Cómo Estamos Construyendo Olearia Intelligence: Lecciones del Camino

Hace unos meses, Olearia Intelligence no existía. Era una carpeta de Google Drive con hojas de cálculo que intentaban dar sentido a un mercado que parecía diseñado para ser incomprensible.

Hoy es una plataforma en desarrollo que estamos preparando para su lanzamiento en 2026. El camino hasta aquí ha estado lleno de decisiones difíciles, errores evitables y lecciones que ojalá alguien nos hubiera contado antes.

Este artículo es un intento de contar esa historia. No como un caso de éxito pulido, sino como realmente está siendo: caótico, frustrante a veces, y profundamente educativo.

El Origen: Un Problema Personal

Todo empezó con una conversación en una cooperativa de Jaén. El gerente, un tipo con décadas de experiencia en el sector, nos explicaba cómo decidía cuándo vender el aceite de la campaña.

“Llamo a tres o cuatro corredores. Les pregunto cómo está el mercado. Miro lo que hizo el precio el año pasado por estas fechas. Y luego… decido.”

Le preguntamos si usaba algún sistema, alguna herramienta de análisis. Se rio.

“Aquí el sistema soy yo. Y cuando me jubile, el sistema será el que venga después, que tendrá que aprender igual que aprendí yo.”

Esa conversación nos persiguió durante semanas. Estábamos en 2023. Había coches autónomos, IA que escribía código, satélites que fotografiaban cada parcela del planeta. Y el mercado de uno de los productos agrícolas más importantes de España funcionaba básicamente con llamadas de teléfono y experiencia acumulada.

No era que no hubiera datos. Los había. Precios públicos, informes de producción, estadísticas de comercio. Pero estaban dispersos en veinte sitios diferentes, en formatos incompatibles, con retrasos de días o semanas. Juntarlo todo manualmente era un trabajo a tiempo completo que nadie tenía tiempo de hacer.

Ahí nació la idea: ¿y si construyéramos algo que hiciera ese trabajo automáticamente?

Los Primeros Pasos: Más Difícil de Lo Que Parecía

La idea sonaba simple. Recoger datos públicos, meterlos en una base de datos, mostrarlos en una web bonita. ¿Cuánto podía costar? Un par de meses, pensamos.

Estábamos espectacularmente equivocados.

El primer problema fue encontrar los datos. Sabíamos que existían, pero no dónde exactamente. Cada organismo publicaba información en su propio formato, en su propia web, con su propia lógica. Algunos tenían APIs. Otros solo PDFs. Algunos actualizaban diariamente, otros cuando les parecía.

Pasamos semanas solo mapeando fuentes. Haciendo listas de URLs. Descubriendo que el enlace que funcionaba ayer hoy daba error 404. Que el CSV que descargaste tenía las columnas en orden diferente al del mes anterior. Que el número que parecía un precio en realidad era un código interno.

El segundo problema fue la calidad de los datos. O más bien, la falta de ella.

Fechas en formatos diferentes (dd/mm/yyyy, mm/dd/yyyy, yyyy-mm-dd). Nombres de países inconsistentes (“España” en un sitio, “Spain” en otro, “ES” en un tercero). Valores que faltaban sin ninguna indicación de que faltaban. Errores tipográficos que convertían 3.50 en 350.

Cada fuente era un mundo. Y nosotros teníamos que traducir todos esos mundos a un lenguaje común.

El tercer problema fue que los datos cambiaban. No los valores: la estructura. La web que scrapeábamos cambió su HTML. El API que usábamos deprecó endpoints. El formato del Excel que descargábamos añadió columnas nuevas.

Y nadie nos avisaba. Simplemente, un día el sistema dejaba de funcionar y teníamos que descubrir por qué.

Esos “dos meses” que habíamos estimado se convirtieron en seis. Y eso solo para tener algo básico funcionando.

La Primera Versión: Fea Pero Útil

La primera versión de Olearia era vergonzosa. Visualmente, parecía un proyecto de universidad. Tablas HTML con estilos por defecto. Gráficos que apenas se entendían. Una navegación confusa que solo tenía sentido para nosotros.

Pero funcionaba. Los datos se actualizaban automáticamente. Podías ver precios de diferentes mercados en un solo lugar. Podías comparar tendencias. Podías descargar series históricas sin tener que visitar cinco webs diferentes.

