Desafío

Los gestores energéticos de las grandes industrias no trabajan con estimaciones. Las decisiones se basan en datos financieros, indicadores de consumo y proyecciones predeterminadas. Todo debe ser preciso y, sobre todo, estar disponible en el momento oportuno.

Cuando estas decisiones se basan en una hoja de cálculo de Excel con docenas de pestañas, fórmulas anidadas e introducción manual de datos, el riesgo deja de ser hipotético.

Simple Energy operaba precisamente en este escenario. Tenían los datos; el problema radicaba en el tiempo necesario para transformarlos en información útil y la constante dependencia de la intervención humana durante todo el proceso.

El funcionamiento de Simple Energy es complejo por naturaleza. Hay gerentes que dirigen empresas, las cuales, a su vez, interactúan con distribuidores de energía. En este flujo, los datos financieros, energéticos y contractuales circulan constantemente y deben consolidarse con precisión para respaldar las decisiones en todos los niveles.

Todo esto se realizó en Excel. No de forma sencilla, sino con una estructura altamente interdependiente: pestañas conectadas entre sí, fórmulas que alimentaban otras fórmulas y datos auxiliares actualizados manualmente en cada ciclo. El procesamiento completo duró aproximadamente dos días. El problema no era solo la eficiencia, sino también el riesgo.

Dos días de procesamiento implicaban retrasos acumulados y poco margen de error. Cualquier inconsistencia durante el proceso obligaba a empezar de nuevo. Era necesario evolucionar, pero no existía un camino preestablecido. El mercado no ofrecía soluciones equivalentes para este tipo de operación, ni había un referente directo. Esto significaba empezar desde cero y, antes de cualquier desarrollo, comprender a fondo el vocabulario técnico específico del sector energético para traducir las reglas de las hojas de cálculo a la lógica del sistema.

Transformación_

El primer paso fue descomponer las hojas de cálculo y comprender su lógica. Cada fórmula contenía una regla de negocio y cada pestaña representaba una dependencia. Mapear esta información fue fundamental para reconstruir el proceso de forma estructurada. A partir de ahí, nació el motor de cálculo Sim Connect, el núcleo del sistema.

Este motor comenzó a ejecutar, de forma automatizada y fiable, todo lo que antes dependía de fórmulas y de la introducción manual de datos. Las reglas de negocio se tradujeron a SQL y se organizaron en un servicio dedicado, aislado del resto de la aplicación.

Para solucionar el problema del tiempo de procesamiento, la arquitectura se diseñó con paralelismo de tareas y múltiples conexiones simultáneas a la base de datos, lo que permite un procesamiento más eficiente de grandes volúmenes de información.

La introducción de datos también se automatizó. Las funciones Lambda de AWS se encargaron de integrar y actualizar la base de datos periódicamente, sin intervención manual. Además, una API .NET comenzó a exponer los datos procesados ​​para su consumo.

En la interfaz de usuario, desarrollada con Angular, lo que antes estaba fragmentado en hojas de cálculo se consolidó en un único sistema. La gestión financiera, el consumo energético por planta y una visión consolidada de contratos y proyecciones ahora coexisten en el mismo entorno, organizados en paneles, tablas y filtros.

Durante el proyecto, surgió una nueva funcionalidad que no existía en el modelo anterior: la comparación de versiones. Esto permite al gestor seleccionar dos centrales eléctricas y un periodo específico para visualizar los datos en paralelo, tanto en términos financieros como de consumo energético. Este tipo de análisis era sencillamente imposible antes.

Beneficios_

El impacto más inmediato se notó en el tiempo de procesamiento. Lo que antes tardaba unos dos días, ahora tarda aproximadamente tres horas. En la práctica, esto se traduce en más ciclos de análisis, decisiones más rápidas y menos tiempo de inactividad mientras se espera que los datos estén listos.

La automatización eliminó la necesidad de introducir datos manualmente, reduciendo drásticamente el riesgo de errores en toda la cadena de cálculo. Los gerentes ya no trabajan con datos manipulados manualmente y ahora confían en una base de datos generada por el sistema.

Además, la centralización de la información ofreció una nueva forma de visualizar la operación. Lo que antes estaba disperso en pestañas se transformó en una vista consolidada, accesible y configurable. Y la posibilidad de comparar plantas en diferentes períodos añadió un nivel de análisis que antes no existía.

Herramientas utilizadas_

• .NET
• AWS
• Angular

La API de .NET centraliza el acceso a los datos procesados, las funciones Lambda garantizan actualizaciones automáticas de la información, integrando continuamente diferentes fuentes, y Angular proporciona la interfaz, reuniendo paneles, filtros y visualizaciones que transforman datos complejos en información útil.