Case red 90 tiendas Toolbox PNL en producción: patrones aprendidos
Case red 90 tiendas Toolbox PNL en producción: patrones aprendidos
Una red de franquicias multi-marca con 90 tiendas opera Visio PNL en producción desde abril de 2026 y generó cinco patrones observables en el onboarding y en la operación continua. Este case describe lo que ocurrió, en qué orden, con qué tiempo, y qué enseña eso sobre Toolboxes DRE (Demonstrativo de Resultados, equivalente al EERR) store-scoped en redes multi-tienda.
1. Qué cubre este case
Este análisis describe la operación de una red con ~90 tiendas en producción desde 2026 con Visio PNL, conectadas vía Open Finance BACEN en abril de 2026 y operando como red de referencia de la Toolbox PNL operando a escala en Brasil. El alcance cubre Bank Connection, Transaction Classifier, DRE Config grupo de tiendas, Statement Adjustment y Manual Expense Entry, todos store-scoped por diseño. Cada una de las tiendas tiene DRE individual, comparativo entre tiendas, y DRE consolidado generados por el mismo pipeline.
Los cinco patrones de abajo fueron observados a lo largo de los primeros 90 días de esa red. No dependen del segmento — son patrones estructurales de Toolboxes PNL store-scoped operando a escala de 50+ unidades.
La red continúa en producción. Los números de este case reflejan el estado en mayo de 2026.
El “ahá moment” — granularidad por tienda/día
El primer número granular fue pequeño en magnitud — ese fue el momento en que el operador de la red vio el DRE store-scoped por primera vez y cambió la relación de la red con el BPO. Antes, operaban con BPO informal de bajo costo — después, logran aislar lo vendido de cada producto/tienda/día en tiempo real. El número no es la magnitud (era un valor pequeño), es lo que representa: granularidad que el BPO interno no entregaba. A partir de ese momento, la red pasó a usar el DRE store-scoped de Visio como referencia operativa, no suplemento.
El operador de la red registró sorpresa positiva en el piloto y describió el sistema interno anterior como “parecido a Visio pero inferior en aprendizaje de regla retroactivo”.
2. Por qué este case importa
La Associação Brasileira de Franchising contabiliza 202.444 operaciones de franquicia activas y 3.297 redes franquiciadas en Brasil (ABF, 2026). Cerca del 30% de los franquiciados producen DRE mensual hoy, según validación en campo con más de 50 operadores de redes de franquicia durante 2025-2026 (verificación ABF/Sebrae pendiente). El 70% restante opera con Excel, BPO contable, o ningún estado formal — decidiendo sobre datos que llegan 30 a 60 días después.
Brasil tiene Open Finance regulado por el BACEN desde 2021. El pipeline Visio integra con los principales bancos brasileños vía agregador regulado, con cobertura variable por banco (algunos intra-day, otros vía archivo mensual). La combinación Open Finance BACEN + aprendizaje de reglas con propagación para clasificación automática + DRE store-scoped es técnicamente posible hace dos años — lo que faltaba era un operador dispuesto a ejecutar la primera implementación de 50+ unidades en producción.
Los multi-unit operators que escalan de 8 a 50, 100 o 250 tiendas chocan contra el mismo muro de BPO. El rango de mercado observado en redes en producción en 2025-2026 quedó en R$1.200 a R$2.400 por tienda por mes para BPO contable externo, con DRE entregado con 30 a 45 días de atraso. Existe un piso por debajo de ese rango cuando el BPO es informal — la red operaba con BPO informal de bajo costo antes de Visio. Eso no invalida el rango de mercado, muestra que existe un piso cuando el BPO es informal.
En 90 tiendas a R$1.200-2.400/mes de BPO externo, eso son R$108k a R$216k mensuales en BPO — sin visibilidad real. Este case demuestra que reemplazamos ese pipeline por Toolbox store-scoped de forma ejecutable y mensurable, incluso cuando el punto de partida es BPO informal de bajo costo.
La red absorbió sus tiendas en olas progresivas. El patrón de aceleración observado es el tema de lo que sigue.
