{"id":10680,"date":"2025-07-18T08:00:00","date_gmt":"2025-07-18T11:00:00","guid":{"rendered":"https:\/\/capabilitybuild.com\/?p=10680"},"modified":"2025-12-12T15:11:42","modified_gmt":"2025-12-12T18:11:42","slug":"datos-data-driven-decisiones","status":"publish","type":"post","link":"https:\/\/capabilitybuild.com\/pt\/datos-data-driven-decisiones\/","title":{"rendered":"Tu amigo invisible en la oficina: c\u00f3mo los datos pueden ayudarte a decidir mejor"},"content":{"rendered":"\n\n\n\n
<\/div>\n\n\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\tTabla de Contenidos<\/mark><\/strong>\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
  1. 1. Ese amigo que te hace las preguntas justas (como una buena hip\u00f3tesis)<\/a>
  2. 2. No todos los datos son tus amigos<\/a>
  3. 3. Ese amigo que no te conviene (los sesgos)<\/a>
  4. 4. Tu c\u00edrculo de confianza deber\u00eda incluir\u2026 un buen gr\u00e1fico<\/a>
  5. La verdadera amistad con los datos<\/a><\/ol>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\n\n\n

    Los 4 aliados que toda decisi\u00f3n necesita<\/strong><\/p>\n\n\n\n

    En cualquier oficina, por m\u00e1s profesional que sea el ambiente, hay una presencia constante que rara vez se menciona, pero que influye en casi todas las decisiones. No tiene escritorio asignado, no participa en reuniones ni env\u00eda correos, pero est\u00e1 siempre ah\u00ed: silenciosa, disponible, esperando que alguien le preste atenci\u00f3n.<\/p>\n\n\n\n

    Estamos hablando de los datos. Ese \u201camigo invisible\u201d que puede darte una perspectiva m\u00e1s clara, ayudarte a anticipar riesgos o mostrarte un camino alternativo. Pero como en cualquier relaci\u00f3n, no basta con que est\u00e9 presente: hay que saber interpretarlo, ponerlo en contexto y, sobre todo, confiar en \u00e9l cuando m\u00e1s lo necesit\u00e1s.<\/p>\n\n\n\n

    As\u00ed como en la vida personal valoramos a quienes nos ayudan a pensar mejor, tambi\u00e9n en el trabajo necesitamos rodearnos de aliados que hagan nuestras decisiones m\u00e1s s\u00f3lidas. Y aunque suene raro, eso tambi\u00e9n puede construirse con los datos.<\/p>\n\n\n\n

    Ahora bien, no cualquier v\u00ednculo con la informaci\u00f3n es saludable. Estar rodeado de reportes, KPIs y dashboards no garantiza buenas decisiones. Lo que marca la diferencia es c\u00f3mo nos relacionamos con esa informaci\u00f3n. Y ah\u00ed es donde entra en juego la mentalidad data driven<\/strong>.<\/p>\n\n\n\n

    Para desarrollarla, existen cuatro pilares clave. Cuatro aliados que pueden transformar decisiones improvisadas en decisiones estrat\u00e9gicas.<\/p>\n\n\n\n

    \n\n\n\n

    1. Ese amigo que te hace las preguntas justas (como una buena hip\u00f3tesis)<\/mark><\/strong><\/h2>\n\n\n\n

    Una de las habilidades m\u00e1s cr\u00edticas en entornos profesionales exigentes es la capacidad de identificar correctamente el problema a resolver. Y eso empieza, invariablemente, con una buena pregunta.<\/p>\n\n\n\n

    Muchas veces, en contextos organizacionales, se salta directamente a la b\u00fasqueda de datos sin tener claro qu\u00e9 se quiere responder. Se invierte tiempo valioso recolectando informaci\u00f3n, pero sin una hip\u00f3tesis que ordene ese esfuerzo, los resultados suelen ser confusos o irrelevantes. Esto genera frustraci\u00f3n, retrabajo y, en el peor de los casos, decisiones mal fundamentadas.<\/p>\n\n\n\n

