Digital DevDECISIONES CON FUNDAMENTOHablemos de tu empresa
Volver al diarioDIARIO DIGITAL DEV

IA para limpiar catálogos: cómo evitar falsos duplicados

Un nombre parecido no demuestra que dos registros correspondan al mismo producto. A partir del proyecto DAQU en Chile, revisamos cómo separar normalización, identidad y aprobación de cambios.

Parecido no significa duplicadoEsquema explicativo: La similitud permite encontrar candidatos; las reglas y el origen permiten decidir si unir registros. Registros de origen → Candidatos similares: Conservar referencias. Candidatos similares → Reglas de identidad: Comparar atributos. Reglas de identidad → Decisión revisada: Evitar una unión falsa.Conservar referenciasComparar atributosRegistros deorigenCandidatossimilaresReglas deidentidadDecisiónrevisada

La similitud permite encontrar candidatos; las reglas y el origen permiten decidir si unir registros.

Ver el recorrido del esquema
  1. Registros de origen Candidatos similaresConservar referencias
  2. Candidatos similares Reglas de identidadComparar atributos
  3. Reglas de identidad Decisión revisadaEvitar una unión falsa

IDEA CLAVE

DAQU es un proyecto de desarrollo anunciado; sus objetivos no equivalen a resultados productivos medidos.

En este artículo

LAS IDEAS CLAVE

  • 01

    DAQU es un proyecto de desarrollo anunciado; sus objetivos no equivalen a resultados productivos medidos.

  • 02

    Separa la normalización de texto, la comprobación de equivalencias y la fusión de registros.

  • 03

    Evalúa falsos duplicados, casos omitidos y tiempo de revisión, conservando el historial de cambios.

DAQU lleva la conversación hacia la calidad de los datos

En una publicación del 22 de septiembre de 2026, CENIA informó sobre DAQU, un proyecto adjudicado en FONDEF IDeA I+D 2026, con CMPC Pulp como entidad asociada. La iniciativa contempla desarrollar una plataforma que utilice modelos de lenguaje para preparar datos, incluyendo normalización, deduplicación y validación, con trazabilidad de las transformaciones y participación de expertos. El horizonte anunciado es de 24 meses. CENIA, proyectos de IA aplicada y datos industriales.

Se trata de un desarrollo anunciado, cuyos resultados deberán evaluarse. Nuestra lectura para empresas chilenas es concreta: la calidad del catálogo merece una tarea propia dentro de la transformación digital. Antes de conectar compras, inventario y analítica, conviene acordar qué significa cada registro y cuándo dos códigos representan realmente el mismo artículo.

Normalizar un nombre y fusionar registros son decisiones distintas

Imaginemos una empresa ficticia de suministros industriales. En su catálogo aparecen cinta emb. transparente 48 mm x 100 m, caja 24 y cinta embalaje transparente 48mm 100m, 24 rollos/caja. Son candidatas a revisión por su parecido, pero falta comprobar marca, referencia del fabricante y presentación. Un tercer registro indica caja de 36 rollos: la diferencia cambia lo que se compra, aunque casi toda la descripción coincida.

Para este ejemplo proponemos separar tres operaciones. Normalizar es ordenar cómo se escribe un dato. Vincular equivalencias es documentar que dos identificadores corresponden a un mismo artículo bajo condiciones comprobadas. Fusionar modifica qué registro usa el sistema y puede afectar sus relaciones con pedidos o existencias. La autorización para corregir una abreviatura no debería extenderse automáticamente a las otras operaciones.

Usar la similitud para encontrar candidatos

La documentación de OpenRefine explica que su agrupación de valores, o clustering, trabaja con la composición del texto. Ayuda a encontrar variantes y errores de escritura, pero no basta para establecer equivalencia de significado. Esta herramienta ofrece una referencia útil para entender el límite de comparar nombres, aunque no constituye por sí misma una solución basada en modelos de lenguaje. OpenRefine, métodos de agrupación.

En la empresa del ejemplo, proponemos comparar un método sencillo de normalización con una alternativa asistida por IA. A esta última le pediríamos sugerencias y atributos que convenga revisar, conservando el texto de origen. Una explicación convincente del modelo no sustituye la ficha del fabricante. Si falta la presentación, el resultado debe conservar esa ausencia para que alguien la resuelva.

La presentación comercial también identifica al producto

El estándar de gestión GTIN de GS1 ilustra por qué el empaque importa. Su regla 2.8 establece que cambiar la cantidad de artículos de una caja exige una nueva identificación GTIN en los niveles superiores de empaque correspondientes. Es una regla del sistema GS1, no una instrucción para renumerar indiscriminadamente los códigos internos de una empresa. GS1, GTIN Management Standard, sección 2.8.

Para las cintas del ejemplo, definiríamos campos separados para ancho, longitud del rollo, cantidad por caja y unidad de compra. También conservaríamos la referencia original del proveedor. Un catálogo que agrupe productos para análisis puede permitir ver todas las cintas de una familia; eso no significa que sus códigos de venta o sus existencias deban consolidarse. La finalidad de cada agrupación debe quedar escrita.

