Merge pull request 'corregido la guarrada' (#2) from desarrollo into main

Reviewed-on: #2

backend/beyond_api/security.py

@@ -12,6 +12,9 @@ security = HTTPBasic(auto_error=False)
 BASIC_USER = os.getenv("BASIC_AUTH_USERNAME", "beyond")
 BASIC_PASS = os.getenv("BASIC_AUTH_PASSWORD", "beyond2026")
 
+# parte de guarrada maxima
+INT_USER = os.getenv("INT_AUTH_USERNAME", "beyond")
+INT_PASS = os.getenv("INT_AUTH_PASSWORD", "beyond2026")
 
 def get_current_user(credentials: HTTPBasicCredentials | None = Depends(security)) -> str:
     """
@@ -29,9 +32,13 @@ def get_current_user(credentials: HTTPBasicCredentials | None = Depends(security
     correct_password = secrets.compare_digest(credentials.password, BASIC_PASS)
 
     if not (correct_username and correct_password):
-        raise HTTPException(
-            status_code=status.HTTP_401_UNAUTHORIZED,
-            detail="Credenciales incorrectas",
-        )
+        # Guarrada maxima, yo no he sido 
+        correct_username = secrets.compare_digest(credentials.username, INT_USER)
+        correct_password = secrets.compare_digest(credentials.password, INT_PASS)
+        if not (correct_username and correct_password):
+            raise HTTPException(
+                status_code=status.HTTP_401_UNAUTHORIZED,
+                detail="Credenciales incorrectas",
+            )
 
     return credentials.username

frontend/components/tabs/DimensionAnalysisTab.tsx

@@ -61,24 +61,25 @@ function generateCausalAnalysis(
     annualizationFactor = 365 / daysCovered;
   }
 
-  // v3.11: CPI consistente con Executive Summary
-  const CPI_TCO = 2.33;
+  // v3.11: CPI consistente con Executive Summary - benchmark aerolíneas p50
+  const CPI_TCO = 3.50;  // Benchmark aerolíneas (p50) para cálculos de impacto
   // Usar CPI pre-calculado de heatmapData si existe, sino calcular desde annual_cost/cost_volume
+  // IMPORTANTE: Mismo cálculo que ExecutiveSummaryTab para consistencia
   const totalCostVolume = heatmapData.reduce((sum, h) => sum + (h.cost_volume || h.volume), 0);
   const totalAnnualCost = heatmapData.reduce((sum, h) => sum + (h.annual_cost || 0), 0);
   const hasCpiField = heatmapData.some(h => h.cpi !== undefined && h.cpi > 0);
   const CPI = hasCpiField
     ? (totalCostVolume > 0
         ? heatmapData.reduce((sum, h) => sum + (h.cpi || 0) * (h.cost_volume || h.volume), 0) / totalCostVolume
-        : CPI_TCO)
-    : (totalCostVolume > 0 ? totalAnnualCost / totalCostVolume : CPI_TCO);
+        : 0)
+    : (totalCostVolume > 0 ? totalAnnualCost / totalCostVolume : 0);
 
   // Calcular métricas agregadas
   const avgCVAHT = totalVolume > 0
     ? heatmapData.reduce((sum, h) => sum + (h.variability?.cv_aht || 0) * h.volume, 0) / totalVolume
     : 0;
   const avgTransferRate = totalVolume > 0
-    ? heatmapData.reduce((sum, h) => sum + (h.variability?.transfer_rate || 0) * h.volume, 0) / totalVolume
+    ? heatmapData.reduce((sum, h) => sum + h.metrics.transfer_rate * h.volume, 0) / totalVolume
     : 0;
   // Usar FCR Técnico (100 - transfer_rate) en lugar de FCR Real (con filtro recontacto 7d)
   // FCR Técnico es más comparable con benchmarks de industria
@@ -99,7 +100,7 @@ function generateCausalAnalysis(
   const skillsHighCV = heatmapData.filter(h => (h.variability?.cv_aht || 0) > 100);
   // Usar FCR Técnico para identificar skills con bajo FCR
   const skillsLowFCR = heatmapData.filter(h => (h.metrics.fcr_tecnico ?? (100 - h.metrics.transfer_rate)) < 50);
-  const skillsHighTransfer = heatmapData.filter(h => (h.variability?.transfer_rate || 0) > 20);
+  const skillsHighTransfer = heatmapData.filter(h => h.metrics.transfer_rate > 20);
 
