Plataforma digital
Mantis AI
Cliente: Makers150
Mi rol: Product Designer
Cuando: Setiembre 2025 - hasta ahora
Categoría: Plataforma digital
Web: https://m150.mantisbi.ai/sessions/signin
¿Qué es Mantis AI?
Mantis es una plataforma de inteligencia comercial predictiva diseñada para fabricantes de la industria de construcción. Su propósito es transformar datos dispersos en decisiones estratégicas accionables.
El contexto estratégico
Cuando iniciamos el proyecto, en Makers150 contabamos con un ecosistema sólido:
- Bizner: ERP ferretero con data transaccional real (ventas, margen, SKU, zona).
- Bilder: Plataforma de cursos para maestros de obra con data territorial.
- Historial acumulado de 3 años de comportamiento comercial.
La realidad
El activo existía.El problema no era tecnológico.
Era estructural.
- La data estaba dispersa.
- No estaba orquestada.
- No generaba ventaja competitiva clara.
El giro estratégico
Como equipo de diseño, la pregunta no fue:
“¿Qué dashboard construimos?”
Fue:
“¿Cómo convertimos este ecosistema en una infraestructura de inteligencia estratégica?”
El problema desde producto
Comportamiento observado
Los fabricantes y gerentes comerciales:
- Operaban con múltiples fuentes desconectadas.
- Dependían fuertemente de intuición y experiencia.
- Detectaban caídas de margen cuando ya impactaban resultados.
- No cruzaban variables internas con contexto externo.
- No podían simular escenarios futuros.
Consecuencias
Esto generaba:
- Decisiones reactivas.
- Baja capacidad de anticipación.
- Ineficiencia territorial.
- Pérdida sistemática de oportunidades.
Definición del problema
- Decisiones reactivas.
- Baja anticipación.
- Ineficiencia territorial.
- Pérdida de oportunidades.
Mi enfoque como Product Designer
Desde diseño, decidí estructurar el proyecto en tres capas estratégicas:
Entender
Entender profundamente cómo se toman decisiones reales por parte de los fabricantes
Validar
Validar hipótesis antes de escalar desarrollo.
Diseñar
Diseñar una arquitectura sistémica que se pueda adaptar a cualquier rubro, no una feature aislada.
Research con Sellers
Lideré entrevistas en profundidad con gerentes comerciales.
Objetivo
- Entender el proceso real de decisión.
- Identificar puntos de fricción.
- Detectar patrones conductuales.
Principales insights
- Revisan facturación diaria como señal primaria.
- Tienen miedo a caída de margen.
- No confían completamente en modelos automáticos.
- Se sienten saturados por dashboards complejos.
- Necesitan señales claras, no más gráficos.
Insight crítico
- El valor no está en mostrar más información. Está en reducir incertidumbre.
MVP de Visualización
Claridad no es anticipación
Hipótesis
Centralizar información crítica reduciría fricción y mejoraría decisiones.
Lo que construimos
- Home con highlights automáticos.
- Snapshot 360° con KPIs priorizados.
- Mapa territorial y competencia.
- Filtros simples y navegación modular.
Lo que funcionó
✔ Mayor claridad operativa.✔ Menor uso de Excel paralelo.
Lo que no resolvió
✖ No cambió el comportamiento estratégico.✖ Mostraba el pasado, no anticipaba el futuro.
Investigación Estructural (Proyecto Zeus) con Empathy
Lideré entrevistas en profundidad con gerentes comerciales junto con los chicos de Empathy
Antes del hallazgo
Cómo estábamos pensando el problema
- Diseñábamos para “el fabricante promedio”.
- Enfocados en mejorar visualización y claridad.
- Solución relativamente lineal.
- Suposición implícita: Más orden = mejores decisiones.
El hallazgo
Después de 13 entrevistas profundas entendimos que: Los fabricantes no son homogéneos
Se diferencian estructuralmente por:
- Modelo de negocio (Lean, Diferenciado, Todista)
- Journey constructivo
- Nivel de apertura tecnológica
- Estrategia de crecimiento
Después del hallazgo
Cómo cambió el diseño
- Pasamos de solución lineal a arquitectura modular.
- Diseñamos para distintos niveles de madurez.
- Pensamos en escalabilidad desde el inicio.
- La segmentación redefinió la arquitectura.
“El problema no era mejorar el dashboard. Era diseñar para la diversidad estructural del fabricante.”.
How Might We (HMW)
Como entregable clave del ciclo, se formuló la siguiente pregunta guía:
¿Cómo podríamos transformar un sistema de visualización en una infraestructura de inteligencia flexible que responda a la diversidad estructural del mercado?
