Cómo elegir correctamente la técnica de análisis adecuada

Introducción: la técnica correcta depende del problema, no de la herramienta

Elegir una técnica de análisis es una de las decisiones que más influyen en la utilidad de un proyecto de Ciencia de Datos. Un conjunto de datos puede estudiarse mediante tablas, pruebas estadísticas, modelos de regresión, algoritmos de clasificación, agrupamientos o análisis temporal. Sin embargo, aplicar una técnica más sofisticada no garantiza una respuesta mejor.

La elección acertada comienza con una pregunta concreta: ¿qué necesitamos averiguar y qué haremos con la respuesta? No es lo mismo describir las ventas del último trimestre, comprobar si dos grupos presentan diferencias, anticipar una avería o averiguar si una intervención produjo realmente una mejora. Cada propósito exige evidencias y métodos distintos.

También importan la naturaleza de las variables, la cantidad de observaciones, la calidad de los registros, la dependencia entre datos y el coste de equivocarse. Un análisis estadísticamente correcto puede resultar inútil si responde a la pregunta equivocada; un modelo predictivo preciso puede ser peligroso si utiliza información que no estará disponible cuando se necesite predecir.

Esta guía ofrece un criterio de selección aplicable a proyectos técnicos y empresariales, incluidos los de pequeñas organizaciones que necesitan extraer valor de sus datos sin construir sistemas innecesariamente complejos.

Índice de contenidos

1. Identificar qué clase de pregunta queremos responder

La primera clasificación debe realizarse sobre la pregunta de negocio o de investigación, no sobre el catálogo de algoritmos disponibles. Una misma base de datos puede admitir numerosos análisis, pero no todos sirven para el mismo objetivo.

Describir: ¿qué está ocurriendo?

El análisis descriptivo resume hechos observados. Permite calcular ventas, tiempos medios de atención, distribuciones de incidencias, porcentajes de abandono o variaciones por categoría. Su función principal es mostrar una situación con suficiente claridad para entenderla.

Comparar: ¿existen diferencias entre grupos o periodos?

La comparación busca averiguar si una diferencia observada es relevante y, cuando corresponde, estimar su incertidumbre. Por ejemplo, comparar los tiempos de resolución de dos equipos o las tasas de conversión de dos versiones de una página. Aquí importa cómo se formaron los grupos y si las observaciones son independientes.

Explicar asociaciones: ¿qué variables cambian conjuntamente?

Los métodos de asociación y regresión explicativa permiten estudiar relaciones entre factores: carga de trabajo y retrasos, antigüedad del cliente y frecuencia de compra, o complejidad de una incidencia y duración del servicio. Una asociación no demuestra, por sí sola, que un factor provoque otro.

Predecir: ¿qué ocurrirá en un caso nuevo?

Cuando interesa anticipar un valor o una categoría, la técnica debe producir estimaciones que funcionen sobre datos no utilizados en su ajuste. Una previsión de demanda, la probabilidad de impago o la clasificación de una solicitud son problemas predictivos, aunque también puedan estudiarse descriptivamente.

Descubrir estructura: ¿hay grupos o comportamientos no definidos?

El análisis no supervisado busca agrupaciones, perfiles o observaciones poco habituales sin disponer necesariamente de una etiqueta de respuesta conocida. Resulta útil para explorar patrones, pero los grupos encontrados necesitan interpretación y validación operativa.

Evaluar efectos: ¿qué cambió debido a una intervención?

Si queremos saber si un cambio de procedimiento, una campaña o una nueva herramienta causó un resultado, ya no basta con observar que dos variables evolucionaron juntas. Es necesario construir una comparación causal defendible, idealmente mediante un experimento aleatorizado cuando resulte viable.

Esta distinción entre descripción, explicación, predicción y decisión evita confundir el propósito de un proyecto con la tecnología empleada. En una organización pequeña conviene empezar por una necesidad delimitada, como se desarrolla en cómo aplicar Ciencia de Datos sin sobredimensionar una microempresa.

2. Matriz práctica para elegir una técnica de análisis

La siguiente tabla permite identificar una familia de técnicas candidata a partir de la pregunta principal. No sustituye las comprobaciones de datos y supuestos que se explican más adelante.