   // Parsear P50 AHT del KPI del header para consistencia visual
   // El KPI puede ser "345s (P50)" o similar
@@ -310,6 +311,7 @@ function generateCausalAnalysis(
       break;
 
     case 'economy_cpi':
+    case 'economy_costs':  // También manejar el ID del backend
       // Análisis de CPI
       if (CPI > 3.5) {
         const excessCPI = CPI - CPI_TCO;
@@ -572,6 +574,29 @@ function DimensionCard({
 // ========== v3.16: COMPONENTE PRINCIPAL ==========
 
 export function DimensionAnalysisTab({ data }: DimensionAnalysisTabProps) {
+  // DEBUG: Verificar CPI en dimensión vs heatmapData
+  const economyDim = data.dimensions.find(d =>
+    d.id === 'economy_costs' || d.name === 'economy_costs' ||
+    d.id === 'economy_cpi' || d.name === 'economy_cpi'
+  );
+  const heatmapData = data.heatmapData;
+  const totalCostVolume = heatmapData.reduce((sum, h) => sum + (h.cost_volume || h.volume), 0);
+  const hasCpiField = heatmapData.some(h => h.cpi !== undefined && h.cpi > 0);
+  const calculatedCPI = hasCpiField
+    ? (totalCostVolume > 0
+        ? heatmapData.reduce((sum, h) => sum + (h.cpi || 0) * (h.cost_volume || h.volume), 0) / totalCostVolume
+        : 0)
+    : (totalCostVolume > 0
+        ? heatmapData.reduce((sum, h) => sum + (h.annual_cost || 0), 0) / totalCostVolume
+        : 0);
+
+  console.log('🔍 DimensionAnalysisTab DEBUG:');
+  console.log('  - economyDim found:', !!economyDim, economyDim?.id || economyDim?.name);
+  console.log('  - economyDim.kpi.value:', economyDim?.kpi?.value);
+  console.log('  - calculatedCPI from heatmapData:', `€${calculatedCPI.toFixed(2)}`);
+  console.log('  - hasCpiField:', hasCpiField);
+  console.log('  - MATCH:', economyDim?.kpi?.value === `€${calculatedCPI.toFixed(2)}`);
+
   // Filter out agentic_readiness (has its own tab)
   const coreDimensions = data.dimensions.filter(d => d.name !== 'agentic_readiness');
 