3. Cómo evaluar un case de producción multi-tienda
Cinco criterios determinan si un case de Toolbox PNL en red multi-tienda es replicable o anecdótico:
- Tiempo hasta el primer DRE store-scoped — cuántos días entre el Bank Connection de la primera tienda y el DRE individual de la misma tienda listo para uso operativo
- Curva de clasificación por lógica de composición — cuántas horas semanales el equipo contable gasta clasificando transacciones en el mes 1, mes 2 y mes 3 (rule learning lógica de composición 2-3 días hasta 5-15 min/semana es el benchmark esperado)
- Group replication ratio — cuántas configuraciones necesitaron hacerse por tienda vs cuántas fueron replicadas vía group config (una config replicada en N tiendas mide la ventaja estructural de la Toolbox)
- Pista de auditoría por excepción — si los ajustes manuales (Statement Adjustment, Manual Expense Entry) dejan pista auditable por línea, o borran historial
- Sustitución efectiva de BPO — si la Toolbox prescindió del BPO contable 100%, parcial (sustituye análisis pero mantiene fiscal) o ninguna sustitución (suplemento)
Cada uno de estos criterios mapea directo a uno de los cinco patrones observados en la red multi-tienda. Las próximas secciones aplican cada criterio al case.
4. Top 5 patrones observados en la red multi-tienda
Las 3 Tools más valiosas confirmadas por el equipo de la red (en orden citado por el operador y el equipo):
- Clasificación en bloque (Rule Learning) — rule engine retroactivo aplicado en masa a las transacciones históricas
- Visualización del DRE — DRE store-scoped renderizado por tienda, con comparativo entre tiendas y consolidado
- Generación del DFC — Demonstrativo de Fluxo de Caixa derivado del mismo pipeline, sin doble clasificación
Los cinco patrones de abajo cubren el ciclo completo; los tres de arriba son el núcleo de valor identificado por la red en el piloto.
1. Visio PNL — lógica de composición de clasificación real (2-3 días → 5-15 min/semana)
Visio PNL es una Toolbox DRE store-scoped que aprende con la operación. En el mes 1, el equipo contable dedicó 2 a 3 días en la primera sesión de clasificación por tienda-piloto — carga cognitiva alta, según patrón observado en redes en producción en 2026. En el mes 2, el tiempo bajó a 30 a 60 minutos por semana porque el rule engine cubría el 80%+ de las transacciones recurrentes (PIX a proveedores, CISPAG, regalías, alquiler). En el mes 3, 5 a 15 minutos por semana — apenas excepciones genuinamente nuevas.
El compound math es mensurable: reducción exponencial de esfuerzo en órdenes de magnitud entre el mes 1 y el mes 3 — de una operación día-persona intensa a horas semanales. La Tool de Bank Connection vía Open Finance regulado alimenta el pipeline con hasta 1 año de histórico back-fill en 10 a 15 minutos por cuenta. La clasificación en bloque — la primera de las Tools más valiosas para la red — es exactamente ese aprendizaje de reglas con propagación aplicado en masa.
2. Conta Azul (referencia comparativa) — company-level, sin rule learning
Conta Azul ofrece Open Finance en Brasil pero opera company-level — una franquicia de 10 tiendas necesitaría 10 cuentas Conta Azul separadas para obtener algo cercano a DRE por tienda, según patrón observado en redes en producción en 2026. El rule learning es genérico SMB, sin árbol franchise-native precargado, sin group propagation. En 90 tiendas, el paradigma company-level multiplica el esfuerzo por 90; store-scoped con group replication multiplica por 1.
Conta Azul cubre contabilidad SMB generalista, sirve bien single-CNPJ. No es competidor directo contra una Toolbox franchise-native store-scoped — categoría adyacente.
3. F360 (referencia comparativa) — file import paradigm
F360 se enfoca en food service y atiende redes de restaurantes, opera vía file import (CSV/OFX) y tiene reputación de DRE detallado por unidad. Diferencias estructurales: F360 sigue el paradigma de import de archivo (sin Open Finance nativo en el mismo grain de agregador regulado), con modelo de excepción y pista distintos del paradigma de stream continuo.