La matriz no obliga a escoger un solo método. Es habitual empezar con resúmenes y visualizaciones, pasar a una comparación estadística y terminar, solo si aporta valor, con un modelo predictivo. La clave es no presentar resultados exploratorios como pruebas causales ni modelos ajustados al pasado como predicciones ya validadas.

3. Comprobar qué datos tenemos realmente

Una vez definida la pregunta, hay que verificar si los datos permiten responderla. La técnica admisible depende tanto de la estructura de los registros como de su procedencia y fiabilidad. No se soluciona una carencia de información eligiendo un algoritmo más avanzado.

Tipo de variable que queremos analizar

• Cuantitativa continua: tiempo, importe, temperatura o consumo. Admite resúmenes numéricos y modelos adecuados a su distribución.
• Recuento: número de reclamaciones, errores o llamadas. Puede requerir modelos para conteos, especialmente si la frecuencia es baja o la exposición difiere.
• Binaria: compra/no compra, resuelto/no resuelto. Resultan naturales las tasas, comparaciones de proporciones y clasificadores probabilísticos.
• Categórica nominal: producto, departamento o canal, sin orden inherente. Se estudia mediante frecuencias y técnicas apropiadas para categorías.
• Ordinal: satisfacción baja, media o alta. El orden es informativo, pero no implica que las distancias entre niveles sean iguales.
• Temporal: observaciones registradas por fecha y hora. El orden y la dependencia temporal pueden ser parte esencial del problema.

Unidad de observación e independencia

Hay que determinar qué representa cada fila: una persona, una venta, una factura, un equipo, un día o una visita. Cien operaciones de los mismos cinco clientes no equivalen a cien clientes independientes. Tampoco son independientes, en general, las mediciones sucesivas de una misma máquina.

Cuando existen observaciones repetidas o agrupadas, pueden ser necesarios modelos jerárquicos, análisis emparejados o procedimientos de validación por grupo. Ignorar esta estructura suele generar una confianza injustificada en los resultados.

Volumen, cobertura y representatividad

El número de filas no basta para evaluar la suficiencia de una muestra. Interesa saber cuántas unidades independientes existen, qué proporción de eventos positivos se observa, si hay categorías escasas y si los registros cubren el periodo o población sobre los que se pretende decidir. Un archivo con miles de movimientos puede representar solo unas pocas semanas.

Con pocos datos, una regla simple y una estimación acompañada de incertidumbre pueden ser preferibles a un modelo complejo. Con datos sesgados, incluso millones de registros pueden sostener conclusiones equivocadas.

Calidad y momento de disponibilidad

Revisa valores ausentes, duplicados, códigos cambiantes, fechas inconsistentes y diferencias entre fuentes. La preparación debe respetar el significado de los datos: un importe ausente no equivale automáticamente a cero y una venta anulada no debe confundirse con una venta cobrada.

En predicción existe una comprobación adicional: cada variable utilizada debe estar disponible en el momento real en que se hará la predicción. Introducir la fecha de cierre de una incidencia para predecir su duración al abrirla produce una falsa precisión.

Para el tratamiento operativo de estos problemas resulta útil consultar cómo limpiar los datos empresariales antes de analizarlos. La limpieza es un paso necesario, pero no reemplaza la selección del método.

4. Cuándo basta con un análisis descriptivo

El análisis descriptivo es la opción inicial para entender cantidades, distribuciones, comportamientos y cambios observados. No debe considerarse una solución de segunda categoría. En numerosas decisiones operativas proporciona toda la información necesaria.

Escoger medidas adecuadas al fenómeno

La media resume el valor promedio, pero puede verse afectada por importes o tiempos extremos. La mediana representa el punto central de una distribución y suele ser más informativa cuando hay fuertes asimetrías. Los percentiles permiten describir el comportamiento de los casos más lentos, caros o excepcionales.

Si un servicio tiene muchos tiempos de resolución de pocas horas y unos pocos casos de varias semanas, informar solo de la media puede ocultar el problema. La mediana y el percentil 90 muestran dimensiones distintas y complementarias.