    Una hip\u00f3tesis bien construida es como ese amigo que no te deja escaparte con respuestas c\u00f3modas. Te exige pensar m\u00e1s all\u00e1 de lo obvio, te obliga a aclarar tu punto de vista y te prepara para aceptar que podr\u00edas estar equivocado.<\/p>\n\n\n\n

    Por ejemplo, en el curso Data Driven Decision Making<\/strong><\/a>, trabajamos con situaciones reales donde las preguntas iniciales suelen ser demasiado amplias: \u201c\u00bfPor qu\u00e9 nuestros env\u00edos est\u00e1n llegando tarde?\u201d. Pero al formular una hip\u00f3tesis concreta, el an\u00e1lisis cambia de nivel: \u201cSospechamos que el aumento de productos con dimensiones fuera de est\u00e1ndar est\u00e1 generando demoras por requerir un procesamiento manual en los centros de distribuci\u00f3n\u201d. Esto permite buscar datos espec\u00edficos, interpretar causas reales y tomar decisiones m\u00e1s enfocadas.<\/p>\n\n\n\n

    Cuando la pregunta es potente y bien direccionada, los datos dejan de ser una carga y se convierten en aliados. Y es ah\u00ed cuando el proceso de decisi\u00f3n empieza a ganar solidez.<\/p>\n\n\n\n

    \n\n\n\n

    2. No todos los datos son tus amigos<\/mark><\/strong><\/h2>\n\n\n\n

    En un entorno donde la abundancia de informaci\u00f3n es la norma, el verdadero desaf\u00edo no es acceder a los datos, sino saber cu\u00e1l de todos realmente importa. Este es un punto de fricci\u00f3n com\u00fan entre l\u00edderes que enfrentan problemas complejos \u2014como el aumento del turnover\u2014 y se ven forzados a reaccionar con rapidez.<\/p>\n\n\n\n

    En una de las cohortes del curso, un equipo comparti\u00f3 su preocupaci\u00f3n por la rotaci\u00f3n creciente en un \u00e1rea cr\u00edtica. La primera reacci\u00f3n fue atribuirlo a los sueldos. Era un dato f\u00e1cil de ver y parec\u00eda razonable. Pero al avanzar, se cruzaron otras variables: tiempo en el puesto, feedbacks post-offboarding, sobrecarga operativa y cambios recientes en el liderazgo.<\/p>\n\n\n\n

    El an\u00e1lisis revel\u00f3 que el problema no era salarial, sino de integraci\u00f3n: los nuevos ingresos no estaban recibiendo el acompa\u00f1amiento necesario despu\u00e9s de una reestructuraci\u00f3n. La causa era otra, y el dato salarial, aunque cierto, no era el insight clave.<\/p>\n\n\n\n

    Este caso ilustra una lecci\u00f3n central en el enfoque data driven<\/strong>: no todo lo que brilla es insight. Aprender a distinguir entre datos que describen y datos que explican es una habilidad cr\u00edtica. Decidir con base en un dato aislado puede ser tan riesgoso como decidir sin datos.<\/p>\n\n\n\n

    \n\n\n\n

    3. Ese amigo que no te conviene (los sesgos)<\/mark><\/strong><\/h2>\n\n\n\n

    Incluso con buenas preguntas y datos confiables, una decisi\u00f3n puede salir mal si est\u00e1 influenciada por sesgos no reconocidos. Y lo m\u00e1s complejo de los sesgos cognitivos es que act\u00faan en silencio: distorsionan nuestra percepci\u00f3n sin que lo notemos.<\/p>\n\n\n\n

    En equipos, esto se traduce en decisiones que parecen correctas solo porque refuerzan lo que ya se cre\u00eda. Se buscan datos que confirmen una hip\u00f3tesis y se descartan los que la contradicen. Es el sesgo de confirmaci\u00f3n, y convive con muchos otros: el de anclaje, el de disponibilidad, el efecto halo, etc.<\/p>\n\n\n\n

    Ni siquiera la inteligencia artificial escapa a este fen\u00f3meno. Modelos entrenados con datos sesgados replican \u2014y a veces amplifican\u2014 patrones injustos o ineficientes. Si eso le pasa a un sistema con miles de millones de par\u00e1metros, \u00bfc\u00f3mo no nos va a pasar a nosotros?<\/p>\n\n\n\n

