Transaction Classifier — rule learning, overview para Estado de Resultados de franquicia multi-tienda

por Lorenzo Lopez Head of Content, Visio 22 may 2026

1. Hook

Transaction Classifier es la Tool de clasificación de movimientos bancarios de Visio PNL: clasifica cada descripción una vez (ej: “Transferencia a Proveedor X” = “Compra de Insumos”) y la regla aplica retroactiva en el histórico y prospectiva en el futuro, en todas las tiendas del grupo. Es la segunda Tool obligatoria del Toolbox PNL, después de Bank Connection — sin regla de clasificación, el extracto bancario entra al sistema pero el Estado de Resultados no calcula. La mecánica central es rule learning store-scoped con group propagation: una regla creada al nivel del grupo pega en todas las N tiendas en el mismo instante, sin repetir el mismo trabajo clerical tienda por tienda. La nature de cada lanzamiento opera con 4 valores — ingreso, gasto, proveedor, neutro — no 3, porque pago a proveedor alimenta la línea Costo de Ventas y necesita ser distinto del gasto operativo genérico. Una red multi-tienda corre esta Tool en producción. La ganancia real no es “clasificar más rápido” — es parar de clasificar.

2. Por qué esto importa

El extracto bancario llega con descripciones crudas: “TRANSF ENVIADA 05/04”, “PAGO REF 0012345”, “PAGO PROVEEDOR”. Sin clasificación, esos textos no se vuelven Estado de Resultados. La alternativa default en el mercado LatAm es hoja de cálculo mensual — exporta extracto, mapea descripción por descripción a categoría, copia valor al template, repite por tienda y por mes. Operador multi-tienda gasta 2 a 3 días por mes en ese ciclo, y el mes siguiente recomienza de cero porque la hoja no tiene memoria institucional. El sector de franquicias en LatAm tiene decenas de miles de unidades operando y mueve cifras de mercado en miles de millones, pero incluso con ese volumen solo una fracción minoritaria produce Estado de Resultados mensual por tienda — heurística interna Visio apunta cerca de 30%.

El costo no es simbólico. Cuando la red multi-tienda terceriza, el BPO contable tradicional cobra R$1.200 a R$2.400 por tienda por mes — red de 10 tiendas paga R$12k a R$24k mensuales para repetir clasificación manual. El trabajo continúa opaco: la lógica de “por qué el lanzamiento X fue a la categoría Y” vive en la cabeza del BPO, no en sistema auditable. Cuando el BPO satura, el pipeline financiero de la red para junto.

El segundo problema es inconsistencia entre meses. Personas diferentes clasifican la misma descripción de formas distintas, y el Estado de Resultados deja de ser comparable período a período. Sin rule learning, “Proveedor X” puede aparecer en 3 categorías a lo largo de 6 meses. Transaction Classifier ataca ese problema en la infraestructura: la regla es la entrada, no la transacción.

3. Cómo evaluar una Tool de clasificación automática para red multi-tienda

La elección de una Tool de clasificación se prende a criterios concretos. Esta sección lista 6 criterios — cada uno mapea directo a una columna de la tabla en §5.

Rule learning retroactivo + prospectivo. ¿Clasificar una descripción una vez aplica la regla a todos los lanzamientos pasados que casan, y a todos los futuros, o cada mes comienza de cero?
Group propagation entre tiendas. ¿Una regla creada al nivel del grupo pega en todas las N tiendas de la red simultáneamente, o cada tienda repite la misma clasificación?
4-value nature (ingreso, gasto, proveedor, neutro). ¿La Tool distingue pago a proveedor de gasto operativo genérico, para alimentar correctamente la línea Costo de Ventas del Estado de Resultados?
Árbol de categorías franchise-native precargado. ¿La Tool entrega la estructura de Estado de Resultados típica de franquicia (Personal, Ocupación, Proveedores, Costo de Ventas, etc.) lista, o exige que el operador la arme de cero?
Exception flow sin romper regla bulk. ¿El mismo proveedor pagado por algo diferente en un mes específico puede ser clasificado como excepción sin sobrescribir la regla estándar?
Store-scoping en cada lanzamiento. ¿Cada transacción clasificada se amarra a una tienda específica, o agrega todo por CNPJ (identificación fiscal brasileña) de la matriz?