Evitar que los porcentajes engañen

Una tasa sin denominador puede inducir a error. Diez reclamaciones representan realidades diferentes si proceden de cien pedidos o de cien mil. Al comparar periodos, conviene verificar cambios de volumen, composición y criterios de registro.

En el análisis de resultados empresariales, describir bien suele ser el primer paso para convertir datos en decisiones concretas. No es necesario aplicar aprendizaje automático cuando la pregunta puede resolverse con una tabla de frecuencias contrastada.

5. Cuándo comparar grupos o contrastar hipótesis

Si la pregunta es si dos procedimientos presentan diferencias, el análisis puede ir más allá de mostrar promedios. La estadística inferencial ayuda a estimar magnitud e incertidumbre, siempre que el diseño de los datos permita una inferencia válida.

¿Los grupos son independientes o están emparejados?

Comparar los tiempos de dos equipos diferentes es distinto de medir los tiempos del mismo equipo antes y después de una mejora. En el segundo caso las observaciones están emparejadas por unidad; se analiza la diferencia dentro de cada unidad cuando el diseño lo permite.

En grupos independientes con una variable cuantitativa, una prueba t de Welch puede ser adecuada para comparar medias cuando sus condiciones son razonables, sin exigir varianzas iguales. Para datos emparejados, la prueba t de diferencias emparejadas responde a otro diseño.

Si existen asimetrías pronunciadas, valores atípicos o escalas ordinales, pueden considerarse métodos robustos, permutacionales o no paramétricos. Por ejemplo, la prueba de Mann-Whitney no debe interpretarse automáticamente como una prueba de igualdad de medianas: su significado depende de las distribuciones comparadas.

¿Comparamos proporciones o categorías?

Para una variable como compra/no compra pueden utilizarse intervalos de confianza de las tasas, sus diferencias o sus cocientes. Las tablas de contingencia admiten pruebas como chi-cuadrado, mientras que en tablas pequeñas de dos por dos puede resultar apropiada la prueba exacta de Fisher.

No conviene elegir una prueba únicamente porque aparece en un menú de software. La estructura de muestreo, las frecuencias esperadas, la independencia y el objetivo de comparación determinan su validez.

Importancia práctica frente a significación estadística

Una diferencia estadísticamente detectable no siempre es útil económicamente. Y una diferencia potencialmente valiosa puede estar estimada con tanta incertidumbre que todavía no permite decidir.

Por eso conviene presentar tamaño del efecto, intervalo de confianza y relevancia operativa, además del valor p cuando corresponda. Un valor p no expresa la probabilidad de que la hipótesis sea verdadera ni mide por sí mismo la importancia del resultado.

6. Cuándo estudiar relaciones entre variables

El análisis de relaciones es apropiado cuando interesa comprender cómo varía un resultado junto con uno o varios factores. La elección depende de la escala de las variables, la forma esperada de la relación y la interpretación buscada.

Correlación de Pearson y de Spearman

La correlación de Pearson resume la fuerza y dirección de una asociación lineal entre variables cuantitativas. Puede ser sensible a valores extremos y no detecta bien relaciones fuertemente no lineales.

La correlación de Spearman se basa en rangos y resulta útil para estudiar asociaciones monótonas, incluidas determinadas variables ordinales. Ninguna de las dos convierte una relación estadística en una explicación causal.

Regresión para interpretar factores

Una regresión lineal puede estudiar la asociación entre un resultado numérico y varios predictores, manteniendo constantes las demás variables incluidas en el modelo. Sin embargo, el significado de sus coeficientes depende de la especificación, las unidades, las interacciones, el solapamiento entre variables y los factores relevantes no observados.

Para un resultado binario puede ser apropiada una regresión logística, cuyos coeficientes actúan sobre los logaritmos de las razones de probabilidades (odds), no directamente sobre la probabilidad. Interpretarlos como aumentos porcentuales simples puede ser incorrecto.

Cuando las observaciones son recuentos o tienen una estructura especial, otras familias, como los modelos de Poisson o binomial negativa, pueden ajustarse mejor al fenómeno. La elección debe seguir la naturaleza del resultado, no la familiaridad con una función del programa.

