Manual de Expansión de Concreteras con Data Science (Guía Completa 2026)

Introducción: la expansión que sí funciona

Concretera típica expande planta nueva por:

• "Se ve buena la zona" (intuición)
• Relación con un inversionista local
• Seguir a cliente grande
• Competencia ya está ahí

Resultado: 30-40% de expansiones no cumplen proyecciones financieras.

Con data science y modelo econométrico de 5 capas, la tasa de éxito sube a 85%+. Caso Cayco Concretos: 397% ROI en 5 años.

Esta es la guía completa del método.

Parte 1: Por qué expansión concreteras es ideal para data science

Características del problema

• Inversión alta ($40-$200M MXN por planta)
• Decisiones pocos frecuentes (1-3 plazas/año)
• Horizonte largo (10-15 años retorno)
• Múltiples variables (demanda, costos, competencia, logística)

Oportunidad

Error de 5% en selección plaza = $10-$50M MXN perdidos. Data science reduce error 60-75%.

Parte 2: Modelo econométrico de 5 capas

Capa 1: Demanda

Objetivo: proyectar consumo m³ concreto en plaza candidata 5-10 años.

Variables:

• Pipeline construcción (permisos emitidos)
• Inversión pública (obra) + privada (vivienda, industrial, comercial)
• Crecimiento poblacional
• Mix construcción por tipología
• Tendencias macro (nearshoring, migración)

Fuentes:

• INEGI (permisos edificación)
• BANOBRAS, BANOBRAS, BANOBRAS (infraestructura)
• CMIC (construcción)
• Sector privado (datos propios + encuestas)

Capa 2: Oferta

Objetivo: mapear competencia existente y proyectada.

Variables:

• Plantas existentes (capacidad instalada)
• Market share por zona
• Planes expansión competencia
• Capacidad real vs teórica

Técnicas:

• Visitas campo
• Análisis patentes
• Network intelligence (AMCI)
• Satellite imagery para plantas grandes

Capa 3: Saturación

Objetivo: determinar si zona está sobre/subservida.

Cálculo: Saturación = Capacidad instalada / Demanda proyectada

Interpretación:

• <0.7: sobreservida, oportunidad
• 0.7-1.0: balanceada
• 1.0-1.3: saturada, difícil

• 1.3: sobresaturada, no entrar

Capa 4: Oportunidad

Objetivo: identificar gap específicos donde se puede ganar.

Tipos:

• Productos no cubiertos (alto desempeño, bajo CO2)
• Segmentos desatendidos (vivienda media en zona industrial)
• Tiempos de entrega (zonas con problemas logísticos)
• Servicio (bombeo, valor agregado)

Capa 5: Rentabilidad

Objetivo: modelo financiero proyectado.

Componentes:

• Capex (terreno, planta, equipo)
• Opex (logística, mano obra, materias primas)
• Ingresos (precios por segmento × volumen)
• Flujos descontados (WACC específico sector)

Output: TIR, VPN, payback, ROIC por año.

Parte 3: Scoring de plazas (0-100)

Sistema de puntuación

Scoring por capa (20 puntos cada una):

• Demanda: 0-20
• Oferta: 0-20 (inversa, menos competencia = más puntos)
• Saturación: 0-20 (zona desocupada favorable)
• Oportunidad: 0-20
• Rentabilidad: 0-20

Total 0-100

Interpretación

• >85: GO fuerte. Expansión recomendada con alta confianza.
• 70-85: GO moderado. Factible con monitoreo.
• 50-70: CONSIDERAR. Analizar adversidades.
• <50: NO GO.

Caso Cayco Concretos (ejemplo real)

Evaluaron 5 plazas:

• Querétaro: 95/100 → GO ejecutado, 397% ROI
• Huauchinango: 35/100 → NO GO (correcto, hubiera perdido -15% ROI)
• 3 plazas intermedias: rango 55-75, decisiones según otros factores

Parte 4: Datos y fuentes

Datos INEGI

• Permisos construcción por plaza
• Censo económico
• Población + proyecciones
• PIB estatal y municipal

Datos BANXICO

• Tasas interés (afecta construcción)
• Inflación
• TIIE

Datos SCT/CMIC

• Infraestructura planeada
• Licitaciones
• Proyectos federales

Datos AMCI

• Ventas sector
• Producción regional
• Empresas miembros

Datos propios

• Clientes históricos
• Patrones compra
• Competencia observada en campo

Parte 5: Proceso completo (20-25 días hábiles)

