Cómo tomar decisiones basadas en datos

5.4 Cómo tomar decisiones basadas en datos

La disponibilidad de datos no garantiza mejor toma de decisiones. Empresas con acceso a excelentes datos frecuentemente toman decisiones pobres porque interpretan incorrectamente esos datos, o porque permiten que intuición o política interna superen lo que los datos indican. Una tienda online que tiene perfecta visibilidad sobre qué productos tienen margen bajo pero continúa promocionándolos porque "son populares" está dejando dinero sobre la mesa. La toma de decisión basada en datos requiere disciplina: confiar en datos incluso cuando contradicen intuición, establecer umbrales de decisión predefinidos, e implementar sistemáticamente las conclusiones que los datos revelan.

Tomar decisiones basadas en datos es un proceso, no un evento. No es "ver un gráfico y decidir." Es: formular pregunta clara, recopilar datos relevantes, analizar sistemáticamente, extraer conclusión, validar el supuesto implícito, y solo entonces decidir. Este apartado proporciona un framework para esta disciplina, contextualizado en cómo ChatGPT acelerará el proceso.

Formación de preguntas correctas

La mayoría de empresas no fallan por falta de datos; fallan por hacer preguntas equivocadas. Una tienda online podría preguntarse "¿Por qué bajaron ventas este mes?" en lugar de "¿Bajó tráfico, conversión, o AOV? ¿En qué canal específico? ¿Fue cambio en la base de clientes o comportamiento de clientes existentes?" La primera pregunta es vaga. La segunda pregunta descompone el problema en componentes diagnosticables.

Una pregunta buena tiene estas características: es específica (no vaga), es cuantificable (tiene un número asociado), tiene horizonte temporal (este mes, últimas 4 semanas, año sobre año), e implica una decisión o acción posible si se responde. Por ejemplo, en lugar de "¿Cómo mejoro mis ventas?" una pregunta mejor es "¿Qué cambio en tasa de conversión (punto porcentual) generaría ingresos adicionales de 5.000€ anuales?" Esta pregunta es específica, cuantificable, temporal, e implica una acción clara.

Con ChatGPT, puedes mejorar tu pregunta antes de analizar datos. Un prompt como: "Quiero mejorar rentabilidad pero no sé por dónde empezar. Mi tienda factura 80.000€, tiene margen neto de 2%. ¿Qué preguntas debería hacer a mis datos para identificar dónde optimizar?" ChatGPT ofrecería: "Tus preguntas clave serían: (1) ¿Qué productos generan margen positivo vs. negativo? Esto identifica candidatos a discontinuar. (2) ¿Qué canal de adquisición tiene mejor ROAS? Esto optimiza gasto de marketing. (3) ¿Qué % de clientes compran una sola vez vs. repetidamente? Bajo porcentaje de repetición requiere enfoque en reactivación. (4) ¿Qué es el costo de envío promedio vs. ingresos promedio por transacción? Envíos caros pueden erosionar margen." Estas preguntas son mucho más específicas y accionables que la pregunta original.

Recopilación y validación de datos

Una vez has formulado pregunta clara, debes recopilar datos que la respondan. Esto requiere a menudo integrar datos de múltiples fuentes: Google Analytics (comportamiento de usuarios), datos de tienda (products, ventas, márgenes), sistemas de contabilidad (costos fijos y variables), sistemas de fulfillment (costos de envío). La calidad de la decisión depende de calidad de los datos recopilados.

Validación de datos significa verificar que los datos son correctos antes de hacer decisiones basadas en ellos. Una validación común es verificar que números son lógicamente consistentes. Si reportas 1.000 euros en ingresos mensuales pero 500 transacciones promedio, AOV es 2 euros, que es implausiblemente bajo para la mayoría de tiendas. Esto sugiere error en datos. Una validación más profunda compararía datos de múltiples sistemas: las transacciones reportadas en Analytics deberían coincidir con transacciones en tu plataforma de tienda y con tus registros de contabilidad. Discrepancias indican errores de tracking, que comprometen análisis.

