Data-driven: qué significa realmente tomar decisiones con datos

El gerente comercial de Agencia Publicidad Sur, una empresa de 15 personas en Temuco, presentó en la reunión de directorio un dashboard con 47 métricas. Había tardado dos semanas en construirlo con ayuda de un analista externo. Los directores lo miraron con atención durante unos minutos. Luego, el dueño preguntó: “Todo muy bonito, pero ¿deberíamos abrir la sucursal en Osorno o no?”. Nadie supo responder.

Ese es el problema central de muchas empresas que creen estar siendo data-driven: tienen datos, tienen visualizaciones, pero las decisiones importantes se siguen tomando por intuición, experiencia o quien habla más fuerte en la sala. Los datos decoran la decisión, no la informan.

Qué NO es ser data-driven

Antes de definir qué es, conviene despejar los malentendidos más frecuentes que llevan a empresas a invertir en las cosas equivocadas:

• →No es tener muchos datos: acumular datos sin una estructura de preguntas que guíe qué datos importan es solo acumular ruido. Una empresa con tres métricas bien elegidas y bien medidas es más data-driven que una con 200 KPIs que nadie revisa.
• →No es tener dashboards: un dashboard es una herramienta de visualización, no una cultura de decisión. Si el dashboard existe pero las decisiones se toman igual que antes de que existiera, el dashboard es decorativo.
• →No es contratar un analista de datos: contratar talento analítico sin cambiar los procesos de decisión resulta en un analista que pasa su tiempo haciendo reportes que nadie usa para cambiar nada.
• →No es eliminar la intuición: ser data-driven no significa ignorar la experiencia o el criterio humano. Significa que cuando la intuición y los datos divergen, se investiga por qué antes de decidir, en lugar de descartar los datos automáticamente.

La diferencia entre datos, información y decisiones

Hay una jerarquía importante que pocas empresas distinguen con claridad, y que explica por qué tener muchos datos no equivale a tomar mejores decisiones:

• →Datos: hechos crudos sin contexto. “Este mes se vendieron 340 unidades del producto A”. Por sí solo, este número no dice si es bueno o malo, si hay que hacer algo o no.
• →Información: datos con contexto y relación. “Este mes se vendieron 340 unidades del producto A, que es un 23% menos que el mes anterior y un 15% menos que el mismo período del año pasado”. Ahora hay algo con qué trabajar.
• →Decisión: la acción que resulta del análisis de la información. “La caída en ventas del producto A coincide con el lanzamiento de un competidor. Vamos a revisar el precio y reforzar las llamadas de retención a los clientes que no compraron este mes”. Eso es ser data-driven.

La mayoría de las empresas invierten en producir datos. Las empresas data-driven invierten en convertir datos en información accionable y en asegurarse de que esa información llega a quien puede hacer algo con ella.

El ciclo data-driven completo

Ser data-driven no es un estado que se alcanza: es un ciclo continuo que, cuando funciona bien, se retroalimenta. Los pasos son:

• →Pregunta: la decisión que quiero tomar mejor. “¿Cuál es el segmento de clientes con mayor potencial de crecimiento?”. Sin una pregunta clara, los datos no tienen dirección.
• →Dato: qué información necesito para responder esa pregunta y si la tengo disponible. Si no la tengo, qué necesito medir o capturar.
• →Análisis: convertir los datos en información relevante. No siempre requiere técnicas sofisticadas: a veces un buen filtro en una planilla y una tabla resumen es suficiente.
• →Decisión: la acción concreta que se toma a partir del análisis, documentada y con responsable.
• →Resultado: medir el efecto de la decisión. ¿Funcionó? ¿Por qué o por qué no?
• →Dato nuevo: el resultado de la decisión genera datos nuevos que alimentan la próxima iteración del ciclo.

El ciclo completo convierte cada decisión en aprendizaje organizacional. Con el tiempo, la empresa toma mejores decisiones porque tiene más datos de qué funcionó y qué no.

Los 3 niveles de madurez analítica en pymes

No todas las empresas parten del mismo lugar, y tampoco todas necesitan llegar al mismo nivel. Hay una progresión natural:

• →Nivel 1 — Descriptivo: la empresa puede responder “¿qué pasó?”. Tiene reportes básicos de ventas, gastos y operaciones. Los datos existen pero son históricos y se revisan periódicamente. La mayoría de las pymes chilenas está en este nivel o lo está construyendo.
• →Nivel 2 — Diagnóstico: la empresa puede responder “¿por qué pasó?”. Tiene la capacidad de cruzar fuentes de datos y encontrar causas de los resultados. Por ejemplo, correlacionar la caída de ventas de un producto con el aumento de precio de un competidor o con un problema de stock.
• →Nivel 3 — Predictivo: la empresa puede responder “¿qué va a pasar?”. Usa modelos estadísticos o históricos para anticipar comportamientos: demanda futura, riesgo de churn de clientes, probabilidad de quiebre de stock. Este nivel requiere más volumen de datos y más capacidad analítica.

El error más común es intentar saltar al Nivel 3 sin tener sólido el Nivel 1. Una pyme que quiere implementar modelos predictivos sin tener sus datos básicos bien estructurados y accesibles está construyendo en arena.

Por qué la cultura importa más que las herramientas

La pregunta más frecuente cuando una empresa decide ser más data-driven es “¿qué herramienta compramos?”. Es la pregunta equivocada. La herramienta puede habilitarlo, pero no puede crearlo.

La cultura data-driven se construye con hábitos de gestión: reuniones donde se presentan números antes de opiniones, decisiones documentadas con el dato que las respaldó, líderes que preguntan “¿cómo medimos eso?” cuando alguien propone una iniciativa, y equipos que sienten que sus resultados son visibles y reconocidos.

En Agencia Publicidad Sur, después del episodio del directorio, hicimos algo diferente: en lugar de más dashboards, definimos junto al gerente las 5 preguntas de negocio que el equipo directivo necesitaba responder cada mes. Luego construimos los datos necesarios para responder esas preguntas, y nada más. Tres meses después, el dashboard tenía 8 métricas, no 47. Y la pregunta de la sucursal en Osorno tenía una respuesta respaldada en datos.