Días 1-3: Setup y kick-off

• Definición plazas candidatas (máx 10)
• Datos iniciales recopilados
• Stakeholders alineados

Días 4-10: Modelado Capa 1-2

• Proyección demanda
• Mapeo oferta
• Validación con AMCI

Días 11-15: Modelado Capa 3-4

• Cálculo saturación
• Identificación oportunidades específicas

Días 16-20: Modelado Capa 5

• Modelo financiero detallado
• Simulaciones Monte Carlo (10K iteraciones)
• Análisis sensibilidad

Días 21-25: Deliverables

• Reporte ejecutivo 100-150 pp
• Presentación consejo 40-50 slides
• Mapas GIS candidatas
• Modelos financieros Excel editables
• Sesión Q&A 2h
• Recomendación final documentada

Parte 6: Entregables típicos

Reporte ejecutivo (100-150 páginas)

• Resumen ejecutivo (2 páginas)
• Metodología (5 páginas)
• Análisis por plaza (15-20 páginas cada una)
• Modelo financiero consolidado
• Roadmap de ejecución
• Riesgos y mitigación

Presentación para consejo (40-50 slides)

• Versión digestible para directivos
• Foco en decisión + financiero
• Visuales de calidad

Modelos Excel editables

• Scoring model transparente
• Financial model modificable
• Simulation model con escenarios

Mapas GIS

• Plazas candidatas con capas
• Competencia mapeada
• Demanda proyectada visual

Parte 7: Casos reales adicionales

Caso 1: Cayco Concretos Querétaro

ROI 397% en 5 años. Score 95/100. Identificó zona específica (El Marqués) antes de boom nearshoring.

Caso 2: Concretera regional Bajío

Evaluó 7 plazas. Descartó 3 "obvias", identificó 2 no-obvias ganadoras. Ahorro decisión errónea: $25M MXN.

Caso 3: AMCI estudio sectorial

Estudio del mercado concreto nacional. Base para planeación estratégica de cámara. Usado por 50+ empresas agremiadas.

Caso 4: Concretera con 15 plantas

Optimización de portfolio existente. Identificó 2 plantas subóptimas para cerrar, 3 para expandir. Mejora NOI 18%.

Parte 8: ROI y justificación inversión

Costo estudio

$195K-$280K MXN por 5-10 plazas analizadas.

ROI

Evita 1 expansión errónea ($10-$50M MXN) = ROI 50-200× del estudio mismo.

Plus identificación de oportunidad correcta = $20-$100M MXN/año adicionales en proyecto exitoso.

Comparación vs alternativas

Vs intuición: 30-40% tasa fracaso vs 10-15% con data science.

Vs estudio tradicional: estudios de mercado "tradicionales" son descriptivos (foto del momento). Data science es predictivo (película 5-10 años).

Vs consultoría generalista: Consultoras grandes cobran 3-8× más por análisis menos específico.

Parte 9: Errores comunes en expansión concreteras

1. Seguir a cliente grande - concentración riesgo
2. Relación sobre análisis - "lo conozco" no sustituye data
3. Sub-capacidad inicial - construir pequeño limita upside
4. Sobre-capacidad - capital muerto si demanda no llega
5. Ignorar logística - distancia a obras mata márgenes
6. No considerar vs nuevos competidores - otros también expanden
7. Optimismo en timeline - permisos + construcción +50% tiempo esperado

Parte 10: Conclusión + cómo empezar

Expansión con data science no reemplaza experiencia: la amplifica. Los mejores equipos combinan intuición de 20+ años con rigor analítico.

Pasos para implementar

1. Diagnóstico inicial gratuito (Teseo, 1 hora)
2. Definir alcance (plazas candidatas, timeline, presupuesto)
3. Ejecutar estudio 20-25 días
4. Decisión informada
5. Implementación con roadmap
6. Monitoreo post-inversión (validación ex-post)

Contacto

Teseo Data Lab ha realizado 40+ estudios de expansión para concreteras en México. Alianza estratégica con AMCI.

Caso Cayco Concretos: 397% ROI con modelo de 5 capas. Replicable para tu empresa.