Comprobar el modelo, no solo sus coeficientes

Antes de interpretar resultados, revisa patrones en los residuos, posibles relaciones no lineales, observaciones influyentes, variación no constante y dependencia entre observaciones. También es útil comprobar la estabilidad de las conclusiones ante especificaciones razonables alternativas.

7. Cuándo utilizar clasificación o regresión predictiva

Una técnica predictiva tiene sentido cuando se necesita anticipar resultados para casos nuevos y existe una forma creíble de comprobar su utilidad. El objetivo principal no es explicar todos los mecanismos, sino generalizar fuera de los datos de entrenamiento.

Regresión predictiva: estimar una cantidad

Si queremos estimar horas de trabajo, consumo energético o importe de una operación, la variable objetivo es cuantitativa. Se pueden comparar un modelo basal —por ejemplo, usar la mediana histórica— con regresión lineal, árboles o métodos más flexibles.

Entre las métricas habituales están el error absoluto medio (MAE), fácil de interpretar en las unidades originales, y la raíz del error cuadrático medio (RMSE), que penaliza más los errores grandes. La métrica debe corresponder al coste real de equivocarse.

Clasificación: estimar una categoría o su probabilidad

Si el resultado es incidencia crítica/no crítica, renovación/no renovación o una clase de solicitud, se trabaja con clasificación. La elección de métricas importa especialmente cuando una clase es poco frecuente.

• Precisión: de los casos señalados como positivos, cuántos lo son realmente.
• Exhaustividad o sensibilidad: de todos los positivos reales, cuántos detecta el modelo.
• Especificidad: de todos los negativos reales, cuántos identifica como negativos.
• Matriz de confusión: número de aciertos y errores de cada tipo, útil para valorar su coste.
• Calibración: si las probabilidades pronosticadas se corresponden aproximadamente con las frecuencias observadas.

La exactitud global puede ser engañosa. Si el 99 % de los casos no presentan una avería, un modelo que siempre responda «sin avería» alcanza un 99 % de exactitud, pero no detecta ninguna avería. En problemas desbalanceados conviene revisar precisión, sensibilidad, curvas adecuadas y costes de los falsos positivos y negativos.

La línea de base es obligatoria

Antes de introducir algoritmos complejos, compara el resultado con una regla sencilla, una media histórica o un modelo interpretable. Si la técnica avanzada apenas mejora la decisión o incrementa notablemente el mantenimiento, puede no merecer la pena.

Este criterio práctico también aparece en cómo crear modelos analíticos simples para una microempresa. La complejidad debería comprarse con una mejora verificable, no adoptarse por prestigio técnico.

8. Cuándo buscar grupos, anomalías y patrones desconocidos

Hay situaciones en las que no existe una variable objetivo conocida. Quizá se pretende descubrir perfiles de uso, tipos de incidencia o combinaciones recurrentes de comportamientos. En esos casos pueden explorarse técnicas no supervisadas.

Agrupamiento o clustering

Algoritmos como k-means agrupan observaciones en torno a centros y suelen funcionar mejor cuando la distancia elegida tiene sentido y los grupos son relativamente compactos. Métodos como DBSCAN pueden identificar regiones densas y puntos aislados bajo otras hipótesis geométricas.

La preparación de escalas, el tratamiento de variables categóricas y la selección de una medida de distancia son decisivos. Si se mezclan euros, minutos y puntuaciones sin criterio, la variable de mayor escala puede dominar el resultado.

Que un algoritmo genere cuatro grupos no significa que existan cuatro segmentos comerciales útiles. Es necesario comprobar estabilidad, diferencias interpretables, tamaños suficientes y acciones posibles para cada segmento.

Detección de anomalías

Para localizar transacciones inusuales, sensores fuera de patrón o cambios inesperados pueden utilizarse umbrales, métodos robustos, reglas de negocio o técnicas específicas de anomalías. La rareza estadística no equivale automáticamente a fraude, avería o error.

En problemas operativos conviene diseñar primero qué hará una persona cuando salte una alerta y qué proporción de falsas alarmas es aceptable. Para profundizar en la aplicación empresarial, puede consultarse cómo detectar anomalías empresariales con datos sencillos.