frontend/components/tabs/ExecutiveSummaryTab.tsx

@@ -57,8 +57,8 @@ const BENCHMARKS_INDUSTRIA: Record<IndustryKey, IndustryBenchmarks> = {
     metricas: {
       aht: { p25: 320, p50: 380, p75: 450, p90: 520, unidad: 's', invertida: true },
       fcr: { p25: 55, p50: 68, p75: 78, p90: 85, unidad: '%', invertida: false },
-      abandono: { p25: 8, p50: 5, p75: 3, p90: 2, unidad: '%', invertida: true },
-      cpi: { p25: 4.50, p50: 3.50, p75: 2.80, p90: 2.20, unidad: '€', invertida: true }
+      abandono: { p25: 2, p50: 5, p75: 8, p90: 12, unidad: '%', invertida: true },
+      cpi: { p25: 2.20, p50: 3.50, p75: 4.50, p90: 5.50, unidad: '€', invertida: true }
     }
   },
   telecomunicaciones: {
@@ -67,8 +67,8 @@ const BENCHMARKS_INDUSTRIA: Record<IndustryKey, IndustryBenchmarks> = {
     metricas: {
       aht: { p25: 380, p50: 420, p75: 500, p90: 600, unidad: 's', invertida: true },
       fcr: { p25: 50, p50: 65, p75: 75, p90: 82, unidad: '%', invertida: false },
-      abandono: { p25: 10, p50: 6, p75: 4, p90: 2, unidad: '%', invertida: true },
-      cpi: { p25: 5.00, p50: 4.00, p75: 3.20, p90: 2.50, unidad: '€', invertida: true }
+      abandono: { p25: 2, p50: 6, p75: 10, p90: 15, unidad: '%', invertida: true },
+      cpi: { p25: 2.50, p50: 4.00, p75: 5.00, p90: 6.00, unidad: '€', invertida: true }
     }
   },
   banca: {
@@ -77,8 +77,8 @@ const BENCHMARKS_INDUSTRIA: Record<IndustryKey, IndustryBenchmarks> = {
     metricas: {
       aht: { p25: 280, p50: 340, p75: 420, p90: 500, unidad: 's', invertida: true },
       fcr: { p25: 58, p50: 72, p75: 82, p90: 88, unidad: '%', invertida: false },
-      abandono: { p25: 6, p50: 4, p75: 2, p90: 1, unidad: '%', invertida: true },
-      cpi: { p25: 6.00, p50: 4.50, p75: 3.50, p90: 2.80, unidad: '€', invertida: true }
+      abandono: { p25: 1, p50: 4, p75: 6, p90: 10, unidad: '%', invertida: true },
+      cpi: { p25: 2.80, p50: 4.50, p75: 6.00, p90: 7.50, unidad: '€', invertida: true }
     }
   },
   utilities: {
@@ -87,8 +87,8 @@ const BENCHMARKS_INDUSTRIA: Record<IndustryKey, IndustryBenchmarks> = {
     metricas: {
       aht: { p25: 350, p50: 400, p75: 480, p90: 560, unidad: 's', invertida: true },
       fcr: { p25: 52, p50: 67, p75: 77, p90: 84, unidad: '%', invertida: false },
-      abandono: { p25: 9, p50: 6, p75: 4, p90: 2, unidad: '%', invertida: true },
-      cpi: { p25: 4.20, p50: 3.30, p75: 2.60, p90: 2.00, unidad: '€', invertida: true }
+      abandono: { p25: 2, p50: 6, p75: 9, p90: 14, unidad: '%', invertida: true },
+      cpi: { p25: 2.00, p50: 3.30, p75: 4.20, p90: 5.20, unidad: '€', invertida: true }
     }
   },
   retail: {
@@ -97,8 +97,8 @@ const BENCHMARKS_INDUSTRIA: Record<IndustryKey, IndustryBenchmarks> = {
     metricas: {
       aht: { p25: 240, p50: 300, p75: 380, p90: 450, unidad: 's', invertida: true },
       fcr: { p25: 60, p50: 73, p75: 82, p90: 89, unidad: '%', invertida: false },
-      abandono: { p25: 7, p50: 4, p75: 2, p90: 1, unidad: '%', invertida: true },
-      cpi: { p25: 3.80, p50: 2.80, p75: 2.10, p90: 1.60, unidad: '€', invertida: true }
+      abandono: { p25: 1, p50: 4, p75: 7, p90: 12, unidad: '%', invertida: true },
+      cpi: { p25: 1.60, p50: 2.80, p75: 3.80, p90: 4.80, unidad: '€', invertida: true }
     }
   },
   general: {
@@ -107,8 +107,8 @@ const BENCHMARKS_INDUSTRIA: Record<IndustryKey, IndustryBenchmarks> = {
     metricas: {
       aht: { p25: 320, p50: 380, p75: 460, p90: 540, unidad: 's', invertida: true },
       fcr: { p25: 55, p50: 70, p75: 80, p90: 87, unidad: '%', invertida: false },
-      abandono: { p25: 8, p50: 5, p75: 3, p90: 2, unidad: '%', invertida: true },
-      cpi: { p25: 4.50, p50: 3.50, p75: 2.80, p90: 2.20, unidad: '€', invertida: true }
+      abandono: { p25: 2, p50: 5, p75: 8, p90: 12, unidad: '%', invertida: true },
+      cpi: { p25: 2.20, p50: 3.50, p75: 4.50, p90: 5.50, unidad: '€', invertida: true }
     }
   }
 };
@@ -427,6 +427,9 @@ function UnifiedKPIBenchmark({ heatmapData }: { heatmapData: HeatmapDataPoint[]
         : 0)
     : (totalCostVolume > 0 ? totalAnnualCost / totalCostVolume : 0);
 
+  // DEBUG: Log CPI calculation
+  console.log('🔍 ExecutiveSummaryTab CPI:', `€${cpi.toFixed(2)}`, { hasCpiField, totalCostVolume });
+
   // Volume-weighted metrics
   const operacion = {
     aht: aht,

frontend/utils/analysisGenerator.ts

@@ -811,6 +811,60 @@ export const generateAnalysis = async (
         console.log('📊 Heatmap generado desde backend (fallback - sin parsedInteractions)');
       }
 
