La mayoría de las empresas que se autodenominan “basadas en datos” no lo son. Tienen hermosos paneles de control, herramientas pagas y reuniones llenas de gráficos. Pero cuando preguntas qué decisión fue modificada por un dato en la última semana, el silencio responde.
Recopilar datos es fácil. Decidir con datos es un trabajo duro y es donde casi todos los equipos se quedan estancados. El problema rara vez es la falta de información. Es un exceso de números sin criterio, una métrica que nadie sabe explicar y un informe que se convierte en teatro corporativo.
Este artículo está dirigido a aquellos que ya comprenden el concepto y desean una hoja de ruta de ejecución. No voy a vender la idea de que los datos son mágicos. Voy a proponerte una lista de verificación honesta para que puedas salir de las "conjeturas disfrazadas de hoja de cálculo" y construir un sistema de decisiones real.
Por qué tantos equipos no se basan en datos
El error más común es confundir instrumentación con cultura. Instalar un Mixpanel, Amplitude o Google Analytics soluciona la parte técnica. No resuelve la parte que importa: cómo decide el equipo.
Sin criterio, los datos se convierten en munición para defender la opinión que la persona ya tenía. El directivo elige la métrica que confirma su tesis e ignora las demás. Esta no es una decisión basada en datos, es un sesgo con apariencia de rigor.
El segundo error es la métrica de la vanidad. Número de descargas, total de usuarios registrados, me gusta. Siempre suben, lucen bien y no dicen nada sobre la salud del producto. Una app puede tener un millón de registros y estar muriendo, porque al segundo día nadie vuelve.
Estar verdaderamente basado en datos requiere algo incómodo: aceptar que los datos pueden contradecirte. Si su proceso nunca cambia de opinión, no está funcionando.
La lista de verificación para hacer en la práctica
A continuación, el guión que utilizo para que un equipo deje de pensar. Cada elemento es una pregunta que debe responderse antes de seguir adelante.
1. ¿Sabes cuál es la métrica del norte?
Antes de cualquier panel, defina la métrica North Star, el número único que mejor representa el valor entregado al usuario. Para una aplicación de entrega, esto podría ser pedidos completados por semana. Para un SaaS, valore las acciones por cuenta activa.
Si el equipo no puede nombrar esta métrica en una oración, le falta concentración. Hay una hoja de cálculo.
2. ¿Cada decisión importante tiene una hipótesis escrita?
Los datos sin hipótesis son ruido. Antes de medir, escriba: "Creemos que X causará Y, y lo sabremos si la métrica Z se mueve". Esta frase convierte la curiosidad en un experimento.
La ventaja es brutal: cuando llega el resultado, ya has acordado lo que significa. No hay lugar para reinterpretar el número más adelante para salvar el ego de quien propuso la característica.
3. ¿Tus métricas separan la vanidad de la salud?
Para cada métrica de vanidad, exija una métrica de salud junto a ella. ¿Suben las inscripciones? Mire la retención el día 7. ¿El tráfico aumenta? Mira la conversión. La pareja evita que el equipo celebre el número equivocado.
Un marco útil aquí es AARRR (adquisición, activación, retención, ingresos, referencia). Te obliga a mirar todo el embudo, no sólo la entrada.
4. ¿Es confiable la instrumentación?
Los datos incorrectos son peores que la falta de datos, porque generan una confianza falsa. Antes de decidir, valide: ¿los eventos se activan correctamente? ¿Hay duplicación? ¿La zona horaria es correcta? En los productos brasileños, especial atención a las pruebas ambientales versus la producción que contamina las métricas.
Reserve tiempo para la auditoría de seguimiento. Los equipos maduros tratan la canalización de datos con el mismo cuidado con el que tratan el código de pago.
5. ¿Existe un ritual de decisión, no sólo un informe?
Cumplir con métricas que solo presentan números es un desperdicio. El ritual debe terminar con una decisión: continuar, ajustarse o matar. Todo análisis responde a la pregunta “y ahora, ¿qué cambiamos?”.