    Durante el curso, trabajamos con herramientas y casos reales para detectar estos sesgos. El objetivo no es eliminarlos (porque eso es casi imposible), sino aprender a nombrarlos, reducir su impacto y complementar nuestra intuici\u00f3n con evidencia s\u00f3lida.<\/p>\n\n\n\n

    \n\n\n\n

    4. Tu c\u00edrculo de confianza deber\u00eda incluir\u2026 un buen gr\u00e1fico<\/mark><\/strong><\/h2>\n\n\n\n

    Una decisi\u00f3n bien fundamentada necesita ser comprendida. Y muchas veces, esa comprensi\u00f3n depende m\u00e1s de un gr\u00e1fico bien hecho que de un an\u00e1lisis completo.<\/p>\n\n\n\n

    Suponer que los n\u00fameros hablan por s\u00ed solos es un error frecuente. En contextos de negocio, la forma en que visualizamos los datos puede facilitar una decisi\u00f3n o sabotearla por completo.<\/p>\n\n\n\n

    Un caso frecuente: gr\u00e1ficos que exageran resultados porque parten de escalas recortadas o usan formatos poco claros. Eso puede distorsionar la conversaci\u00f3n en reuniones clave y llevar a decisiones que no se sostienen en el tiempo.<\/p>\n\n\n\n

    Ilustrar bien una pregunta<\/strong> no es un tema est\u00e9tico, es saber elegir el tipo de gr\u00e1fico, el nivel de detalle y el formato seg\u00fan el objetivo y la audiencia.<\/p>\n\n\n\n

    Imaginemos esta situaci\u00f3n: sos parte de un equipo de operaciones que est\u00e1 evaluando si una nueva pol\u00edtica de env\u00edo r\u00e1pido est\u00e1 impactando positivamente en la experiencia del cliente. Implementaron el cambio hace tres meses, y ahora deben decidir si continuar con esa modalidad o no.<\/p>\n\n\n\n

    El dato a analizar es el Net Promoter Score (NPS), que mide la satisfacci\u00f3n general de los usuarios. La nueva pol\u00edtica de env\u00edo expr\u00e9s implic\u00f3 un incremento del 18% en los costos log\u00edsticos por unidad enviada<\/strong>, adem\u00e1s de una mayor exigencia operativa en los centros de distribuci\u00f3n<\/strong>, debido a la necesidad de despachar pedidos en menos de 12 horas. Por eso, la pregunta real es: \u00bfvale la pena seguir invirtiendo en este esquema?<\/p>\n\n\n\n

    Dos personas presentan exactamente el mismo conjunto de datos, pero con visualizaciones distintas.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Ahora, observando estas dos presentaciones\u2026 \u00bfcu\u00e1l te da m\u00e1s confianza para decidir? \u00bfCu\u00e1l refleja con mayor fidelidad el impacto real de la pol\u00edtica? \u00bfCu\u00e1l ayuda al equipo a tener una conversaci\u00f3n honesta sobre si vale o no seguir invirtiendo recursos en esa direcci\u00f3n?<\/p>\n\n\n\n

    La visualizaci\u00f3n de datos puede alinear o confundir, clarificar o distorsionar. Saber cu\u00e1ndo un gr\u00e1fico exagera, manipula o esconde parte de la historia es tan importante como saber leer el dato en s\u00ed.<\/p>\n\n\n\n

    La verdadera amistad con los datos<\/mark><\/strong><\/h2>\n\n\n\n

    Pensar de forma data driven<\/strong> no es simplemente tener acceso a n\u00fameros, sino construir una relaci\u00f3n madura con la informaci\u00f3n. Como cualquier buena amistad, esa relaci\u00f3n se basa en confianza, honestidad y desaf\u00edo mutuo.<\/p>\n\n\n\n

    Las decisiones basadas en datos no eliminan el juicio profesional ni la intuici\u00f3n. Pero s\u00ed nos ayudan a filtrar, enfocar, validar y comunicar con m\u00e1s claridad y menor margen de error.<\/p>\n\n\n\n