RECURSOS
Glosario
Los términos que usamos, con definiciones claras y autocontenidas. En lenguaje de negocio, sin jerga técnica.
- Categoría que define a Linnda: un sistema que no solo dice qué pasa, sino que recomienda cada acción con el dinero que puede generar, la ejecuta (con aprobación humana) y comprueba si acertó. A diferencia de un dashboard, que termina en una gráfica, un sistema operativo de decisiones actúa y aprende de cada resultado.
- El 'cerebro' común sobre el que corren los seis módulos de Linnda. Estima el impacto de cada acción antes de actuar, la ejecuta y mide si acertó; aplica reglas de seguridad y conserva el conocimiento aprendido. Que todos los módulos compartan el mismo motor es lo que permite activar uno y sumar los demás sin rehacer nada.
- La forma de operar de Linnda: datos → recomendación (con impacto en dinero) → tu visto bueno → ejecución automática → comprobación → aprende y mejora, y vuelve a empezar. Se resume como 'IA que recomienda + humano que aprueba + sistema que ejecuta'. El botón 'Implementar' no abre un ticket: ejecuta la acción.
- Filtros por los que pasa cada acción antes de ejecutarse, aprendidos de errores reales y costosos. Evitan repetir equivocaciones caras — por ejemplo, apagar por error un término clave de ventas. Junto con la autocalificación del sistema, forman parte del conocimiento que solo se acumula operando cuentas reales.
- La etiqueta de rigor que acompaña a toda cifra de Linnda, para distinguir un resultado probado de una promesa. Hay tres niveles publicables: causal (medido con grupo de control), producción (métrica de plataforma en operación sostenida) y eficiencia (mejora compuesta en varios periodos). Nunca se muestra una cifra sin decir cómo se midió.
- El nivel de evidencia más fuerte: un resultado medido comparando un grupo de tratamiento contra un grupo de control, para aislar el efecto real de Linnda del ruido del mercado. En los casos públicos de Linnda, el único resultado causal es Bepensa: +54.4% de ventas sobre el grupo de control.
- Un resultado que es una métrica de plataforma medida en operación sostenida, con metodología, pero sin grupo de control. Es evidencia sólida de rendimiento en el mundo real — por ejemplo, el 16x de retorno de la pauta en tres semanas de Sarai's — aunque de rigor menor que la evidencia causal.
- Enfoque de promociones en el que Linnda recomienda el SKU y el descuento óptimo por punto de venta y predice la incrementalidad —la venta adicional que la promoción realmente genera— antes de ejecutarla. Se opone a las reglas fijas de descuento: en vez de descontar a ciegas, se estima el retorno de cada promoción de antemano.
- Capacidad de anticipar los quiebres de stock 48–72 horas antes de que ocurran, incluso cuando no se tienen los datos de venta del retailer, usando señales alternativas (canales adyacentes, sensores, tráfico de tienda). Es un diferencial estructural: permite operar justo donde otras soluciones de anaquel se quedan sin datos.
- La publicidad que una marca o proveedor paga para aparecer dentro del ecosistema de un retailer (por ejemplo, Amazon o Walmart). Linnda aporta inteligencia de retail media: ayuda a un proveedor a rendir mejor su inversión en estos espacios, con benchmark de categoría y ejecución de pauta autónoma.
- El potencial de venta que aún no capturas: la brecha entre tu desempeño actual y el de tu mejor competidor en distribución, precio y ejecución. Linnda cuantifica ese espacio en blanco por zona, canal y punto de venta para señalar cuánto más podrías vender y dónde conviene actuar primero.
- El valor total que un cliente aporta a lo largo del tiempo, no solo en una compra. Linnda lo estima para segmentar, priorizar la inversión en retención y detectar oportunidades de cross-sell, de modo que se invierta donde el cliente rinde más en el tiempo.
- La ventaja que un competidor recién llegado no puede copiar: el conocimiento que Linnda acumula operando cuentas reales con dinero en juego. Cada acción pasa por reglas de seguridad aprendidas de errores reales y el sistema mide su propia precisión, así que acierta más con el tiempo. Ese aprendizaje vive en el sistema, no en la cabeza de un empleado que se puede ir.
Relacionados:Ciclo cerrado
Relacionados:Retail media
Relacionados:Head room (espacio en blanco)
Relacionados:Retail media
Lo difícil ya está construido y probado.
Veámoslo funcionando sobre datos de un cliente real.