Se lo enseñamos a aquel gerente de Jaén. Esperábamos que nos dijera que era horrible. En cambio, se quedó mirando la pantalla durante un minuto largo.

“¿Esto se actualiza solo?”

Sí.

“¿Todos los días?”

Sí.

“¿Y puedo ver lo que pasó hace dos años?”

Sí.

Se recostó en la silla. “Joder. Esto habría cambiado cómo hice muchas cosas.”

Ese momento fue importante. Nos confirmó que el problema era real y que incluso una solución fea tenía valor si resolvía ese problema.

Aprendiendo a Escuchar

Los siguientes meses fueron una lección de humildad. Pensábamos que sabíamos lo que los usuarios querían. Estábamos equivocados en casi todo.

Habíamos construido gráficos elaborados con múltiples indicadores técnicos. Los usuarios querían ver un número grande con el precio de hoy y si había subido o bajado.

Habíamos añadido filtros sofisticados para analizar datos históricos. Los usuarios querían poder comparar “esta campaña” con “la campaña pasada” con un solo clic.

Habíamos diseñado para pantallas grandes de escritorio. Muchos usuarios accedían desde el móvil, en el campo, con mala conexión.

Cada conversación con usuarios nos mostraba algo que habíamos asumido incorrectamente. Empezamos a adoptar una regla: antes de construir cualquier feature nueva, hablar con al menos tres usuarios que la hubieran pedido. No para validar nuestra idea, sino para entender realmente qué problema tenían.

Esta regla nos salvó de construir muchas cosas que nadie habría usado. Y nos llevó a construir otras que nunca habríamos imaginado.

El Desafío de la Predicción

Desde el principio, todo el mundo nos preguntaba lo mismo: “¿Y podéis predecir el precio?”

Era la pregunta obvia. Teníamos datos históricos. Teníamos series temporales. ¿Por qué no usar machine learning para proyectar el futuro?

Así que lo intentamos. Probamos modelos clásicos de series temporales. Probamos algoritmos más modernos. Probamos combinar fuentes de datos de formas creativas.

Los resultados fueron… decepcionantes.

El mercado del aceite de oliva es complicado. Depende de factores climáticos impredecibles. Está influenciado por decisiones políticas. Responde a dinámicas de negociación entre un número relativamente pequeño de actores grandes. Las correlaciones que parecían sólidas en datos históricos se desvanecían cuando intentabas usarlas para predecir.

Podíamos construir modelos que se ajustaban perfectamente a datos pasados. Pero esos mismos modelos fallaban miserablemente cuando los probábamos con datos que no habían visto.

Tuvimos una decisión que tomar. Podíamos vender la predicción de todas formas, con suficientes asteriscos y disclaimers. Muchos lo hacen. O podíamos ser honestos sobre lo que sabíamos y lo que no.

Elegimos la honestidad.

En lugar de predicciones puntuales, ofrecemos rangos de probabilidad. En lugar de “el precio será X”, decimos “basándonos en patrones históricos, hay un 70% de probabilidad de que el precio esté entre X e Y”. Y cuando la incertidumbre es alta, lo decimos claramente: “Ahora mismo, el modelo no tiene confianza suficiente para hacer proyecciones útiles”.

Esta decisión nos costó algunos clientes potenciales que querían certezas. Pero creemos que nos ganó algo más valioso: la confianza de los usuarios que se quedaron. Saben que cuando decimos algo, lo decimos en serio.

Rediseñando la Experiencia

Llegó un momento en que tuvimos que aceptar que la interfaz era un problema. No solo fea: era un obstáculo para que la gente usara el producto.

Los usuarios profesionales tienen expectativas altas. Comparan mentalmente con herramientas como Bloomberg, TradingView, o incluso con las apps de su banco. Si tu producto parece amateur, asumen que los datos también lo son.

Así que nos embarcamos en un rediseño completo. No solo visual: conceptual.

La pregunta guía fue: “¿Cuánto tarda un usuario en entender el estado del mercado?” Si la respuesta era más de diez segundos, estábamos fallando.

Esto significaba priorizar brutalmente. La pantalla principal no podía mostrar todo. Tenía que mostrar lo esencial: precio actual, tendencia, si había alguna alerta importante. Todo lo demás podía estar a un clic de distancia, pero no competir por atención.

