Analizar y decidir vs decidir y analizar: qué significa realmente construir una cultura data-driven

Lo que más me gusta de mi actividad es ayudar a las empresas a mejorar en la cultura y procesos de toma de decisión basado en evidencias, es decir datos. Me he encontrado con muchas empresas que tienen Power BI desplegado, modelos semánticos sanos, dashboards bonitos y, aun así, siguen tomando las decisiones importantes por intuición. No es un problema de herramienta, es un problema de proceso y cultura.

La inversión en datos está hecha, los informes existen, pero el momento crítico —la conversación en la sala donde se decide— sigue ocurriendo sin que nadie abra un informe analítico y diagnostique la situación. Este post va de por qué pasa esto y de qué funciona cuando una organización quiere construir una cultura data-driven real y tomar las decisiones basadas en evidencias y no en intuiciones.

Datos sin cultura data-driven: condición necesaria pero no suficiente

Hace mucho tiempo que escuché aquello de «me compro perchas porque tengo trajes y no me compro trajes porque tengo perchas». Tener Power BI no te hace data-driven. Un equipo de BI tampoco. Un Lakehouse en Fabric con un modelo gobernado, tampoco. Todo eso es condición necesaria, pero no suficiente. Una organización es data-driven cuando, en el momento de decidir algo relevante, alguien pide ver el dato antes de decidir, otro alguien sabe dónde mirarlo, y la sala acepta cambiar la decisión si el diagnóstico de la situación dice otra cosa.

Lo que veo en muchas de las empresas con las que comienzo a trabajar es lo contrario: el dashboard se mira al final, para justificar una decisión que ya estaba tomada. O peor, no se mira en absoluto porque «para esto ya tengo experiencia». Y entonces los datos sirven para hacer informes mensuales que casi nadie lee.

Las barreras reales no son técnicas

Hoy en día las limitaciones para adoptar una cultura data-driven no son tecnológicas: adoptar analítica como soporte a la toma de decisión (operativa, táctica o estratégica) es un reto cultural y organizativo. Son principalmente culturales y organizativas:

• Falta de hábito. Decidir con datos cuesta más esfuerzo que decidir por intuición. Hay que pararse, buscar, contrastar, dudar. Las personas que llevan veinte años en un sector tienen un coste cero al decidir por experiencia, y un coste alto al pedir el dato. Los hábitos no se cambian con dashboard e informes analíticos nuevos.

• Miedo a quedar mal. En culturas jerárquicas, llevar un dato a una reunión que contradice al jefe es socialmente caro, no así en empresas orientadas al liderazgo, pero ese es otro tema aunque fundamental. Si la organización no premia explícitamente «pedir el dato y cambiar de opinión», la gente racional aprende a no llevarlo. Esto no es teoría, esto pasa en todas las salas de comité.

• Datos lentos y poco fiables. La inconsistencia de datos y falta de integridad posiblemente sea una de las causas principales. Cuando preguntar al equipo de BI tarda dos semanas, o cuando dos informes del mismo KPI dan números distintos, la primera reacción es dejar de preguntar. La falta de confianza en los datos hace que volvamos a la intuición.

• Indicadores que nadie entiende del todo. Un dashboard con cincuenta métricas, sin contexto, sin definición clara, sin saber qué decisión soporta cada una, no es una herramienta de decisión. Es decoración. Siempre pongo el ejemplo del coche, cuantos más indicadores tengas en tu panes, menos miras la carretera. La consecuencia: vuelta a la intuición

• Ausencia de un dueño del dato. Cuando nadie es responsable de que el dato de ventas cuadre con el ERP, no cuadra. Y cuando no cuadra, no se usa.

Lo que funciona para construir una cultura data-driven

No hay una receta universal porque la cultura de las empresas es el principal contexto que condiciona las estrategias de los procesos de cambio, pero sí algunos patrones que se repiten en las organizaciones que sí han conseguido moverse hacia una cultura data-driven real:

• El dato entra en la agenda, no en el apéndice. Las decisiones importantes empiezan revisando el dato, no terminan justificándose con él. Hay comités que arrancan con un bloque fijo de quince minutos donde se mira el cuadro de mando juntos antes de hablar de cualquier otra cosa. Parece tonto, pero cambia el orden de la conversación.

• Pocos indicadores, bien entendidos. Las organizaciones que de verdad usan los datos tienen pocos KPIs operativos compartidos, todos con definición clara, dueño asignado y entendimiento común. No cincuenta. Quizá ocho, quizá doce. Pero todo el mundo sabe qué miden y por qué. Y este es un aspecto clave no sólo para el que usa el dato, sino también para el que lo genera que tiene el para qué en mente. 

• Inversión real en calidad y gobierno. Tener un catálogo, definiciones únicas de métricas, dueños responsables, procesos para corregir errores. Sin esto, el dashboard más bonito del mundo se cae a las dos semanas porque alguien encuentra un número que no cuadra y se acabó la confianza.

• Premiar la pregunta, no sólo la respuesta. En las culturas data-driven que funcionan, llevar a una reunión un dato que cambia la dirección de la decisión es visto como un éxito, no como un problema. Y eso se nota en cómo reaccionan los líderes. Si pedir un dato delante de tu director ejecutivo se interpreta como cuestionar su criterio, no se construye cultura analítica por mucho que se invierta en BI.

• Formación con un objetivo concreto. Los cursos genéricos de «interpretar datos» sirven para poco. Lo que sí funciona es formar a equipos concretos sobre los datos concretos que usan, en el contexto concreto de sus decisiones. 