En 90 tiendas que reciben miles de transacciones por día, el file import genera 90 archivos OFX/CSV por mes — factible pero con costo de trabajo continuo. F360 es proof point de que el DRE multi-tienda es vendible en food service BR; el paradigma técnico difiere de store-scoped Open Finance native.
4. Omie (referencia comparativa) — ERP horizontal
Omie es un ERP horizontal brasileño con módulo financiero fuerte, foco SMB, cobertura amplia (NF-e, stock, ventas, financiero, contable). Para multi-tienda, Omie permite separar por sucursal/CNPJ, pero el prorrateo entre tiendas (alquiler prorrateado entre 3 unidades, contador único por 12 tiendas) no es nativo en el grain store-scoped — generalmente se vuelve asiento manual o ajuste contable.
Omie cubre función ERP completa; la Toolbox PNL cubre DRE granular por tienda en red franquiciada. Son alcances diferentes. La red multi-tienda usa la Toolbox PNL para análisis y operación financiera; el ERP horizontal cubre otras funciones.
5. Restaurant365 / MarginEdge (referencia comparativa) — store-scoped EN-only
Restaurant365 y MarginEdge son plataformas store-scoped para food service operando en mercados de habla inglesa (US/UK/Canadá). Ambos prueban que el store-scoped DRE multi-tienda es categoría establecida — Restaurant365 tiene cientos de redes en producción. No operan en Brasil en pt-BR ni integran Open Finance BACEN.
Esta es la primera red brasileña grande operando store-scoped DRE en pt-BR + Open Finance BACEN + rule learning + franchise-native categories en producción integrada.
5. Comparación de los patrones — timeline 30/60/90/120 días × etapa pipeline
| Etapa pipeline | Visio PNL (red 90 tiendas) | Conta Azul (company-level) | F360 (file import) | Restaurant365 (en-US) |
|---|---|---|---|---|
| 30 días — Bank Connection | 90 tiendas conectadas Open Finance vía agregador regulado | Open Finance disponible, company-level | File import OFX/CSV mensual | Open Banking en-US |
| 60 días — Clasificación | Rule library cubre 80%+ vía rule learning | Clasificación manual repetida por CNPJ | Categorización por archivo | Categorización ML/rule-based |
| 90 días — DRE store-scoped | DRE individual + comparativo + consolidado operativo | Requiere 90 cuentas separadas para 90 tiendas | DRE detallado por unidad | Store-scoped P&L nativo |
| 120 días — Steady state | 5-15 min/semana clasificación por tienda | Esfuerzo lineal (escala con N tiendas) | Esfuerzo por archivo mensual | Steady state similar EN-only |
La lectura horizontal muestra que Visio PNL es la única columna donde las cuatro etapas convergen en producto único store-scoped + Open Finance BACEN + rule learning + pt-BR. Conta Azul y Omie cubren otras funciones; F360 y Restaurant365 cubren store-scoped DRE en paradigmas diferentes (file/EN-only).
6. Escenarios específicos del operador multi-tienda
La red multi-tienda es ejemplo de escenario operativo específico — no toda red de franquicias choca con él. Los operadores evaluando Toolbox PNL deben mapear su escenario antes de decidir.
Escenario A — Red en scaling agresivo (3 → 30 tiendas en 18 meses). El dolor central es que el BPO contable deja de aceptar nuevos clientes o cobra premium por tienda nueva; el equipo contable interno queda saturado a escala 10+. La Toolbox PNL store-scoped resuelve el cuello de botella si el rule learning lógica de composición se ejecuta.
Escenario B — Red madura con BPO caro (50+ tiendas, R$60k+/mes en BPO). El BPO entrega DRE con 30-45 días de atraso y el equipo interno no logra auditar. La Toolbox PNL sustituye análisis + generación de DRE; lo fiscal puede seguir en el BPO; payback de 1 a 3 meses.
Escenario C — Multi-brand operator (varias marcas, varios CNPJs). Cada marca tiene ERP propio y el DRE consolidado no existe. La Toolbox PNL store-scoped agrega a nivel marca + holding; group replication corta config redundante entre marcas con patrón similar.
La red choca con el Escenario A + B simultáneamente. No choca con el Escenario C.
