usa SELECTEDVALUE en las fórmulas DAX.

Ejemplo de visualización en Power BI

Crea un informe con:

  • Tabla: Muestra SKU, Total, Categoria, y PorcentajeAcumulado.
  • Tarjetas: Muestra TotalGeneral, ItemsPorSegmento, y PorcentajeSegmento por categoría.
  • Gráfico de Pareto: Visual combinado con barras y línea.
  • Segmentaciones: Para filtrar por categoría o rango de fechas.
📈 Impacto visual: Usa colores corporativos, fuentes legibles (como Segoe UI), y un diseño limpio para impresionar a tu audiencia.

Conclusión

Con esta implementación en DAX, puedes llevar el análisis ABC al siguiente nivel en Power BI, automatizando cálculos y creando visualizaciones impactantes. Este enfoque no solo replica la lógica del código Python, sino que aprovecha las capacidades de Power BI para generar informes interactivos y profesionales.

¿Listo para implementar tu análisis ABC? ¡Prueba estas fórmulas y comparte tus resultados! Si necesitas ayuda con personalizaciones, optimización o visualizaciones avanzadas, déjanos un comentario. 👇

¿Te gustó este artículo?

🔔 Suscríbete para más contenido sobre Power BI y análisis de datos.
📢 Comparte este post con tus colegas para optimizar sus informes.

Entradas populares de este blog

Cómo Equilibrar Múltiples Productos con Pedidos a la Medida

Imagen
Domina tus Pedidos: Modelo de Inventario Multiproducto con Restricción de Órdenes Créditos: mygestion.com ¿Alguna vez has sentido que gestionar un almacén es como bailar una coreografía imposible? Productos que entran y salen, clientes que esperan, y un límite de pasos (¡o pedidos!) que no puedes exceder. ¡No te preocupes! Hoy te guiaremos por un modelo de inventario multiproducto que hará que tus pedidos fluyan como una danza perfecta, respetando una restricción de 15 pedidos al año. Con este modelo, aprenderás a ajustar cuánto pedir y cuándo hacerlo , manteniendo los costos bajo control. ¡Prepárate para una aventura numérica llena de estrategia y diversión! ¿Por qué Optimizar los Pedidos? En el mundo empresarial, optimizar los pedidos es clave para: Red...
Leer más

Maximiza la rentabilidad de tu negocio: Cómo optimizar la selección de proveedores de mercancías.

Imagen
Optimización de Proveedores con Programación Lineal en Python La programación lineal es una herramienta poderosa para optimizar decisiones en la gestión de la cadena de suministro. En este artículo, exploramos cómo seleccionar proveedores para maximizar la utilidad total, respetando restricciones como presupuesto, capacidad y demanda. Usaremos la biblioteca PuLP en Python para modelar y resolver este problema. ¡Acompáñanos en este recorrido técnico! 🚀 Gestión de proveedores para optimizar la cadena de suministro (Fuente: CEUPE). El Problema de Selección de Proveedores Imagina una empresa que necesita adquirir productos de varios proveedores para satisfacer una demanda específica. Cada proveedor ofrece productos a un costo y precio de venta distintos, con una capacidad máxima de suministro. El objetivo es maximizar la utilidad total (diferencia entre precio de venta y costo) mientra...
Leer más

Descubriendo el Poder de los Modelos de Clasificación en Machine Learning: Predicciones Precisas y Clasificaciones Sorprendentes

Imagen
Clasificación de Materias Primas con Machine Learning en Python El problema de clasificación en Machine Learning permite predecir categorías a partir de datos, como identificar el tipo de materia prima (CD, DB, SBT, R) según características como porcentajes de Grado A, B, C y el peso total del lote. En este artículo, exploramos algoritmos clave como Regresión Logística , Máquina de soporte vectorial (SVM) , Árboles de Decisión , Random Forest , Extreme gradient descent (XGBoost) y K-nearest neighborhood (KNN) , con implementaciones en Python, manejo de datos desbalanceados y evaluación de métricas. ¡Acompáñanos en este viaje técnico! 🚀 Ilustración de clasificación de datos con Machine Learning, representando la asignación de categorías (Fuente: Propia). El Problema de Clasificación de Materias Primas El objetivo es clasificar lotes de materias primas en categorías (CD, DB, SBT, R) según...
Leer más

Optimización del Inventario Multiproducto en Espacios Reducidos: Una guía para la eficiencia en gestión de stocks