Redefinición de Producto
De herramienta visual a infraestructura estratégica
Después de la investigación estructural (Zeus), entendimos algo fundamental:
El problema no era cómo mostrar mejor la información.Era cómo diseñar un sistema que redujera incertidumbre en un entorno diverso y volátil.
Por eso replanteamos Mantis como:
“Una infraestructura de inteligencia comercial predictiva”.
- No un dashboard.
- No un BI tradicional.
- No un repositorio de métricas.
“Un sistema diseñado para anticipar y activar decisiones”.
La Arquitectura Conceptual
Diseñada en 3 capas evolutivas que responden a distintos niveles de madurez estratégica
Visualización
Organizar el presente
Problema: Exceso de información y baja priorización.
Objetivo: Reducir carga cognitiva y destacar lo relevante.
Clave: Highlight automático, jerarquía visual y snapshot ejecutivo.
¿Qué está pasando ahora y dónde debo mirar?
Predictibilidad
Reducir incertidumbre futura
Problema: Decisiones basadas solo en histórico.
Objetivo: Permitir anticipación estratégica con confianza.
Clave: Simulación de precios, ventas, share y escenarios a 3–4 meses.
Enfoque: IA explicativa (no autónoma).
¿Qué podría pasar si continúo así o si cambio una variable?
Accionabilidad
Cerrar el loop decisión-ejecución
Problema: Insights que no se traducen en acción.
Objetivo: Reducir fricción entre análisis y ejecución.
Clave: Alertas accionables + integración con CRM / ERP.
¿Qué hago ahora con esta información?
Traducción de la arquitectura a producto
Después de definir la arquitectura conceptual de Mantis —basada en visualización, predictibilidad y accionabilidad— decidimos comenzar con construir un nuevo Mantis AI
Para ello rediseñamos el producto con un nuevo enfoque: pasar de dashboards tradicionales a insights automáticos que prioricen lo relevante del mercado.
La nueva propuesta de Mantis AI
El nuevo MVP organiza la información en tres capacidades principales:
- Insights de mercado: identifica automáticamente oportunidades de crecimiento, liderazgo de productos y cambios en la competencia.
- Alertas y señales del mercado: detecta riesgos, caídas en ventas y oportunidades vinculadas a obras o factores externos del mercado.
- Predictibilidad: experimentos en curso para proyectar tendencias de ventas, precios y participación de mercado a partir de data histórica limpia.
- AI Chatbot: un asistente conversacional que permitirá consultar rápidamente información del mercado y obtener respuestas e insights sin necesidad de navegar múltiples dashboards.
¿Cómo evaluamos el éxito?
North Star Metric
“Tiempo que tarda un usuario en identificar un insight relevante del mercado.”.
Product Metrics
- Frecuencia de uso de la plataforma
- Número de insights explorados o consultados
- Uso del AI Chatbot para consultas rápidas del mercado
User Metrics
- Reducción del tiempo de análisis comercial
- Capacidad de identificar oportunidades más rápido
- Adopción del sistema por los equipos comerciales
¿En que está ahora Mantis AI?
Actualmente Mantis AI se encuentra en la fase de visibilidad del mercado (MVP).
En esta etapa el sistema permite:
- Visualizar información clave del mercado
- Identificar oportunidades y alertas automáticamente
- Explorar señales comerciales relevantes
Limpieza y estructuración de data histórica
Los datos provienen de múltiples fuentes y presentan inconsistencias, por lo que se están aplicando procesos de:
- Normalización de datasets
- Limpieza de registros históricos
- Estandarización de variables
Parte de este proceso se está realizando utilizando modelos de machine learning para mejorar la calidad de la información.
Experimentos en predictibilidad
En paralelo se están realizando experimentos con el módulo de predictibilidad, que permitirá proyectar:
- Tendencias de ventas
- Cambios en precios
- Variaciones en participación de mercado
Estos modelos requieren data histórica limpia y consistente, por lo que actualmente se encuentran en fase de experimentación mientras se consolida la base de datos.
Aprendizajes del producto
El desarrollo de Mantis AI esta dejando tres aprendizajes clave sobre el diseño de plataformas de inteligencia comercial:
La calidad de la data es crítica
La limpieza y estructuración de la data histórica es esencial para generar insights confiables, evidenciando la importancia de trabajar de forma cercana con equipos de data y machine learning.
Los usuarios necesitan insights, no dashboards
Validar hipótesis antes de escalar desarrollo.
La inteligencia debe ser accesible
Para facilitar el acceso a la información, Mantis AI incorpora un AI Copilot, que permite consultar datos del mercado y obtener respuestas rápidas sin navegar múltiples dashboards.