Qué es una capa semántica y cómo ayuda a la IA a entender tu empresa

Una capa semántica conecta los conceptos del negocio con los datos y cálculos que los representan. Permite definir qué es un cliente, una venta o una suscripción activa para que los reportes y agentes de IA utilicen criterios compartidos.

Para la IA, interpretar una pregunta y calcular su respuesta son tareas distintas. Un modelo puede entender «¿cómo cambiaron las ventas?» y, aun así, elegir la fecha equivocada, incluir pedidos de prueba o sumar importes en monedas diferentes.

Un ejemplo: qué cuenta como venta

Imaginemos una tienda ficticia. Los importes están en USD, después de descuentos y antes de impuestos y envío. Los reembolsos corresponden a mercadería y están completados a la fecha de actualización del reporte.

Pedido	Mercadería	Reembolsos	Estado	¿De prueba?
A100	100	20	Pagado	No
A101	60	0	Pagado	No
A102	500	0	Pagado	Sí
A103	70	0	Cancelado	No

Sumar la columna de mercadería da 730. Nuestra métrica de ventas netas de mercadería da 140: los dos pedidos reales pagados, menos sus reembolsos completados.

El nombre de una columna no le indica al modelo cuál de esas respuestas necesita la empresa. También hay que decidir si un reembolso posterior modifica el período de la venta original o se registra en el período del reembolso. Las dos convenciones pueden servir, pero responden preguntas diferentes.

Qué contiene una capa semántica

• Entidades y granularidad: qué representa cada fila, por ejemplo, un pedido o una línea del pedido.
• Métricas: cálculos aprobados y reglas de inclusión.
• Dimensiones: formas válidas de agrupar resultados, como país o canal.
• Relaciones: cómo unir tablas sin duplicar ni perder registros.
• Convenciones de tiempo: zona horaria y fecha correspondiente a cada métrica.
• Contexto del negocio: nombres, ejemplos, exclusiones y preguntas que necesitan aclaración.

Las definiciones ejecutables son importantes. Un documento con la fórmula ayuda al modelo, pero no garantiza que la consulta la utilice. Un servicio de consultas puede ofrecer operaciones sobre métricas aprobadas y validar las combinaciones antes de ejecutarlas. El alcance depende de la herramienta y su configuración.

Los modelos semánticos de dbt son un ejemplo de cómo representar estos conceptos. Looker y Omni ofrecen otras implementaciones. No es necesario reemplazar toda la plataforma de datos para empezar a acordar las definiciones.

Cómo llega una pregunta de IA a los datos

Ante «¿cuáles fueron las ventas netas del mes pasado por país?», un proceso controlado puede:

1. Identificar la métrica aprobada y la dimensión país.
2. Resolver el período según el calendario del negocio, o pedir aclaración.
3. Validar que esa combinación de métrica y agrupación esté permitida.
4. Aplicar los permisos del usuario autenticado.
5. Calcular el resultado en el almacén de datos.
6. Explicarlo indicando período, moneda y última actualización.

Algunas arquitecturas permiten que el modelo genere SQL con contexto semántico. Otras limitan al agente a operaciones sobre métricas. Darle una herramienta semántica no impide automáticamente que utilice otra conexión para consultar tablas sin esas restricciones.

Lo que no soluciona por sí sola

Una capa semántica puede calcular de forma consistente una definición equivocada. No recupera transacciones que faltan, resuelve una política comercial indefinida ni demuestra que una campaña causó un aumento de ventas.

Tampoco sustituye los controles de acceso. Los permisos deben aplicarse en la aplicación, el servicio de consultas o la base de datos. Escribir «no muestres datos de otro cliente» en las instrucciones no implementa esa restricción.

Además, una consulta correcta puede producir una explicación engañosa. La IA puede presentar una correlación como causa o comparar un día incompleto con uno completo. Hay que evaluar tanto el número como la explicación.

Cómo empezar

Elegí una pregunta y pocas métricas. Asigná un responsable de negocio a cada definición. Verificá un conjunto fijo de datos con un cálculo revisado manualmente y probá distintas preguntas, períodos y permisos.

Registrá la métrica solicitada, la versión del modelo semántico, la consulta, el resultado y la explicación. Cuando alguien cuestione una respuesta, ese registro permite encontrar el paso que falló.

Seguí con por qué la IA se equivoca con los números del negocio y la guía para construir una capa semántica. Para aplicar este enfoque a tu empresa, conversá con Timewise Labs.

Adaptado del artículo de Labs4Change.