Significaba también pensar en contextos de uso reales. Usuarios en zonas rurales con conexiones lentas. Usuarios que consultaban rápidamente entre reuniones. Usuarios que necesitaban datos en italiano o griego, no solo en español.

El rediseño tomó meses. Hubo versiones intermedias que descartamos. Hubo discusiones acaloradas sobre prioridades. Hubo momentos en que nos preguntamos si valía la pena tanto esfuerzo.

Pero cuando finalmente lanzamos la nueva versión, la diferencia fue inmediata. Los usuarios pasaban más tiempo en la plataforma. Hacían menos preguntas de soporte. Empezaron a recomendarnos a colegas.

Lo Que Aprendimos Sobre Construir con Datos

Si tuviera que resumir lo que aprendimos en unas pocas ideas, serían estas:

Los datos son el producto, no la tecnología. Es fácil obsesionarse con el stack, las arquitecturas, las herramientas. Pero los usuarios no ven nada de eso. Ven si los datos son correctos, si están actualizados, si les ayudan a tomar decisiones. Todo lo demás es infraestructura.

La limpieza de datos es el trabajo invisible que lo hace todo posible. Parece menos glamuroso que construir modelos de machine learning o interfaces bonitas. Pero sin datos limpios, nada de lo demás funciona. Invertir en una capa de normalización robusta fue una de las mejores decisiones que tomamos.

Las fuentes externas son frágiles. Si tu producto depende de datos de terceros, prepárate para el mantenimiento constante. Las webs cambian. Las APIs evolucionan. Los formatos mutan. Necesitas sistemas que detecten estos cambios rápidamente y humanos que puedan responder.

La honestidad es una ventaja competitiva. En un mundo de promesas infladas, decir “no sabemos” cuando no sabes genera confianza. Los usuarios no esperan que tengas todas las respuestas. Esperan que no les mientas sobre las que tienes.

Escucha más de lo que asumes. Cada vez que pensamos que sabíamos lo que los usuarios querían sin preguntarles, nos equivocamos. Cada vez que les preguntamos, descubrimos algo que no habríamos imaginado.

Dónde Estamos Ahora

Olearia Intelligence hoy es muy diferente de aquella primera versión fea pero funcional. Estamos en fase de pruebas con usuarios piloto. Procesamos datos de múltiples fuentes automáticamente. El núcleo de la plataforma ya funciona, aunque nos queda trabajo por delante antes del lanzamiento en 2026.

Pero en cierto sentido, seguimos haciendo lo mismo que al principio: intentando dar sentido a un mercado opaco, democratizando el acceso a información que antes solo tenían unos pocos.

No hemos “terminado”. Probablemente nunca terminemos. Cada semana descubrimos algo que podríamos hacer mejor. Cada conversación con usuarios piloto revela una necesidad que no habíamos considerado. Cada cambio en el mercado nos obliga a adaptar cómo lo analizamos.

Eso es lo que hace que este trabajo sea interesante. No es construir algo una vez y olvidarse. Es un diálogo continuo entre lo que construimos, cómo lo prueban, y cómo podemos mejorarlo.

Para Otros Que Estén Construyendo

Si estás construyendo algo basado en datos, especialmente en un sector tradicional que no está acostumbrado a la tecnología, te diría esto:

El problema es real. La oportunidad es real. Pero el camino es más largo y más difícil de lo que parece desde fuera.

No te desanimes cuando las estimaciones iniciales resulten optimistas. Eso le pasa a todo el mundo. Lo importante es seguir avanzando, aunque sea más lento de lo que querías.

Habla con usuarios reales lo antes posible. No esperes a tener algo perfecto. Algo imperfecto pero funcional te enseñará más que meses de desarrollo en aislamiento.

Y recuerda que estás resolviendo un problema humano, no tecnológico. La tecnología es la herramienta. Las personas y sus necesidades son lo que importa.

¿Estás construyendo algo en el espacio de datos o inteligencia de mercado? Nos encanta hablar con otros equipos que enfrentan desafíos similares. Escríbenos - siempre aprendemos algo de estas conversaciones.

Y si trabajas en el sector oleícola y quieres probar Olearia Intelligence cuando esté lista, puedes solicitar acceso anticipado.