EMI — Motor de Inteligencia Territorial: estudios de mercado automatizados

1El problema

Un estudio de mercado tradicional cruza datos de ubicación, competencia y demanda a mano — un proceso lento, caro y difícil de repetir de forma consistente cada vez que una empresa necesita evaluar dónde abrir un negocio o cómo se ve la competencia en una zona.

El objetivo era construir un motor que hiciera ese cruce de forma sistemática y automática, apoyado en fuentes de datos públicas y comerciales reales, y que entregara un documento ejecutivo listo para tomar decisiones — no una hoja de cálculo cruda.

2La solución diseñada

Diez motores de análisis especializados, cada uno resolviendo una dimensión distinta del estudio de mercado: geoespacial, competencia, brechas de oferta, viabilidad financiera, demanda y riesgo, entre otros.

1. Ingesta de datos: los negocios se identifican y geolocalizan combinando Google Places con el DENUE del INEGI, la fuente oficial de establecimientos económicos en México.
2. Procesamiento geoespacial: PostgreSQL con la extensión PostGIS permite consultas espaciales (distancias, densidades, zonas de influencia) directamente en base de datos.
3. Motores de análisis: un servicio en FastAPI/Python ejecuta cada uno de los 10 motores sobre los datos geolocalizados.
4. Generación del reporte: los resultados se compilan automáticamente en un PDF ejecutivo de 9 páginas con ReportLab, sin intervención manual en el armado del documento.

3El proceso de implementación

La arquitectura se dividió en 4 servicios orquestados con Docker Compose: un gateway en Node.js que expone la API pública, el motor de análisis en FastAPI/Python, PostgreSQL con PostGIS como base de datos geoespacial, y Redis como capa de caché para las consultas más frecuentes.

El reto real no fue calcular cada métrica individual, sino combinar 10 motores distintos en un solo reporte coherente — cada motor depende de datos que los otros también usan (la misma geolocalización alimenta el análisis de competencia, de demanda y de riesgo), así que el orden de ejecución y el cacheo con Redis fueron decisivos para que el reporte se genere en un tiempo razonable.

4El stack en producción

5Resultados medibles

El resultado clave no es solo procesar 795 mil registros — es que el mismo análisis que antes tomaba días de trabajo manual cruzando fuentes distintas ahora se genera como un reporte ejecutivo consistente, cada vez que se necesita.

6Qué aprendimos

• Combinar fuentes de datos públicas (INEGI) con comerciales (Google Places) da una cobertura más completa que depender de una sola fuente — pero exige normalizar identificadores de negocio entre ambas.
• PostGIS resuelve en la base de datos consultas geoespaciales que, hechas en la capa de aplicación, serían mucho más lentas y complejas de mantener.
• Generar el reporte final automáticamente (no solo los datos crudos) es lo que convierte un motor de análisis en una herramienta que un cliente de negocio puede usar directamente, sin depender de un analista que interprete los números.

7Servicios que este caso demuestra

Este proyecto combina capacidades que ofrecemos como servicio a otras empresas:

• Automatización de procesos con IA — el mismo principio de convertir un proceso analítico manual en un sistema que corre solo.
• Automatización de reportes — la misma lógica de generación automática de documentos ejecutivos, aplicada aquí a estudios de mercado.
• Diagnóstico operativo — todo proyecto de esta complejidad empieza por mapear qué datos existen y qué preguntas de negocio deben responder antes de construir el motor de análisis.