Las personas detrás de Magic AI Pro

El equipo detrás de cada modelo que entra en producción

En Magic AI Pro trabajamos con analistas de datos, ingenieros de machine learning y gente de operaciones que viene del retail y la logística argentina. No armamos equipos de laboratorio: cada proyecto arranca con una visita a la operación real, porque los datos sucios de un punto de venta enseñan más que cualquier dataset de ejemplo.

Contacto directo

Escribinos y te respondemos con una persona, no con un formulario automático

Si querés sumarte al equipo, proponer una colaboración o consultar por un caso puntual de analítica comercial, dejá tu correo. Leemos cada mensaje y respondemos según el tema: perfiles técnicos, alianzas con consultoras o dudas sobre implementaciones en curso.

Qué recibís

Un resumen breve de cómo encaramos proyectos de IA aplicada

Cada tanto enviamos notas sobre predicción de demanda, tableros comerciales y optimización de rutas, con ejemplos de operaciones argentinas. Sin promesas grandilocuentes: qué se midió, qué falló y qué quedó funcionando.

Dónde estamos

Base en Buenos Aires, trabajo con equipos distribuidos

Coordinamos con áreas comerciales, logística y sistemas de distintas provincias. Si preferís hablar antes de escribir, podés llamarnos o mandarnos un mail directo.

Quiénes sostienen la analítica en Magic AI Pro

Un equipo chico, con años de trabajo en operaciones comerciales y logísticas argentinas. No venimos del laboratorio: venimos de depósitos, salas de sistemas y mesas de compras donde los datos se usan o se descartan.

Estas son las personas que hoy toman decisiones técnicas y acompañan cada implementación de machine learning en retail, distribución y consumo masivo.

Dirección de datos y modelos

Roberto Torres Jimenez

Coordina el diseño de modelos de predicción de demanda y segmentación comercial. Antes de armar un pipeline, revisa con el área de operaciones qué decisión concreta va a cambiar con ese dato. Trabajó en proyectos de reposición por sucursal donde el pronóstico tenía que convivir con quiebres de abastecimiento y cambios bruscos de consumo.

Analítica aplicada y adopción

Gustavo Navarro Diaz

Se ocupa de que los tableros y reportes se usen de verdad. Traduce preguntas de gerencia comercial en indicadores acotados, define la cadencia de revisión y detecta cuándo un tablero dejó de servir. Su criterio es simple: si nadie cambia una decisión con ese número, el reporte se archiva.

Optimización logística

Equipo de ruteo y costos

Modela restricciones de flota, ventanas horarias y tiempos reales de entrega para operaciones de última milla y distribución de insumos. Antes de optimizar, verifica la calidad de los datos de tráfico y de direcciones: sin eso, cualquier algoritmo devuelve rutas que el supervisor descarta al primer día.

Ingeniería de datos

Integración y calidad de fuentes

Conecta puntos de venta, sistemas de stock y planillas heredadas para que los modelos tengan insumos limpios. Documenta cada fuente, sus huecos y su frecuencia de actualización. Es el trabajo menos visible y el que más veces decide si un proyecto de analítica llega a producción o queda a mitad de camino.

Acompañamiento a clientes

Implementación y capacitación

Arma el plan de puesta en marcha con cada empresa: qué se mide en la primera etapa, quién revisa los resultados y cómo se ajusta el modelo con el uso. También entrena a los equipos comerciales para que interpreten las salidas sin depender de un analista para cada consulta.

Quiénes sostienen Magic AI Pro

Somos un equipo chico de analistas y desarrolladores que trabaja con empresas privadas argentinas. No vendemos software empaquetado: entramos en la operación, miramos los datos que ya existen y armamos modelos que se usan todos los días.

Para quién trabajamos

Nuestro foco está en retail, distribución y logística. Son sectores donde la información se acumula en sistemas de punto de venta, planillas de depósito y correos de supervisores, y donde una decisión mal tomada sobre stock o rutas se nota rápido en el margen. Ahí es donde la analítica deja de ser un informe y pasa a ser una herramienta de trabajo.

Nos interesa la gente que va a usar el resultado: el jefe de operaciones que define la reposición, el analista comercial que arma el tablero, el supervisor que ajusta la ruta a la mañana. Si el modelo no le sirve a esa persona, no sirve.

Cómo pensamos el trabajo

Primero entender la decisión concreta, después elegir el algoritmo.
Sin datos limpios de origen no hay modelo que aguante: ordenamos antes de predecir.
Preferimos cinco indicadores que se miran a cuarenta que se archivan.
El criterio humano sigue mandando en lo que el modelo no puede ver.

Roberto Torres Jimenez y Gustavo Navarro Diaz coordinan los proyectos y el vínculo con cada empresa. El tono es directo: pocas promesas y resultados que se puedan medir en la operación.

Detrás de cada tablero hay una decisión que alguien tiene que tomar. La misión de Magic AI Pro es que esa decisión llegue con datos limpios, no con corazonadas.

Por qué existe este proyecto

Automatización con criterio, no con eslogan

No vendemos inteligencia artificial como concepto. Trabajamos sobre procesos concretos: reposición de stock, ruteo de entregas, clasificación de reclamos, seguimiento de márgenes por sucursal. Si un modelo no cambia una decisión operativa en la semana, no sirve. Por eso cada implementación arranca con una pregunta incómoda: qué haría distinto el equipo si tuviera este dato antes.

Datos que resisten la realidad argentina

Inflación, quiebres de abastecimiento, cambios bruscos de consumo y sistemas de punto de venta que no siempre conversan entre sí. Cualquier modelo entrenado en un contexto estable se cae en la primera semana. Nuestro enfoque asume esa fricción: se limpia lo que hay, se documenta lo que falta y se construye con lo disponible antes de pedir una migración completa de sistemas.

Equipos que entienden el resultado

Un analista de datos no reemplaza al jefe de operaciones. La analítica funciona cuando las dos partes comparten el mismo vocabulario: qué es un quiebre, qué es una entrega tardía, qué margen se mide y cuál se estima. Parte del trabajo es traducir, no solo modelar. Esa traducción es la que sostiene el uso del sistema cuando el consultor ya no está en la sala.

Efecto esperado en el cliente

Menos reportes que nadie abre y más indicadores que se revisan cada lunes. Menos horas armando planillas y más tiempo discutiendo qué hacer con lo que muestran. El resultado no es un tablero bonito: es un equipo comercial que llega a la reunión sabiendo qué va a cambiar esta semana y por qué. Eso es lo que medimos como éxito, más allá de la métrica técnica del modelo.