ChatGPT puede ayudarte a identificar problemas de datos: "Tengo estos datos: Google Analytics reporta 2.000 visitantes, 60 transacciones (3% conversión). Mi plataforma Shopify reporta 62 transacciones ese día. Mis ingresos totales fueron 1.240€. ¿Son datos consistentes?" ChatGPT verificaría: conversión matemáticamente sensible, número de transacciones está cercano (diferencia pequeña aceptable por timing), ingresos totales implican AOV de 20€ que es razonable. Respuesta: "Datos son consistentes; pequeña diferencia entre plataformas es normal por diferencia en timing de eventos."

Análisis sistémico e interpretación cautelosa

Una vez datos están validados, el análisis requiere disciplina para evitar conclusiones falsas. La trampa más común es asumir causalidad donde hay solo correlación. Un ejemplo: visitantes de Mobile generalmente convierten menos que visitantes de Desktop. Conclusión equivocada: "Desktop es mejor canal, debería pagar menos por tráfico Mobile." Conclusión más probable: usuarios de Mobile son menos comprometidos (browsing casual en transporte), mientras usuarios de Desktop están comprometidos (en casa, con tiempo). El problema no es Mobile; es intención del usuario. Soluciones: mejorar diseño Mobile para reducir fricción, crear productos y marketing específicos para Mobile, o aceptar que algunos usuarios son exploradores, no compradores.

Otro sesgo común es ver un cambio en los datos y asumir lo que lo causó. Ingresos bajaron 20% este mes. Una intuición rápida: "Mi anuncio de Google Ads dejó de funcionar." Una segunda intuición: "El mes pasado fue Navidad, comparación año sobre año es injusta." Una tercera: "Puse precios 15% más altos; la reducción de volumen compensó." El análisis correcto es: aislá cada variable (tráfico, conversión, AOV) y determina cuál bajó. Si tráfico bajó 25%, problemas en adquisición. Si conversión bajó 20%, problema en sitio. Si AOV bajó 10%, problema en product mix o precio. Cada causa requiere solución diferente.

Uno de los mayores valores de ChatGPT en toma de decisión es que puede jugar el rol de crítico: "Estoy pensando descartar el producto X porque sus ventas bajaron 30%." ChatGPT podría responder: "Antes de descartarlo, verifica: ¿bajó ventas de este producto específicamente o bajó tráfico total (y por tanto todas las ventas bajaron)? ¿Es el precio del producto X más alto ahora? ¿Cambió categoría o descripción recientemente? ¿Aumentó competencia? Descarta solo si la causa es específica al producto, no si es problema general de la tienda o cambio de contexto externo."

Implementación y medición de impacto

La diferencia entre empresa que toma decisiones basadas en datos y empresa que no es que la primera implementa disciplinadamente lo que datos sugieren. Una tienda descubre que clientes nuevos compran una sola vez mientras clientes recurrentes tienen lifetime value 5x más alto. Conclusión: invertir en retención vale más que en adquisición nueva. Pero si no redirecciona presupuesto de marketing a retención, el dato es inútil. La implementación requiere: priorizar la decisión (qué harás), asignar recursos, establecer deadline, y medir impacto.

Medición de impacto significa: después de implementar, ¿cambió lo que predijiste? Si implementaste mejora de checkout esperando reducir abandono de 70% a 65%, después de dos semanas mide: ¿abandonó bajó? Si no bajó, ¿por qué? ¿Tu mejora no tuvo efecto? ¿Hubo factores externos? Sin medición, no sabes si tu decisión basada en datos fue correcta o equivocada, y no aprendes para decisiones futuras.

Ideas clave

• Formular la pregunta correcta es más importante que tener datos: una pregunta vaga incluso con datos perfectos resulta en análisis inútil
• La validación de datos antes del análisis evita decisiones basadas en información errónea; discrepancias pequeñas entre fuentes son normales pero discrepancias grandes requieren investigación
• La correlación no es causalidad: cambios en métricas coincidentes no prueban que uno causó el otro; análisis cuidadoso debe aislar variables
• Decisiones basadas en datos requieren implementación disciplinada; analizar y no actuar es desperdicio de recursos analíticos
• La medición de impacto cierra el ciclo: sin saber si tu decisión generó resultados predichos, no aprendes y repites errores
• ChatGPT es útil como crítico imparcial: puede cuestionar tus supuestos implícitos y sugerir explicaciones alternativas antes de hacer decisiones irreversibles