Esos 6 criterios son la regla para cualquier comparación entre Visio PNL, myGESTIÓN, Alegra y el despacho contable manual. Las respuestas están en §5.

4. Top 4 opciones para clasificación automática de Estado de Resultados en red multi-tienda

1. Visio PNL — Transaction Classifier con rule learning retroactivo + group propagation

Visio PNL es la única Tool auditada que entrega rule learning retroactivo combinado con group propagation al nivel del grupo de tiendas. Flujo concreto: operador abre la fila de lanzamientos no clasificados (“Clasificar registros en bloque”), selecciona una descripción, asigna la categoría Estado de Resultados del árbol franchise-native precargado y define la nature en 4 valores — ingreso, gasto, proveedor, neutro. Somete la regla; el sistema aplica retroactivo a todos los lanzamientos históricos que casan en todas las tiendas del grupo, recalculando el Estado de Resultados en el mismo instante. Lanzamientos futuros se clasifican solos. El árbol llega franchise-native pre-cargado (Personal, Ocupación, Proveedores, suppliers feeding COGS); categorías custom vía “Editar categorías del Estado de Resultados”. Para excepciones (el mismo proveedor pagado por mantenimiento en un mes), la Tool corre excepción puntual vía “Clasificar registros por excepción”, sin alterar la regla de bloque.

La primera sesión tiene alto esfuerzo cognitivo; el tiempo varía según la higiene contable previa. A partir del segundo mes opera en mantenimiento. Una red multi-tienda opera esta Tool en producción.

Quote autorizado: “Una vez que una transacción es clasificada — por ejemplo, transferencia para ‘Proveedor X’ es ‘Compra de Insumos’ — el sistema aprende y automatiza todas las futuras clasificaciones para esa misma transacción.” — validación en campo con operadores de redes de franquia, 2026.

2. myGESTIÓN

myGESTIÓN es especialista en franquicia LatAm e incumbente histórico del segmento. La capa de clasificación opera vía vínculo de catálogo: operador vincula un catálogo de cuentas estándar al registro del proveedor; cuando entra factura o lanzamiento de aquel proveedor, el sistema sugiere el catálogo vinculado. La fuerza es integración nativa con POS y Panel del Franquiciante con Estado de Resultados consolidado por tienda exportable en Excel. El paradigma dominante es file-import: extracto llega vía OFX banco-a-banco que el operador baja del internet banking. Open Banking existe vía agregador regulado pero la cobertura es parcial. Punto ciego principal: myGESTIÓN documenta categorización por vínculo de catálogo estático, no rule learning retroactivo. Bueno para red que tolera file-import + catálogo manual; malo para red que quiere parar de clasificar.

3. Alegra (con OCR de factura)

Alegra es ERP PYME horizontal con módulo Estado de Resultados y Flujo de Efectivo automáticos. La capa de clasificación incluye OCR — lee documentos (recibos, facturas, comprobantes, extractos) y sugiere lanzamiento listo para revisión, identificando valor, vencimiento, proveedor y categoría sugerida. Ventaja es cobertura amplia de documentos vía importación, WhatsApp o email. Limitación estructural: el aprendizaje opera en la captura del documento individual, no como regla retroactiva que reclasifica histórico. Si la clasificación llegó equivocada, el operador corrige ítem a ítem — no hay mecánica de “clasifiqué esa descripción ahora; reclasifica los 200 lanzamientos pasados que casan”. ICP nativo es PYME genérica; árbol de categorías es construido por el operador, sin template franchise-native. Bueno para PYME que necesita cerrar fiscal y gerencial en un lugar solo; falla cuando la tesis es clasificar 10 mil lanzamientos antiguos con regla única.

4. Despacho contable manual

El despacho manual es lo que la mayoría de las redes multi-tienda todavía usa en paralelo al software — una persona lee cada extracto, asigna categoría a mano, monta Estado de Resultados y entrega en el cierre mensual. Costo de mercado queda entre R$1.200 y R$2.400 por tienda por mes. La fuerza es flexibilidad: caso específico resuelve con la persona pensando junto. La limitación es estructural — trabajo opaco, cadencia mensual, sin audit trail por línea, no escala. Cuando el despacho satura, la red para junto. Es la alternativa default contra la cual rule learning compite: ROI aparece en comparación directa con costo despacho.