Cuatro ejemplos reales: un proceso, una decisión, un cambio

Vamos a bajarlo a la tierra, a situaciones que cualquiera con experiencia en empresa mediana reconocerá. En todos, lo importante no es el dashboard, sino la decisión que cambia cuando alguien decide mirar el dato antes.

• Comercial — descuentos por intuición vs. margen real. Distribuidor industrial mediano. Los comerciales aplican descuentos «por experiencia» porque «este cliente compra mucho». El día que existe un panel sencillo que cruza descuento aplicado contra margen real por cliente y por línea de producto, aparece lo previsible y lo incómodo: una parte significativa de los clientes con mayor descuento está operando en margen negativo. La conversación de la dirección comercial cambia: las negociaciones se abren con el margen del último año en la pantalla, no con la sensación del comercial o la facturación (para mi gusto a este dato se le da más relevancia del que debe). La decisión que cambia no es subir precios sin más, sino renegociar condiciones con un grupo acotado de cuentas. El margen medio mejora varios puntos sin perder los clientes que de verdad importan.

• Producción — la culpa no era de «la máquina problemática». Una planta de fabricación con varias líneas. Las paradas no programadas se justifican siempre con el mismo relato: «es que la máquina X da problemas». El plan está claro: sustituir la máquina X, una inversión muy alta. El día que se decide registrar sistemáticamente la causa de cada parada y mirarla en un panel por línea, turno y motivo, los datos cuentan otra historia: una mayoría amplia de las paradas no son de la máquina X, sino cambios de formato mal preparados, repartidos entre todas las líneas. La decisión que cambia: dejar de gastar en sustituir la máquina y poner el dinero en mejorar el proceso de cambio de formato (formación, herramientas, estandarización SMED). El OEE sube mucho más de lo que habría subido cambiando la máquina, y por una fracción de la inversión.

• Gestión de stock — una regla única para 8.000 referencias. Un distribuidor con catálogo amplio. La política de stock de seguridad es homogénea: «tres semanas de cobertura para todo». El día que se cruzan rotación, criticidad y variabilidad de la demanda por SKU (clasificación ABC + XYZ), aparecen dos verdades a la vez: una parte importante del capital inmovilizado está en referencias con rotación inferior a una vez al año, y al mismo tiempo hay referencias críticas con un safety stock por debajo del riesgo real. La decisión que cambia: pasar de la regla única a una política diferenciada por segmento, con cobertura ajustada al comportamiento real. El resultado es doble: liberación significativa de circulante en lo que no rota y reducción de roturas en lo que importa. Lo más sorprendente para dirección no es el ahorro: es descubrir que llevaban años protegiendo lo que no había que proteger.

• Financiero — la previsión de tesorería que se hacía a fin de mes. Una empresa de servicios con ciclo de cobro largo. El equipo financiero hace la previsión de tesorería en Excel, una vez al mes, con datos del ERP exportados a mano. Cuando los retrasos de cobro se complican, la propuesta inicial es ampliar la línea de circulante con el banco. El día que existe un panel de DSO por cliente, por proyecto y por tramo de antigüedad, con corte diario, la foto es clara: tres clientes grandes concentran más de la mitad del problema, y todos por la misma causa (un cambio en su proceso de aprobación de facturas que nadie había detectado). La decisión que cambia: no ampliar la línea de crédito, sino renegociar el proceso de facturación con esos tres clientes y mover el calendario de emisión. El DSO baja en pocos meses sin necesidad de financiación adicional.

El patrón es siempre el mismo. La hipótesis intuitiva apunta a un lado (la máquina, el descuento, el banco, el stock), el dato apunta a otro, y la decisión cambia. Lo que distingue a una organización data-driven de las demás no es el dashboard: es que esa segunda mirada, la que mata la hipótesis intuitiva, llegue antes de tomar la decisión.

El papel del equipo de datos cambia

Cuando una organización empieza a moverse en serio hacia la cultura data-driven, el equipo de datos deja de ser «el que hace informes» y se convierte en algo más parecido a un equipo de producto interno. Su trabajo ya no es entregar PDFs ni desarrollar dashboards a demanda; es habilitar que los equipos de negocio puedan responder solos a sus propias preguntas, con datos en los que confíen, y entender cuándo hace falta acompañar una decisión con análisis más profundo.

Esto requiere perfiles distintos de los que hacían informes hace cinco años. Requiere ingeniería de datos seria, modelado semántico cuidado, gobierno explícito y, sobre todo, capacidad de conversar con negocio en su idioma. Las empresas que aún tratan a su equipo de datos como un servicio de tickets se van a quedar lejos.

Conclusiones

Comprar Power BI o Fabric no te convierte en una empresa data-driven. Te da los músculos. La cultura es otra cosa, y se construye en las decisiones pequeñas del día a día: en quién pregunta primero, en qué se mira antes de decidir, en cómo se reacciona cuando el dato contradice a la intuición. La tecnología es la parte fácil. Lo difícil es cambiar la conversación en la sala.

Si estás en ese proceso —y por mi experiencia, muchas empresas lo están de una forma u otra—, lo más útil que puedes hacer probablemente no es comprar más tecnología. Es elegir cinco decisiones importantes de tu negocio en los próximos seis meses y comprometerte a tomarlas mirando el dato primero. A partir de ahí, lo demás se va construyendo solo.

Fuente: Reflexión basada en la experiencia de proyectos de BI y analítica con clientes de múltiples sectores y tamaños