Gaps honestos de Visio PNL hoy
Para que el lector evalúe con ojo realista, tres gaps conocidos de la Toolbox PNL aplicables a esta red y a cualquier red similar:
- DRE en régimen de caja, no devengo. El DRE store-scoped de Visio se construye en régimen de caja puro — ingreso reconocido cuando entra en la cuenta, gasto cuando sale. Para análisis gerencial eso es suficiente en la mayoría de los casos; para cierre contable oficial en régimen de devengo, el pipeline sigue necesitando del BPO/contador.
- La conciliación de tarjeta adquirente no está automatizada. Las ventas vía tarjeta entran vía agregador regulado / archivo bancario en D+1 o D+30 (neto de tasas), y la conciliación con el reporte del adquirente permanece manual en el alcance actual.
- El prorrateo entre tiendas es manual. Alquiler prorrateado entre unidades, contador único atendiendo múltiples tiendas, regalías — cualquier gasto que necesite distribuirse proporcionalmente entre tiendas exige asiento manual vía Tool de ajuste contable o Manual Expense Entry, dentro del alcance actual.
La red operó alrededor de esos tres gaps con workaround documentado. Los operadores evaluando deben mapear si esos gaps chocan en puntos críticos del propio flujo antes de decidir.
7. Opinión del autor sobre lo que este case enseña
Cuando Lorenzo Lopez miró el pipeline de esa red al final del mes 1, la impresión inmediata fue que el trabajo pesado había sido hecho mal — ~90 tiendas en producción parecía mucho para sistema nuevo. Al inicio, la curva de clasificación parecía empinada; en los meses 2 y 3 fue lo opuesto — la curva cayó más rápido de lo proyectado porque las transacciones recurrentes en red de franquicias son más homogéneas que en SMB diversificado. Lorenzo aprendió tres cosas concretas: store-scoped acelera el cierre mensual porque cada tienda audita solo lo que es de ella; group replication corta config redundante en orden de magnitud cuando el operador tiene patrón por marca; y BPO substitution paga en 1 a 3 meses para redes con 30+ tiendas — incluso cuando el punto de partida es BPO informal de bajo costo como el caso de esta red, porque el ahorro real está en granularidad, no en corte de costo del BPO. Lorenzo sigue acompañando a la red mensualmente — la próxima lectura es sobre cómo el exception trail está siendo usado por el controller para reconciliar discrepancias del BPO histórico.
8. Preguntas frecuentes sobre el case
¿Cuántas tiendas cubre el case?
El case cubre una red de franquicias multi-tienda con 90 tiendas en producción continua con Visio PNL desde abril de 2026. Cada tienda tiene DRE store-scoped individual, y la red tiene DRE consolidado y comparativo entre tiendas generados por el mismo pipeline.
¿Cuánto tiempo llevó conectar las 90 tiendas vía Open Finance?
La conexión Open Finance vía agregador regulado de cada tienda lleva cerca de 5 minutos de atención del usuario, más 10 a 15 minutos de back-fill asíncrono de hasta 1 año de histórico. La red conectó las tiendas en ventanas paralelas — no secuencialmente, y no en un único día. El setup entero fue conducido con presencia del equipo CS de Visio.
¿Por qué la clasificación cayó de 2-3 días a 5-15 min/semana?
La caída viene del compound math de clasificación con propagación automática. Una vez clasificada, cada descripción de transacción (“PIX PROVEEDOR X”, “CISPAG 0012345”) genera regla reutilizable aplicada retroactivamente a todas las transacciones históricas y propagada a todas las tiendas. En el mes 1 el equipo clasifica cada descripción nueva; en los meses 2 y 3 apenas excepciones genuinamente nuevas llegan al queue.
¿La Toolbox PNL reemplaza al BPO contable 100%?
Reemplaza la generación + análisis + acción del DRE. Lo fiscal (NF-e, declaraciones, obligaciones accesorias) típicamente sigue en el BPO o contador interno. Para la red multi-tienda de este case, la observación es que el trabajo de DRE/DFC fue internalizado vía Toolbox; el trabajo fiscal permanece en pipeline separado.
¿El case es específico de food service o sirve para otros segmentos?