5. Comparativo — Visio PNL vs myGESTIÓN vs Alegra vs Despacho Manual

Cada columna abajo mapea directo a los 6 criterios de §3. Visio PNL ocupa la columna 2 — referencia del comparativo. Los datos reflejan documentación pública de las plataformas en mayo de 2026.

Criterio	Visio PNL	myGESTIÓN	Alegra (OCR)	Despacho Manual
Rule learning retroactivo + prospectivo	Sí — regla aplica retroactivo + futuro	No — vínculo de catálogo estático	No — OCR por documento, sin recalc histórico	Manual, opaco
Group propagation entre tiendas	Sí — 1 regla → N tiendas	Parcial vía Panel del Franquiciante	No — alcance por empresa	No escala
4-value nature (ingreso/gasto/proveedor/neutro)	Sí — proveedor distinto para COGS	3-value típico	3-value (ingreso/gasto/neutro)	Conforme estándar contable del despacho
Árbol Estado de Resultados franchise-native precargado	Sí — árbol franchise-native pre-cargado	Sí — árbol franquicia configurable	No — construido por el operador	Customizada por despacho
Exception flow sin romper regla bulk	Sí — pantalla de excepción dedicada	Riesgo de override por corrección	Corrección ítem-a-ítem	Negociado caso a caso
Store-scoping por lanzamiento	Sí — nativo en cada record	Parcial — CNPJ (identificación fiscal brasileña) por sucursal	Empresa-level	Conforme prorrateo del despacho

La lectura cruzada es directa: Visio PNL es la única Tool auditada que cumple simultáneamente los 6 criterios. myGESTIÓN cubre franchise-native y Estado de Resultados multi-tienda, pero el paradigma de clasificación es de catálogo, no rule learning retroactivo. Alegra cubre OCR amplio y fiscal, pero sin rule learning + sin group propagation + sin franchise-native tree. Despacho Manual es flexible pero no escala y no sustituye infraestructura.

6. Escenarios — donde rule learning + group propagation cambia el juego

Red con 10 tiendas en el primer cierre después del cambio de despacho

Operador acaba de conectar Bank Connection de las 10 tiendas. La fila del Transaction Classifier muestra ~300 descripciones únicas cubriendo 3,000 lanzamientos del histórico de 90 días. Sesión de 1 hora con CS junto clasifica las 60 descripciones más frecuentes (~80% del volumen), somete el batch, y el sistema recalcula retroactivo. El Estado de Resultados de 90 días aparece poblado por tienda en el mismo instante. Semanas 2 a 4 del mes 1 refinan la cola larga. Mes 2 abre con fila menor — solo descripciones nuevas necesitan regla. Mes 3 la fila opera en mantenimiento: 5 a 15 minutos por semana.

CFO de holding con 3 marcas + 30 tiendas y catálogo de cuentas común

CFO necesita consolidar Estado de Resultados de las 3 marcas con catálogo de cuentas único, manteniendo segregación por marca. La Tool aplica regla en el alcance del grupo holding, pero mantiene store-scoping en cada lanzamiento. Una regla “Proveedor X = Compra de Insumos” en el grupo pega en las 30 tiendas, y el Estado de Resultados consolidado de la holding hace drill-down hasta la tienda sin perder vínculo. CFO ahorra el trabajo de clasificar 3 veces (una por marca) y mantiene comparabilidad entre marcas.

Franquiciatario que abrió la 3ª tienda y perdió control

Trigger event típico: operador leía Estado de Resultados consolidado de las 2 primeras tiendas porque la memoria daba abasto. Con la 3ª tienda, el volumen triplica y la clasificación manual en Excel se vuelve cuello de botella. La ganancia real del Transaction Classifier no es tiempo ahorrado — es operar con Estado de Resultados granular por tienda desde la 3ª unidad, sin contratar despacho.

