El problema que resuelve este flujo
Necesito el informe de desviaciones de PyG para el Comité de Dirección el primer día hábil del mes, no dos días después. El proceso manual es propenso a errores y siempre llega tarde.
Impacto esperado: El informe de controlling llega el día 3 de cada mes de forma automática. El Comité de Dirección recibe análisis de desviaciones con recomendaciones, no solo números.
Coste estimado: ~20-30€/mes (GPT-4o + Make Operations)
ERP la empresa — Exportar el P&L real del mes
El flujo extrae automáticamente el P&L real del mes cerrado del ERP de la empresa (Odoo/SAP) y lo combina con el budget aprobado para el análisis de desviaciones.
- 1En Make, crea un nuevo escenario → añade el módulo Schedule como trigger → configura para el día 3 de cada mes a las 7:00h (el día 1-2 el equipo cierra el mes en el ERP).
- 2Añade el módulo HTTP → Make a Request para exportar el P&L real del ERP de la empresa. Si el ERP es Odoo, usa el endpoint:
/api/account.move.line?domain=[["date",">=","{{primer_dia_mes}}"],["date","<=","{{ultimo_dia_mes}}"]]. - 3Añade el módulo Google Sheets → Get All Rows para obtener el budget mensual aprobado. El budget debe estar en una hoja con la misma estructura que el P&L del ERP.
- 4Añade el módulo Google Sheets → Get All Rows para obtener el P&L del mismo mes del año anterior (para la comparativa YoY).
- 5Ejecuta el módulo manualmente con los datos del mes anterior para verificar que la extracción es correcta.
ChatGPT — Analizar desviaciones y redactar narrativa
ChatGPT realiza el análisis de desviaciones del P&L de la empresa (real vs. budget vs. año anterior) y redacta la narrativa ejecutiva para el Comité de Dirección.
- 1Añade el módulo OpenAI → Create a Chat Completion con gpt-4o.
- 2En el prompt, incluye: P&L real del mes (por planta: España y Francia), budget del mes, P&L del mismo mes del año anterior, y el contexto de la empresa (fabricante de masterbatch, 4 plantas, clientes en automoción, packaging y construcción).
- 3Pide el análisis en el formato estándar del Comité de la empresa: 1) Resumen ejecutivo (5 líneas), 2) Análisis de ingresos (volumen vs. precio vs. mix de producto), 3) Análisis de costes (materias primas, energía, personal, otros), 4) Resultado por planta, 5) Outlook del trimestre.
- 4Solicita también la identificación de las 3 acciones correctoras prioritarias con responsable y plazo.
- 5Establece "Max Tokens" a 2500 para el informe completo del Comité.
El P&L de la empresa es información financiera altamente confidencial. Usa exclusivamente la API (Application Programming Interface (Interfaz de Programación de Aplicaciones)) de OpenAI con DPA (Data Processing Agreement (Acuerdo de Tratamiento de Datos)) firmado. Verifica que la opción "Improve the model for everyone" está desactivada en la configuración de tu cuenta de OpenAI.
PDF/Email — Generar informe y enviar al Comité
El informe de controlling se genera en formato PDF y se envía automáticamente al CEO y al Comité de Dirección de la empresa el día 3 de cada mes.
- 1Añade el módulo PDF.co → HTML to PDF (o PDFMonkey → Generate a Document) para convertir el informe HTML generado por ChatGPT en un PDF con el formato corporativo de la empresa.
- 2Añade el módulo Google Drive → Upload a File para guardar el PDF en la carpeta compartida del Comité de Dirección de la empresa en Drive.
- 3Añade el módulo Gmail → Send an Email al CEO y a los miembros del Comité. Asunto:
Controlling {{mes}} {{año}} — la empresa. Adjunta el PDF generado. - 4Añade el módulo Google Sheets → Add a Row en el log de cierres: fecha, mes, estado ("Enviado al Comité"), enlace al PDF en Drive.
- 5Activa el escenario y verifica con el cierre del mes anterior que el PDF generado tiene el formato y contenido correctos.
Costes y ROI estimado
| Herramienta | Coste mensual | Notas |
|---|---|---|
| Make | ~20-30€/mes (GPT-4o + Make Operations) | Coste principal del flujo |
| ChatGPT (alternativa) | Variable | Sin automatización, uso manual del prompt |
| Total estimado | ~20-30€/mes (GPT-4o + Make Operations) |
ROI: El informe de controlling llega el día 3 de cada mes de forma automática. El Comité de Dirección recibe análisis de desviaciones con recomendaciones, no solo números.
Si no quieres configurar la automatización completa, puedes usar ChatGPT ejecutando el prompt manualmente. Obtendrás el mismo resultado, pero sin la ejecución automática periódica.
Resolución de errores frecuentes
- !El ERP no tiene API o la API no devuelve el P&L estructurado — Configura una exportación automática del ERP a Google Sheets el día 1 de cada mes (la mayoría de ERPs tienen esta funcionalidad nativa). Make leerá los datos de Sheets en lugar de la API del ERP.
- !ChatGPT no puede comparar correctamente las tres fuentes de datos — Asegúrate de que las tres fuentes (real, budget, año anterior) tienen exactamente la misma estructura de líneas del P&L. Si hay diferencias en los nombres de las cuentas, añade un paso de normalización en Make antes de enviar los datos a ChatGPT.
- !El PDF generado tiene problemas de formato — Usa una plantilla HTML predefinida con el logo y los colores corporativos de la empresa. ChatGPT rellena el contenido, pero la estructura visual la define la plantilla HTML.
Si el flujo falla, no se genera el informe automático ese mes. El controller puede usar el prompt directamente en ChatGPT Business con los datos exportados manualmente del ERP.
Desactiva el toggle del escenario en Make o cambia la fecha del Schedule.
Prompt completo del módulo IA
Copia este prompt en el módulo de IA de tu flujo. Sustituye los valores entre llaves {} por los datos reales de tu organización.
¿Quieres explorar más recursos del programa?
¿Puedo hacer esto sin que mis datos salgan de la empresa?
Sí. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estratégica o regulada, son candidatos óptimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuración, ningún dato abandona nunca los servidores de tu organización y el modelo no puede ser entrenado con tu información.
Mistral Large 2 — Excelente para extracción de información y clasificación con alta precisión.
Qwen 2.5 72B — Especialmente potente para análisis de datos tabulares y financieros.
vLLM — Para entornos de producción con múltiples usuarios simultáneos y alto rendimiento.
LM Studio — Para pruebas y uso individual sin configuración de servidor.
GPU: 2× NVIDIA A100 40GB o 4× RTX 4090 (24GB VRAM cada una).
RAM: 128GB mínimo.
Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing con VPC aislada.
La configuración de modelos open source on-premises requiere un proveedor técnico especializado que conozca tanto la tecnología como los requisitos de cumplimiento normativo. Emovere puede ayudarte a desplegar esta solución en tu infraestructura de forma segura, con garantías legales y sin que tus datos salgan nunca de tu organización.