Medir los errores que una limpieza puede introducir

Proponemos construir una muestra revisada por quien conoce el catálogo, con duplicados confirmados, productos parecidos pero diferentes y registros incompletos. Incluiríamos tanto casos sugeridos por la herramienta como otros elegidos independientemente: revisar solo sus propuestas puede dejar fuera duplicados que nunca detectó. Parte de esa muestra debería reservarse para comprobar el resultado después de ajustar las reglas.

El informe del ensayo debería separar tres hallazgos: duplicados detectados correctamente, uniones propuestas entre productos distintos y duplicados que quedaron sin identificar. Sugerimos registrar también cuánto tarda el equipo en resolver cada candidato. Reducir el número de filas no demuestra una mejora si después compras debe reconstruir presentaciones o bodega recibe un código que ya no distingue lo que tiene almacenado.

Mantener el origen de cada cambio

Para el piloto proponemos una tabla de cambios con identificador original, valor anterior, propuesta, evidencia consultada, decisión y responsable. El trabajo empezaría sobre una copia controlada. Antes de llevar una modificación al sistema operativo, el equipo comprobaría qué referencias utilizan pedidos, inventario e informes y cómo conservar su interpretación histórica.

Cuando dos registros se confirmen como equivalentes, una tabla de correspondencias puede ser un primer entregable útil. Permite ensayar búsquedas o reportes con la nueva clasificación antes de decidir una fusión. La forma de aplicarla depende del sistema existente. El ejemplo describe una propuesta editorial de evaluación; no resultados de DAQU, CMPC ni clientes de Digital Dev.

Cuando un catálogo se comparte entre compras, inventario y ventas, el alcance de la integración de sistemas debería identificar qué aplicación mantiene cada dato y cómo se distribuyen las equivalencias aprobadas. Conviene probar esa sincronización sobre una copia controlada, conservar la referencia de origen y resolver discrepancias antes de modificar registros operativos.

Qué puede decidir una empresa con un primer piloto

Recomendamos comenzar con una familia de suministros cuyo responsable pueda revisar las diferencias. Al finalizar, la decisión debería indicar qué cambios de escritura pueden aprobarse, qué equivalencias necesitan documentación adicional y qué registros deben mantenerse separados. También conviene ajustar el formulario de alta: si la cantidad por caja vuelve a quedar dentro de una descripción libre, el problema puede reaparecer.

Este trabajo complementa la extracción de órdenes de compra con IA: una orden correctamente leída todavía necesita referencias comerciales fiables. La página de IA aplicada a empresas presenta cómo acotar una implementación alrededor de un proceso. En un catálogo, el valor del piloto consiste en mejorar decisiones sobre registros, con evidencia que permita aceptar o rechazar cada cambio.

Guías para evaluar tu proyecto

Si necesitas llevar este tema a tu operación, estos recursos te ayudan a comparar alternativas y preparar el alcance antes de contratar.

Cómo elegir tu primer proyecto de IA empresarial

Diagnóstico de procesos para IA: del levantamiento a la hoja de ruta

CON TEXTO Y CONTEXTO

Fuentes y referencias

  1. CENIA se adjudica dos proyectos FONDEF IDeA I+D 2026 para avanzar en IA aplicada a la fiscalización vial y a la calidad de los datos industrialesCENIA · 2026-09-22
  2. Clustering Methods In-depthOpenRefine Documentation
  3. GTIN Management Standard — Release 1.1, septiembre de 2023GS1

Contenido elaborado con asistencia de IA a partir de las fuentes enlazadas. Las recomendaciones corresponden al análisis editorial de Digital Dev. Cómo elaboramos y corregimos nuestros artículos.

Actualizado el 4 de octubre de 2026.

DE LA LECTURA A TU PROYECTO

¿Quieres aplicar IA a una tarea de tu empresa?

Partamos por el problema, los datos disponibles y un resultado comprobable. Podemos evaluar una primera capacidad de IA con fuentes autorizadas, integración y revisión humana según el alcance.

ESTÁS CONSULTANDO DESDE

IA para limpiar catálogos: cómo evitar falsos duplicados

No necesitas tener un documento técnico preparado. Cuéntanos el desafío y coordinamos la conversación por correo.

Conoce a las personas detrás de Digital Dev

HABLEMOS DE TU PROYECTO

Solicita una reunión.

Solo nombre y email son obligatorios. Coordinamos por correo.

Usaremos tus datos para responder y el origen detectado para entender cómo llegaste; ese contexto permanece en esta pestaña hasta dos horas. Medimos visitas y solicitudes automáticamente con Google y OpenAI. Nuestra medición de GA4 no incluye lo que escribes; las etiquetas publicitarias pueden usar datos de contacto hasheados según su configuración. Evita información confidencial.

Tu consulta se envía directamente a Digital Dev.