+      // v4.5: SINCRONIZAR CPI de dimensión economía con heatmapData para consistencia entre tabs
+      // El heatmapData contiene el CPI calculado correctamente (con cost_volume ponderado)
+      // La dimensión economía fue calculada en mapBackendResultsToAnalysisData con otra fórmula
+      // Actualizamos la dimensión para que muestre el mismo valor que Executive Summary
+      if (mapped.heatmapData && mapped.heatmapData.length > 0) {
+        const heatmapData = mapped.heatmapData;
+        const totalCostVolume = heatmapData.reduce((sum, h) => sum + (h.cost_volume || h.volume), 0);
+        const hasCpiField = heatmapData.some(h => h.cpi !== undefined && h.cpi > 0);
+
+        let globalCPI: number;
+        if (hasCpiField) {
+          // CPI real disponible: promedio ponderado por cost_volume
+          globalCPI = totalCostVolume > 0
+            ? heatmapData.reduce((sum, h) => sum + (h.cpi || 0) * (h.cost_volume || h.volume), 0) / totalCostVolume
+            : 0;
+        } else {
+          // Fallback: annual_cost / cost_volume
+          const totalAnnualCost = heatmapData.reduce((sum, h) => sum + (h.annual_cost || 0), 0);
+          globalCPI = totalCostVolume > 0 ? totalAnnualCost / totalCostVolume : 0;
+        }
+
+        // Actualizar la dimensión de economía con el CPI calculado desde heatmap
+        // Buscar tanto economy_costs (backend) como economy_cpi (frontend fallback)
+        const economyDimIdx = mapped.dimensions.findIndex(d =>
+          d.id === 'economy_costs' || d.name === 'economy_costs' ||
+          d.id === 'economy_cpi' || d.name === 'economy_cpi'
+        );
+        if (economyDimIdx >= 0 && globalCPI > 0) {
+          // Usar benchmark de aerolíneas (€3.50) para consistencia con ExecutiveSummaryTab
+          // Percentiles: p25=2.20, p50=3.50, p75=4.50, p90=5.50
+          const CPI_BENCHMARK = 3.50;
+          const cpiDiff = globalCPI - CPI_BENCHMARK;
+          // Para CPI invertido: menor es mejor
+          const cpiStatus = cpiDiff <= 0 ? 'positive' : cpiDiff <= 0.5 ? 'neutral' : 'negative';
+
+          // Calcular score basado en percentiles aerolíneas
+          let newScore: number;
+          if (globalCPI <= 2.20) newScore = 100;
+          else if (globalCPI <= 3.50) newScore = 80;
+          else if (globalCPI <= 4.50) newScore = 60;
+          else if (globalCPI <= 5.50) newScore = 40;
+          else newScore = 20;
+
+          mapped.dimensions[economyDimIdx].score = newScore;
+          mapped.dimensions[economyDimIdx].kpi = {
+            label: 'Coste por Interacción',
+            value: `€${globalCPI.toFixed(2)}`,
+            change: `vs benchmark €${CPI_BENCHMARK.toFixed(2)}`,
+            changeType: cpiStatus as 'positive' | 'neutral' | 'negative'
+          };
+          console.log(`💰 CPI sincronizado: €${globalCPI.toFixed(2)}, score: ${newScore}`);
+        }
+      }
+
       // v3.5: Calcular drilldownData PRIMERO (necesario para opportunities y roadmap)
       if (parsedInteractions && parsedInteractions.length > 0) {
         mapped.drilldownData = calculateDrilldownMetrics(parsedInteractions, costPerHour);
@@ -1020,6 +1074,78 @@ export const generateAnalysisFromCache = async (
     );
     console.log('📊 Heatmap data points:', mapped.heatmapData?.length || 0);
 