6. ¿Los datos cumplen con la LGPD?
En Brasil, estar basado en datos sin gobernanza es un riesgo legal. Recoger el mínimo necesario, definir la base jurídica, anonimizar cuando sea posible y documentar. La privacidad no es un obstáculo para la analítica, es la condición para realizarla de forma sostenible.
7. ¿A quién pertenece cada métrica?
Una métrica sin dueño es una métrica huérfana: todos la miran, nadie responde por ella. Para cada indicador relevante, definir una persona responsable de explicarlo, defenderlo y actuar cuando cambie. Esto pone fin a la clásica escena del encuentro donde un número cayó y nadie sabe por qué.
La propiedad también resuelve el problema de definición. Las métricas parecen objetivas, pero "usuario activo" podría significar diez cosas diferentes en diez cabezas. Tener un propietario obliga a una definición única y documentada, y pone fin a la eterna discusión sobre de dónde vino ese número.
8. ¿Puede el equipo contar la historia detrás del número?
Los datos aislados no convencen a nadie y no guían la acción. Lo que mueve a una organización es la narrativa: qué pasó, por qué pasó y qué vamos a hacer al respecto. Un buen equipo de producto no presenta gráficos, presenta historias basadas en datos.
Esto significa que todo análisis relevante debe encajar en tres oraciones: qué cambió, cuál es la causa probable y cuál es la decisión propuesta. Si el análisis no llega a una decisión, se ha detenido a mitad del camino. Esta es la prueba final de la lista de verificación: ¿los datos se convirtieron en acción o en una diapositiva?
Dónde suele salir mal
El mayor riesgo no es técnico, es cultural. Los equipos adoptan el lenguaje de los datos sin cambiar el comportamiento. Siguen decidiendo por jerarquía, gana el que ocupa el puesto más alto y utilizan los datos sólo como barniz.
Otro riesgo es la parálisis del análisis. En su deseo de estar absolutamente seguros, el equipo mide todo, espera más datos y nunca decide. Pero el producto está hecho de decisiones bajo incertidumbre. Los datos reducen el riesgo; no lo elimina. En algún momento, hay que tener el coraje de actuar con un 70% de confianza.
También existe la trampa de la optimización local. Mejoras una métrica aislada y empeoras el sistema. Aumenta la conversión de registros con trucos agresivos y destruye la retención porque atrajo al usuario equivocado. Por eso existe North Star: para vincular las decisiones a un mayor valor.
Y está el problema del volumen. Las pequeñas empresas y la mayoría de los productos gubernamentales no tienen tráfico para realizar pruebas estadísticamente significativas. Insistir en pruebas A/B donde no hay masa de usuarios es una posición de culto. En estos casos, la investigación cualitativa, las entrevistas y la observación valen más que cualquier panel.
Los datos son un medio, el juicio es un fin
El mejor producto no es el más instrumentado. Es aquel cuyo equipo ha desarrollado buen juicio y utiliza datos para perfeccionarlo, no para reemplazarlo.
Estar basado en datos maduros significa saber cuándo los datos deciden y cuándo solo informan una decisión que sigue siendo humana. Quien externaliza todo su juicio a los números pierde la capacidad de innovar, porque los datos sólo hablan de lo que ya existe. El salto proviene de la visión.
La lista de verificación anterior no lo obliga a basarse en datos. Él te da disciplina. La cultura surge del hábito repetido de convertir una pregunta en una hipótesis, una hipótesis en una medición y una medición en una decisión, sin temor a descubrir que estaba equivocado.
Si su organización está llena de paneles y tiene pocas decisiones, quizás el problema no sea la herramienta, sino el proceso detrás de ella. Vale la pena revisar cómo decide su equipo antes de comprar otra licencia de análisis. Hay otros textos aquí sobre productos y métricas que hablan de este, y la conversación permanece abierta a cualquiera que quiera intercambiar ideas.