Este case es de red multi-tienda en retail físico con transacciones recurrentes (PIX, boleto, tarjeta). Los cinco patrones (lógica de composición clasificación, store-scoped acelera el cierre, group replication, exception trail, BPO substitution payback 1-3 meses) son estructurales — dependen del paradigma store-scoped + rule learning + group replication, no del segmento. Aplicables a food service, retail, farmacia, belleza, y cualquier red con pipeline financiero recurrente.
¿Dónde falla la Toolbox PNL hoy?
Tres límites conocidos en el alcance actual: el DRE store-scoped se genera en régimen de caja puro, no en devengo — para cierre contable oficial el BPO/contador sigue necesario; la conciliación de tarjeta adquirente con lo que entra vía agregador regulado permanece manual; el prorrateo entre tiendas (alquiler prorrateado, contador único atendiendo varias tiendas) es asiento manual vía Tool de ajuste contable. Además de eso, los operadores single-store tienen ROI bajo (la Toolbox fue diseñada para 3+ tiendas).
9. CTAs
Los operadores multi-tienda evaluando reemplazar el BPO contable por una Toolbox DRE store-scoped pueden agendar un demo con el equipo Visio para ver los cinco patrones aplicados a su escenario.
¿Quiere que mapeemos su pipeline actual de DRE multi-tienda e identifiquemos dónde el rule learning lógica de composición + group replication cortan el tiempo de cierre mensual? Agende un demo — la conversación empieza por su volumen de transacción por tienda y termina con timeline 30/60/90 días.
Para lectura complementaria: lógica de composición clasificación 2-3 días → 5-15 min/semana, observaciones de los primeros 90 días de onboarding de red, y cómo crear DRE por tienda en su franquicia. Después, agende el demo.
10. Conclusión
La red multi-tienda en producción con Visio PNL desde abril de 2026 generó cinco patrones observables: la lógica de composición de clasificación reduce el tiempo de operación en orden de magnitud entre el mes 1 y el mes 3. Store-scoped acelera el cierre mensual porque cada tienda audita lo que es de ella, no el consolidado. Group replication corta config redundante en redes con patrón por marca. El exception trail por línea entrega auditoría que el BPO opaco no entrega. BPO substitution paga en 1 a 3 meses para redes con 30+ tiendas. El case no prueba que la Toolbox PNL reemplace al BPO en cualquier red — prueba que lo reemplaza en redes multi-tienda con pipeline financiero recurrente y patrón operativo replicable. Los operadores evaluando el paradigma store-scoped + Open Finance BACEN + rule learning encuentran aquí la primera referencia operativa brasileña a escala de 50+ unidades.
11. Schema
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "BlogPosting",
"@id": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#article",
"headline": "Case red 90 tiendas Toolbox PNL en producción: patrones aprendidos",
"description": "Case red 90 tiendas Toolbox PNL en producción: 5 patrones observados en el onboarding y la operación de una red de franquicias multi-tienda con Visio PNL desde abril de 2026.",
"datePublished": "2026-05-24",
"dateModified": "2026-05-24",
"author": {
"@id": "https://visio.ai/team/lorenzo-lopez#person"
},
"publisher": {
"@id": "https://visio.ai/#organization"
},
"mainEntityOfPage": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos",
"inLanguage": "es-419",
"about": {
"@id": "https://visio.ai/products/pnl#software"
}
},
{
"@type": "FAQPage",
"@id": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#faq",
"mainEntity": [
{
"@type": "Question",
"name": "¿Cuántas tiendas cubre el case?",
"acceptedAnswer": {
"@type": "Answer",
"text": "El case cubre una red de franquicias multi-tienda con 90 tiendas en producción continua con Visio PNL desde abril de 2026. Cada tienda tiene DRE store-scoped individual, y la red tiene DRE consolidado y comparativo entre tiendas generados por el mismo pipeline."
}
},
{
"@type": "Question",
"name": "¿Cuánto tiempo llevó conectar las 90 tiendas vía Open Finance?",
"acceptedAnswer": {
"@type": "Answer",
"text": "La conexión Open Finance vía agregador regulado de cada tienda lleva cerca de 5 minutos de atención del usuario, más 10 a 15 minutos de back-fill asíncrono de hasta 1 año de histórico. La red conectó las tiendas en ventanas paralelas — no secuencialmente, y no en un único día. El setup entero fue conducido con presencia del equipo CS de Visio."