Imagen
Optimización de Inventario Multiproducto: Magia en Espacios Reducidos ¿Alguna vez has sentido que tu almacén es como un rompecabezas imposible? Productos apilados, espacio limitado y clientes que esperan que todo esté listo en un chasquido de dedos. ¡No te preocupes! Hoy te guiaremos por un hechizo de optimización que hará que tu inventario sea tan eficiente como un caldero bien mezclado. Con nuestro modelo de inventario multiproducto con espacio restringido , aprenderás a decidir qué almacenar , cuánto pedir y cuándo hacerlo , todo mientras mantienes tus costos bajo control y el espacio limitado de 4000 ft². ¡Prepárate para convertir el caos en magia pura! ¿Por Qué Optimizar el Inventario? En un mundo donde el espacio es oro y los costos pueden salirse de control, optimizar el inventario es clave para: Re...
Leer más

Domina tu Almacén sin arruinarte: El Juego del Modelo de Inventario Múltiproductos con Presupuesto ajustado

Imagen
Domina tu Almacén sin Arruinarte: Modelo de Inventario Multiproductos con Presupuesto Ajustado ¿Tu almacén parece un rompecabezas imposible? Productos apilados, un presupuesto ajustado y clientes que esperan todo listo en un chasquido. ¡No temas! Hoy te guiaremos por un modelo de inventario multiproducto que transformará el caos en magia, manteniendo tus finanzas a salvo. Con nuestro modelo de inventario multiproducto con presupuesto restringido , aprenderás a decidir qué almacenar , cuánto pedir y cuándo hacerlo , todo dentro de un presupuesto de $25,000. ¡Prepárate para una aventura divertida y rentable! ¿Por Qué Optimizar el Inventario? En un mundo donde cada dólar cuenta, optimizar el inventario es clave para: Reducir costos : Minimiza gastos en pedidos y almacenamiento. Evitar faltantes : ...
Leer más

¡Plan Desagregado de Producción como un jefe!

Imagen
Plan Desagregado de Producción ¡El plan desagregado de producción desafía los límites de la eficiencia! Cuando se trata de gestionar la producción en una empresa, es esencial tener una estrategia sólida que maximice los recursos, optimice los tiempos de entrega y minimice los costos. Es aquí donde entra en juego el plan desagregado de producción, una técnica que descompone el proceso de producción en pasos más pequeños y manejables. ¡Es como desarmar un rompecabezas y armarlo de manera más eficiente! 💡 Imagina que estás a cargo de la producción de tu empresa y tienes un gran desafío por delante. Necesitas entregar productos de alta calidad en plazos ajustados, manteniendo bajos los costos y garantizando la satisfacción de los clientes. Aquí es donde el plan desagregado de producción se convierte en tu aliado. En lugar de tratar el proceso de producción como una entidad única, el plan desagregado lo divide en ...
Leer más

El Desafío del Empaque en Contenedores: Optimizando Espacios en contenedores con Ingenio

Imagen
Optimización del Embalaje en Contenedores: Algoritmos y Ejemplos en Python Algoritmos y Ejemplos en Python Elproblema de embalaje en contenedores (bin packing) es un desafío clásico en informática y matemáticas que busca minimizar el número de contenedores necesarios para almacenar un conjunto de objetos, cada uno con un tamaño específico, respetando una capacidad fija por contenedor. Este problema tiene aplicaciones en logística, gestión de inventarios y optimización de recursos. En este artículo, exploramos algoritmos clave como First Fit Decreasing , Best Fit , Next Fit y Algoritmos Genéticos , con implementaciones en Python. ¡Prepárate para optimizar al máximo! 🚀 ¿Qué es el Problema de Embalaje en Contenedores? El bin packing problem es un problema NP-difícil, lo que significa que no se conoce un algoritmo eficiente para resolverlo de forma óptima en casos grandes. El objetivo es asignar ítems...
Leer más

¡Optimización de Portafolios de Productos: El arte de maximizar el rendimiento!

Imagen
Optimización de Portafolios de Productos con K-means y Programación Lineal La optimización de portafolios de productos es clave para maximizar el rendimiento empresarial en industrias como retail, manufactura o tecnología. En este artículo, combinamos K-means clustering para agrupar productos similares y programación lineal con PuLP para construir portafolios óptimos, respetando restricciones como volumen, capacidad, precio y lead time. ¡Acompáñanos en este recorrido técnico! 🚀 Visualización de K-means agrupando productos similares (Fuente: Hamish Thorburn). El Problema de Optimización de Portafolios Imagina que gestionas una empresa con múltiples productos, cada uno con características como volumen, precio, costo, lead time (tiempo de entrega) y calidad. El objetivo es construir portafolios de productos que maximicen el rendimiento total, cumpliendo restricciones como: ...
Leer más