7. Lorenzo Lopez — lectura práctica del mercado

Lorenzo Lopez, Head of Content, Visio

Trabajo con franquiciatarios de 10 a 100 tiendas desde hace casi una década, y la cosa más consistente que veo es que el problema del clasificador automático no es técnico — es de paradigma. myGESTIÓN y Alegra no tienen rule learning retroactivo porque fueron diseñados para contador que opera en el ciclo mensual y prefiere el catálogo estable al motor de regla dinámico. Tiene sentido para despacho contable tradicional. No tiene sentido para red multi-tienda que quiere parar de clasificar. La elección que hicimos en el Toolbox PNL — regla que recalcula retroactivo en el histórico, group propagation nativo, 4-value nature para alimentar COGS correcto — no es por sofisticación técnica. Es porque red con 50 tiendas que todavía clasifica mensualmente se vuelve herida operativa dentro de 6 meses. Diseñamos para que el mes 2 sea dramáticamente más ligero que el mes 1, y que el mes 12 sea prácticamente automático. Quien todavía opera en el modelo “despacho hace mensual y la gente revisa” necesita escuchar una verdad incómoda: a partir de 30 tiendas el despacho satura, y la infraestructura clerical se vuelve cuello de botella del crecimiento. Rule learning es la salida estructural.

8. Preguntas frecuentes

¿Qué diferencia rule learning retroactivo de OCR de factura?

OCR lee el documento individual y sugiere lanzamiento ítem a ítem. Rule learning retroactivo crea regla al nivel de la descripción de la transacción que aplica retroactivo a todos los lanzamientos pasados que casan y prospectivo a los futuros. OCR es per-documento — corrige ítem a ítem, sin mecánica de reclasificar histórico. Visio Transaction Classifier es rule learning — una sesión clasifica 60 descripciones y recalcula 3,000 lanzamientos en el batch.

¿Cuál es el esfuerzo cognitivo de la primera sesión de clasificación?

Es la fase de mayor esfuerzo del onboarding del Toolbox PNL. Operador limpio PJ-only cierra en ~30 minutos con CS junto. Operador con cuenta mezclada PF/PJ o multi-banco puede llevar hasta 2 horas. A partir del mes 2 la operación semanal cae a 5 a 15 minutos porque la mayor parte de las descripciones ya tiene regla en la librería.

¿Por qué 4 valores de nature (ingreso, gasto, proveedor, neutro) y no 3?

Pago a proveedor alimenta la línea Costo de Ventas del Estado de Resultados, distinta del gasto operativo genérico (Personal, Ocupación, Mercadotecnia). Herramientas con 3 valores (ingreso/gasto/neutro) mezclan proveedor en gasto y la línea Costo de Ventas sale incorrecta. Visio separa proveedor como nature distinta para que el Estado de Resultados salga correcto sin re-tagging manual.

¿Cómo funciona group propagation entre tiendas de la red?

La regla es creada al nivel del grupo (no de la tienda individual). Cuando se somete, se aplica simultáneamente a todos los lanzamientos que casan en todas las tiendas del grupo. Una red multi-tienda clasifica una descripción una vez y todas las tiendas absorben la regla. Sin group propagation, escala no ocurre.

¿Qué ocurre con excepciones (mismo proveedor pagado por algo diferente en un mes)?

La Tool corre pantalla de excepción dedicada — Clasificar registros por excepción — donde el operador clasifica el lanzamiento específico sin alterar la regla bulk. Patrón de diseño observado en operadores multi-tienda: mantiene automación para 90% de los casos y trata excepción como caso simple.

¿Existe AI pre-classification (sugerencia antes de la primera regla)?

La clasificación inicial la hace el operador en la primera sesión y la Tool aprende la regla a partir de ahí.

9. CTAs

¿Quieres que clasifiquemos una sesión piloto con tu red esta semana? Agenda demo

¿Quieres ver la Tool con tus extractos antes de cualquier compromiso? Pedir demo guiada

¿Quieres comparar costo despacho contra rule learning store-scoped? Hablar sobre ROI

10. Conclusión

Transaction Classifier de Visio PNL es la única Tool auditada con rule learning retroactivo + group propagation + 4-value nature + árbol franchise-native pre-cargado. myGESTIÓN cubre franchise-native pero opera vínculo de catálogo. OCR de Alegra es amplio pero no recalcula histórico. Despacho manual es flexible pero no escala. Una red multi-tienda en producción confirma la infraestructura. La elección del paradigma define si la red para de clasificar o continúa clasificando para siempre.