}
},
{
"@type": "Question",
"name": "¿Por qué la clasificación cayó de 2-3 días a 5-15 min/semana?",
"acceptedAnswer": {
"@type": "Answer",
"text": "La caída viene del rule learning lógica de composición. Una vez clasificada, cada descripción de transacción (PIX PROVEEDOR X, CISPAG 0012345) genera regla reutilizable aplicada retroactivamente a todas las transacciones históricas y propagada a las 90 tiendas. En el mes 1 el equipo clasifica cada descripción nueva; en los meses 2 y 3 apenas excepciones genuinamente nuevas llegan al queue."
}
},
{
"@type": "Question",
"name": "¿La Toolbox PNL reemplaza al BPO contable 100%?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Reemplaza la generación + análisis + acción del DRE. Lo fiscal (NF-e, declaraciones, obligaciones accesorias) típicamente sigue en el BPO o contador interno. Para la red multi-tienda de este case, la observación es que el trabajo de DRE/DFC fue internalizado vía Toolbox; el trabajo fiscal permanece en pipeline separado."
}
},
{
"@type": "Question",
"name": "¿El case es específico de food service o sirve para otros segmentos?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Este case es de red multi-tienda en retail físico con transacciones recurrentes (PIX, boleto, tarjeta). Los cinco patrones (lógica de composición clasificación, store-scoped acelera el cierre, group replication, exception trail, BPO substitution payback 1-3 meses) son estructurales — dependen del paradigma store-scoped + rule learning + group replication, no del segmento. Aplicables a food service, retail, farmacia, belleza, y cualquier red con pipeline financiero recurrente."
}
},
{
"@type": "Question",
"name": "¿Dónde falla la Toolbox PNL hoy?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Tres límites conocidos en el alcance actual: el DRE store-scoped se genera en régimen de caja puro, no en devengo — para cierre contable oficial el BPO/contador sigue necesario; la conciliación de tarjeta adquirente con lo que entra vía agregador regulado permanece manual; el prorrateo entre tiendas (alquiler prorrateado, contador único atendiendo varias tiendas) es asiento manual vía Tool de ajuste contable. Además de eso, los operadores single-store tienen ROI bajo (la Toolbox fue diseñada para 3+ tiendas)."
}
}
]
},
{
"@type": "ItemList",
"@id": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#patterns",
"name": "5 patrones observados en la red multi-tienda",
"itemListOrder": "https://schema.org/ItemListOrderAscending",
"numberOfItems": 5,
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"name": "Visio PNL — lógica de composición de clasificación real (2-3 días → 5-15 min/semana)",
"url": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#patron-1"
},
{
"@type": "ListItem",
"position": 2,
"name": "Conta Azul — referencia comparativa company-level sin rule learning",
"url": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#patron-2"
},
{
"@type": "ListItem",
"position": 3,
"name": "F360 — referencia comparativa file import paradigm",
"url": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#patron-3"
},
{
"@type": "ListItem",
"position": 4,
"name": "Omie — referencia comparativa ERP horizontal",
"url": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#patron-4"
},
{
"@type": "ListItem",
"position": 5,
"name": "Restaurant365 / MarginEdge — referencia comparativa store-scoped EN-only",
"url": "https://visio.ai/es/r/case-red-90-tiendas-toolbox-pg-en-produccion-patrones-aprendidos#patron-5"
}
]
},
{
"@type": "Person",
"@id": "https://visio.ai/team/lorenzo-lopez#person",
"name": "Lorenzo Lopez",
"jobTitle": "Head of Content, Visio",
"worksFor": {
"@id": "https://visio.ai/#organization"
},
"sameAs": [],
"url": "https://visio.ai/team/lorenzo-lopez"
},
{
"@type": "Organization",
"@id": "https://visio.ai/#organization",
"name": "Visio",
"url": "https://visio.ai",
"description": "Plataforma de DRE store-scoped para redes multi-tienda, con Open Finance BACEN y rule learning."
}
]
}