ABMS
Desenredar más de 5.000 leads en una mañana: cómo la IA ayudó a NexaFlow a limpiar su módulo de leads
ACERCA DE NexaFlow
Los leads llegan desde 5 fuentes diferentes: Website, Zalo OA, Facebook Ads, SMS Broadcast, Telesales. Cada fuente trae su propio conjunto de campos. Pero todos se "volcan" en un solo bloque, convirtiendo la interfaz en un lugar que almacena tanto datos de negocio como datos técnicos. La información importante se hunde entre los campos de importación. Las ventas tienen que "excavar" para encontrar los datos en lugar de procesar los leads.
RESULTADOS OBTENIDOS
Estructura de bloques: de 1 bloque caótico a 10 bloques con propósito. Campos duplicados eliminados: 10 pares eliminados. Campos de importación separados: 22 campos en un bloque dedicado (se pueden ocultar). Encabezado al abrir el registro: Nombre · Empresa · Estado. QuickCreate: 6 campos en secuencia natural. Seguridad de datos: 0 registros perdidos. Tiempo: Una mañana en lugar de 'nadie se atreve a tocarlo'.
RESULTADOS CLAVE
10
Duplicados ocultos
22
Campos de importación separados
10
Nuevos bloques estructurados
6
Campos QuickCreate
0
Registros perdidos
1
Mañana
DESAFÍOS EMPRESARIALES
Un Bloque Caótico
Todos los datos de 5 fuentes vertidos en un solo bloque. El personal de ventas no sabe dónde mirar primero. La información importante se hunde en campos técnicos.
10 Duplicados Ocultos
Existían 10 campos duplicados pero nadie lo notó. Los mismos datos con diferentes nombres causaban inconsistencias en filtros e informes.
22 Campos de Importación Mezclados en la UI
Los campos de seguimiento técnico (uid, tracking_code, sms_batch_id...) mezclados con campos de negocio, haciendo que la interfaz estuviera desordenada y fuera difícil de usar.
QuickCreate Sequence = 0
Todos los campos tenían quickCreateSequence = 0, lo que hacía inutilizable el formulario de creación rápida. Nadie tenía tiempo para corregir estos "detalles básicos".
Leer la estructura de datos desde PostgreSQL
La IA leyó toda la estructura: bloques, campos, nombres de columna, tipos de datos
Cotejado con el esquema de Prisma para detectar inconsistencias
Consulta SQL: SELECT fieldname, fieldlabel, block, typeofdata...
Detectar duplicados — Campo justo delante pero nadie lo manejó
La IA comparó etiquetas/nombres de campo y verificó patrones de datos
Ejemplo: salutation vs salutationType — ambos guardan tratamientos pero con nombres distintos
Se evitaron errores en filtros e informes
Separar 22 campos de importación de la UI principal
Metadatos de envíos masivos de SMS: uid, tracking_code, timestamp, batch_id
Para los usuarios avanzados, esto es un 'cajón de sastre'
Se movió todo al Block 10 (oculto): se conserva para trazabilidad, se puede ocultar/contraer
Autoverificación y detección de campo omitido (cf_1764)
Tras la reestructuración, la IA volvió a ejecutar la lista de verificación
Se detectó cf_1764 (Cargo/Puesto) aún visible en el bloque antiguo, sin mover
No solo corrigió, también verificó tras corregir
QuickCreate: Por primera vez realmente 'Rápido'
6 campos en el orden real de entrada
Nombre → Empresa → Teléfono → Email → Origen → Responsable
Antes: sequence = 0. Después: secuencia con propósito.
TESTIMONIOS DE CLIENTES
"Los leads llegan de Facebook, Zalo, el sitio web, SMS... cada canal es diferente. El personal abre los registros pero no sabe dónde mirar primero. La IA leyó la estructura de datos, analizó y reestructuró. Casi no se necesitó una presentación. Entendió la lógica operativa muy rápidamente."