Por qué 21.037 formas de escribir una medida son solo 5.168 llantas

Si le pide a la DIAN los registros de importación de llantas de los últimos cuatro años, recibe algo perfectamente inútil: cuatrocientas mil líneas donde la descripción de la mercancía es un campo de texto libre. No hay columna de medida, ni de marca, ni de referencia. Hay una frase escrita a mano por el declarante, y son miles de declarantes distintos a lo largo de cuatro años.

Estas cuatro descripciones son la misma llanta:

• LLANTA 295/80R22.5
• LLANTAS 295 80 R 22.5 RADIAL
• NEUMATICO 29580225
• LLANTA RADIAL 295/80/22,5 P/CAMION

Para un computador son cuatro productos distintos. Si no se resuelve eso, no se puede sumar nada: ni cuántas unidades de esa medida entraron al país, ni cuánto se pagó por ellas en promedio, ni si su precio está por encima o por debajo del mercado.

Cuántas formas hay, en la práctica

En el archivo actual —428.181 líneas entre octubre de 2022 y junio de 2026— hay 21.037 cadenas distintas en el lugar donde debería estar la medida. Cuando se normalizan, quedan 5.168 medidas reales.

Es decir: por cada medida que de verdad existe en el mercado, hay en promedio cuatro maneras de escribirla circulando en las declaraciones. Y no se distribuyen parejo — las medidas más comunes son las que más variantes tienen, justamente porque las escribe más gente.

Lo que hace difícil el problema

Las diferencias de separador y de espacios son la parte fácil. Lo que cuesta es todo lo demás:

Los formatos no son uno solo. Una llanta de camión se escribe 295/80R22.5. Una de carga puede venir como 11R22.5. Una agrícola como 18.4-30. Una de moto como 90/90-18. Son sistemas de medida distintos y hay que reconocer cuál es cuál antes de poder interpretar los números.

La medida viene mezclada con otras cosas. En la misma frase van la marca, la referencia comercial, el índice de carga, el índice de velocidad, el número de lonas y a veces el uso. Todo junto, sin orden fijo.

Radial y diagonal no son la misma llanta. 295/80R22.5 y 295/80-22.5 se parecen a la vista y se diferencian en un carácter, pero son construcciones distintas, se usan para cosas distintas y cuestan distinto. No se unifican, aunque unificarlas dejaría el conteo más limpio.

La referencia viene partida de formas distintas. AT3WXL y AT3W XL son la misma referencia. Al normalizar recuperamos 27 grupos que el texto crudo tenía separados. Y una de cada cinco referencias trae la medida metida dentro, así que hay que quitársela para poder agrupar.

Por qué esto es el producto

Los registros de la DIAN son públicos. Cualquiera los puede pedir y muchos lo hacen. Lo que casi nadie hace es esto, porque no es interesante y no se termina nunca: cada lote nuevo trae formas de escribir que no se habían visto.

Pero sin esta parte, todo lo demás es imposible. No se puede decir qué medidas están creciendo si no se sabe cuáles son la misma. No se puede comparar el precio de dos empresas si sus productos no se pueden emparejar. No se puede calcular un flete por ruta si las líneas no se pueden agrupar.

El activo no son los datos. Los datos son públicos. El activo es la base limpia.

Y cuando no alcanza, lo decimos

La normalización no resuelve todo. Hay líneas donde la descripción es tan pobre que no se puede sacar una medida, y hay declaraciones que agrupan varias referencias en un solo renglón, de modo que el precio unitario de cada una es imposible de saber.

En esos casos el panel no estima. Deja el dato vacío y lo dice. Repartir un valor proporcionalmente entre referencias y presentarlo como si fuera una medición es la forma más fácil de que un panel se vea completo y sea mentira.

La cobertura viaja siempre junto a la cifra: cuando ve «FOB visible: 91,0%», está viendo exactamente qué proporción del mercado sostiene ese número.