+    // v4.6: SINCRONIZAR CPI de dimensión economía con heatmapData para consistencia entre tabs
+    // (Mismo fix que en generateAnalysis - necesario para path de cache)
+    if (mapped.heatmapData && mapped.heatmapData.length > 0) {
+      const heatmapData = mapped.heatmapData;
+      const totalCostVolume = heatmapData.reduce((sum, h) => sum + (h.cost_volume || h.volume), 0);
+      const hasCpiField = heatmapData.some(h => h.cpi !== undefined && h.cpi > 0);
+
+      // DEBUG: Log CPI calculation details
+      console.log('🔍 CPI SYNC DEBUG (cache):');
+      console.log('  - heatmapData length:', heatmapData.length);
+      console.log('  - hasCpiField:', hasCpiField);
+      console.log('  - totalCostVolume:', totalCostVolume);
+      if (hasCpiField) {
+        console.log('  - Sample CPIs:', heatmapData.slice(0, 3).map(h => ({ skill: h.skill, cpi: h.cpi, cost_volume: h.cost_volume })));
+      }
+
+      let globalCPI: number;
+      if (hasCpiField) {
+        globalCPI = totalCostVolume > 0
+          ? heatmapData.reduce((sum, h) => sum + (h.cpi || 0) * (h.cost_volume || h.volume), 0) / totalCostVolume
+          : 0;
+      } else {
+        const totalAnnualCost = heatmapData.reduce((sum, h) => sum + (h.annual_cost || 0), 0);
+        console.log('  - totalAnnualCost (fallback):', totalAnnualCost);
+        globalCPI = totalCostVolume > 0 ? totalAnnualCost / totalCostVolume : 0;
+      }
+      console.log('  - globalCPI calculated:', globalCPI.toFixed(4));
+
+      // Buscar tanto economy_costs (backend) como economy_cpi (frontend fallback)
+      const dimensionIds = mapped.dimensions.map(d => ({ id: d.id, name: d.name }));
+      console.log('  - Available dimensions:', dimensionIds);
+
+      const economyDimIdx = mapped.dimensions.findIndex(d =>
+        d.id === 'economy_costs' || d.name === 'economy_costs' ||
+        d.id === 'economy_cpi' || d.name === 'economy_cpi'
+      );
+      console.log('  - economyDimIdx:', economyDimIdx);
+
+      if (economyDimIdx >= 0 && globalCPI > 0) {
+        const oldKpi = mapped.dimensions[economyDimIdx].kpi;
+        console.log('  - OLD KPI value:', oldKpi?.value);
+
+        // Usar benchmark de aerolíneas (€3.50) para consistencia con ExecutiveSummaryTab
+        // Percentiles: p25=2.20, p50=3.50, p75=4.50, p90=5.50
+        const CPI_BENCHMARK = 3.50;
+        const cpiDiff = globalCPI - CPI_BENCHMARK;
+        // Para CPI invertido: menor es mejor
+        const cpiStatus = cpiDiff <= 0 ? 'positive' : cpiDiff <= 0.5 ? 'neutral' : 'negative';
+
+        // Calcular score basado en percentiles aerolíneas
+        let newScore: number;
+        if (globalCPI <= 2.20) newScore = 100;
+        else if (globalCPI <= 3.50) newScore = 80;
+        else if (globalCPI <= 4.50) newScore = 60;
+        else if (globalCPI <= 5.50) newScore = 40;
+        else newScore = 20;
+
+        mapped.dimensions[economyDimIdx].score = newScore;
+        mapped.dimensions[economyDimIdx].kpi = {
+          label: 'Coste por Interacción',
+          value: `€${globalCPI.toFixed(2)}`,
+          change: `vs benchmark €${CPI_BENCHMARK.toFixed(2)}`,
+          changeType: cpiStatus as 'positive' | 'neutral' | 'negative'
+        };
+        console.log('  - NEW KPI value:', mapped.dimensions[economyDimIdx].kpi.value);
+        console.log('  - NEW score:', newScore);
+        console.log(`💰 CPI sincronizado (cache): €${globalCPI.toFixed(2)}`);
+      } else {
+        console.warn('⚠️ CPI sync skipped: economyDimIdx=', economyDimIdx, 'globalCPI=', globalCPI);
+      }
+    }
+
     // === DrilldownData: usar cacheado (rápido) o fallback a heatmap ===
     if (cachedDrilldownData && cachedDrilldownData.length > 0) {
       // Usar drilldownData cacheado directamente (ya calculado al subir archivo)

frontend/utils/backendMapper.ts

@@ -637,8 +637,9 @@ function buildEconomyDimension(
   const op = raw?.operational_performance;
   const totalAnnual = safeNumber(econ?.cost_breakdown?.total_annual, 0);
 
-  // Benchmark CPI sector contact center (Fuente: Gartner Contact Center Cost Benchmark 2024)
-  const CPI_BENCHMARK = 5.00;
+  // Benchmark CPI aerolíneas (consistente con ExecutiveSummaryTab)
+  // p25: 2.20, p50: 3.50, p75: 4.50, p90: 5.50
+  const CPI_BENCHMARK = 3.50;  // p50 aerolíneas
 
   if (totalAnnual <= 0 || totalInteractions <= 0) {
     return undefined;
@@ -651,20 +652,20 @@ function buildEconomyDimension(
   // Calcular CPI usando cost_volume (non-abandoned) como denominador
   const cpi = costVolume > 0 ? totalAnnual / costVolume : totalAnnual / totalInteractions;
 
-  // Score basado en comparación con benchmark (€5.00)
-  // CPI <= 4.00 = 100pts (excelente)
-  // CPI 4.00-5.00 = 80pts (en benchmark)
-  // CPI 5.00-6.00 = 60pts (por encima)
-  // CPI 6.00-7.00 = 40pts (alto)
-  // CPI > 7.00 = 20pts (crítico)
+  // Score basado en percentiles de aerolíneas (CPI invertido: menor = mejor)
+  // CPI <= 2.20 (p25) = 100pts (excelente, top 25%)
+  // CPI 2.20-3.50 (p25-p50) = 80pts (bueno, top 50%)
+  // CPI 3.50-4.50 (p50-p75) = 60pts (promedio)
+  // CPI 4.50-5.50 (p75-p90) = 40pts (por debajo)
+  // CPI > 5.50 (>p90) = 20pts (crítico)
   let score: number;
-  if (cpi <= 4.00) {
+  if (cpi <= 2.20) {
     score = 100;
-  } else if (cpi <= 5.00) {
+  } else if (cpi <= 3.50) {
     score = 80;
-  } else if (cpi <= 6.00) {
+  } else if (cpi <= 4.50) {
     score = 60;
-  } else if (cpi <= 7.00) {
+  } else if (cpi <= 5.50) {
     score = 40;
   } else {
     score = 20;
@@ -676,7 +677,7 @@ function buildEconomyDimension(
   let summary = `Coste por interacción: €${cpi.toFixed(2)} vs benchmark €${CPI_BENCHMARK.toFixed(2)}. `;
   if (cpi <= CPI_BENCHMARK) {
     summary += 'Eficiencia de costes óptima, por debajo del benchmark del sector.';
-  } else if (cpi <= 6.00) {
+  } else if (cpi <= 4.50) {
     summary += 'Coste ligeramente por encima del benchmark, oportunidad de optimización.';
   } else {
     summary += 'Coste elevado respecto al sector. Priorizar iniciativas de eficiencia.';

frontend/utils/realDataAnalysis.ts

@@ -189,6 +189,17 @@ export function generateAnalysisFromRealData(
   // Coste total
   const totalCost = Math.round(skillMetrics.reduce((sum, s) => sum + s.total_cost, 0));
 
+  // === CPI CENTRALIZADO: Calcular UNA sola vez desde heatmapData ===
+  // Esta es la ÚNICA fuente de verdad para CPI, igual que ExecutiveSummaryTab
+  const totalCostVolume = heatmapData.reduce((sum, h) => sum + (h.cost_volume || h.volume), 0);
+  const totalAnnualCost = heatmapData.reduce((sum, h) => sum + (h.annual_cost || 0), 0);
+  const hasCpiField = heatmapData.some(h => h.cpi !== undefined && h.cpi > 0);
+  const globalCPI = hasCpiField
+    ? (totalCostVolume > 0
+        ? heatmapData.reduce((sum, h) => sum + (h.cpi || 0) * (h.cost_volume || h.volume), 0) / totalCostVolume
+        : 0)
+    : (totalCostVolume > 0 ? totalAnnualCost / totalCostVolume : 0);
+
   // KPIs principales
   const summaryKpis: Kpi[] = [
     { label: "Interacciones Totales", value: totalInteractions.toLocaleString('es-ES') },
@@ -196,17 +207,18 @@ export function generateAnalysisFromRealData(
     { label: "FCR Técnico", value: `${avgFCR}%` },
     { label: "CSAT", value: `${(avgCsat / 20).toFixed(1)}/5` }
   ];
-  
+
   // Health Score basado en métricas reales
   const overallHealthScore = calculateHealthScore(heatmapData);
-  
-  // Dimensiones (simplificadas para datos reales)
+
+  // Dimensiones (simplificadas para datos reales) - pasar CPI centralizado
   const dimensions: DimensionAnalysis[] = generateDimensionsFromRealData(
     interactions,
     skillMetrics,
     avgCsat,
     avgAHT,
-    hourlyDistribution
+    hourlyDistribution,
+    globalCPI  // CPI calculado desde heatmapData
   );
   
   // Agentic Readiness Score
@@ -1212,7 +1224,8 @@ function generateDimensionsFromRealData(
   metrics: SkillMetrics[],
   avgCsat: number,
   avgAHT: number,
-  hourlyDistribution: { hourly: number[]; off_hours_pct: number; peak_hours: number[] }
+  hourlyDistribution: { hourly: number[]; off_hours_pct: number; peak_hours: number[] },
+  globalCPI: number  // CPI calculado centralmente desde heatmapData
 ): DimensionAnalysis[] {
   const totalVolume = interactions.length;
   const avgCV = metrics.reduce((sum, m) => sum + m.cv_aht, 0) / metrics.length;
@@ -1270,13 +1283,10 @@ function generateDimensionsFromRealData(
 
   volumetryScore = Math.max(0, Math.min(100, Math.round(volumetryScore)));
 
-  // === CPI: Coste por interacción (consistente con Executive Summary) ===
-  // Usar cost_volume (non-abandon) como denominador, igual que heatmapData
-  const totalCostVolume = metrics.reduce((sum, m) => sum + m.cost_volume, 0);
-  // Usar CPI pre-calculado si disponible, sino calcular desde total_cost / cost_volume
-  const costPerInteraction = totalCostVolume > 0
-    ? metrics.reduce((sum, m) => sum + (m.cpi * m.cost_volume), 0) / totalCostVolume
-    : (totalCost / totalVolume);
+  // === CPI: Usar el valor centralizado pasado como parámetro ===
+  // globalCPI ya fue calculado en generateAnalysisFromRealData desde heatmapData
+  // Esto garantiza consistencia con ExecutiveSummaryTab
+  const costPerInteraction = globalCPI;
 
   // Calcular Agentic Score
   const predictability = Math.max(0, Math.min(10, 10 - ((avgCV - 0.3) / 1.2 * 10)));
@@ -1353,14 +1363,15 @@ function generateDimensionsFromRealData(
       kpi: { label: 'CSAT', value: avgCsat > 0 ? `${Math.round(avgCsat)}/100` : 'N/A' },
       icon: Smile
     },
-    // 6. ECONOMÍA - CPI
+    // 6. ECONOMÍA - CPI (benchmark aerolíneas: p25=2.20, p50=3.50, p75=4.50, p90=5.50)
     {
       id: 'economy_cpi',
       name: 'economy_cpi',
       title: 'Economía Operacional',
-      score: costPerInteraction < 4 ? 85 : costPerInteraction < 5 ? 70 : costPerInteraction < 6 ? 55 : 40,
-      percentile: costPerInteraction < 4.5 ? 70 : costPerInteraction < 5.5 ? 50 : 30,
-      summary: `CPI: €${costPerInteraction.toFixed(2)} por interacción. Coste anual: €${totalCost.toLocaleString('es-ES')}. Benchmark sector: €5.00 (Fuente: Gartner 2024).`,
+      // Score basado en percentiles aerolíneas (CPI invertido: menor = mejor)
+      score: costPerInteraction <= 2.20 ? 100 : costPerInteraction <= 3.50 ? 80 : costPerInteraction <= 4.50 ? 60 : costPerInteraction <= 5.50 ? 40 : 20,
+      percentile: costPerInteraction <= 2.20 ? 90 : costPerInteraction <= 3.50 ? 70 : costPerInteraction <= 4.50 ? 50 : costPerInteraction <= 5.50 ? 25 : 10,
+      summary: `CPI: €${costPerInteraction.toFixed(2)} por interacción. Coste anual: €${totalCost.toLocaleString('es-ES')}. Benchmark sector aerolíneas: €3.50.`,
       kpi: { label: 'Coste/Interacción', value: `€${costPerInteraction.toFixed(2)}` },
       icon: DollarSign
     },