9. Cuándo tratar los datos como series temporales

Las observaciones tomadas a lo largo del tiempo pueden depender de las anteriores. Esto cambia tanto el análisis como la forma de validar los resultados. Mezclar aleatoriamente ventas de distintos meses entre entrenamiento y prueba puede introducir información futura de manera indirecta.

Distinguir tendencia, estacionalidad y acontecimientos excepcionales

Una serie puede crecer gradualmente, repetir patrones semanales o anuales y sufrir cambios por festivos, campañas, cierres o alteraciones del sistema de registro. Una caída puntual no necesariamente expresa una tendencia y una tendencia aparente puede ser estacionalidad no reconocida.

Las herramientas iniciales suelen ser gráficos cronológicos, medias móviles utilizadas con criterio, descomposiciones y comparaciones entre periodos equivalentes. Para prever se pueden considerar métodos basales estacionales, suavizado exponencial, modelos autorregresivos u otros enfoques según la estructura y el horizonte.

La validación debe respetar el calendario

Una evaluación razonable entrena con el pasado y prueba con fechas posteriores. Puede repetirse mediante validación de origen móvil, siempre sin usar registros futuros para preparar características, ajustar escalados o construir pronósticos anteriores.

Si interesa prever la venta mensual del próximo trimestre, hay que disponer de un histórico suficiente para evaluar los ciclos relevantes. Con pocos meses de registros no puede medirse de forma fiable una estacionalidad anual.

El análisis temporal también está relacionado con cómo analizar históricos de ventas con contexto, aunque decidir una técnica de pronóstico exige comprobaciones adicionales sobre horizonte y error fuera de muestra.

10. Cuándo necesitamos demostrar un efecto causal

Una pregunta causal exige un diseño causal. Que las ventas crezcan después de cambiar la web no demuestra que el cambio las haya provocado: pudieron influir campañas, calendario, precios, demanda o composición de los visitantes.

Experimentos A/B cuando la asignación puede controlarse

Un experimento con asignación aleatoria de unidades comparables a dos alternativas es una vía especialmente sólida para estimar el efecto medio de una intervención. Es importante definir previamente la unidad de aleatorización, el resultado principal, el periodo de observación y los criterios de análisis.

Si una misma persona puede entrar en ambas versiones, o los resultados de unos participantes afectan a otros, el diseño requiere precauciones adicionales. La aleatorización ayuda a equilibrar factores de confusión en promedio, pero no elimina problemas de medición, incumplimiento o pérdidas de seguimiento.

Alternativas cuando no podemos experimentar

En ciertos contextos pueden utilizarse métodos cuasiexperimentales, como diferencias en diferencias, discontinuidad en regresión o series temporales interrumpidas. Todos exigen supuestos específicos. Por ejemplo, diferencias en diferencias requiere una hipótesis defendible sobre la evolución paralela de los resultados sin intervención; no basta con disponer de dos grupos y dos fechas.

Si los supuestos no pueden justificarse, la conclusión debe limitarse a una asociación o a una evolución observada. Es preferible reconocer un límite causal que atribuir a una acción un beneficio no demostrado.

11. Cómo evaluar una técnica antes de adoptarla

Una elección técnicamente plausible todavía puede ser mala para el problema concreto. La evaluación debe reunir calidad de respuesta, incertidumbre, operatividad y coste.

Validez del diseño y supuestos

Comprueba que la pregunta, la unidad de análisis y el método encajan. Revisa independencia, sesgos de selección, distribuciones, observaciones extremas y variables omitidas. Documenta qué conclusiones permite extraer el estudio y cuáles quedan fuera.

Separación entre exploración y evaluación

En modelos supervisados, separa los datos de entrenamiento y prueba antes de ajustar transformaciones que aprendan de ellos. La imputación, normalización, selección de variables y ajuste de hiperparámetros deben realizarse dentro del procedimiento de entrenamiento, utilizando validación apropiada. El conjunto final de prueba no debe orientar repetidamente las decisiones de diseño.

Cuando la información se repite por cliente, dispositivo o proyecto, separa por grupos; cuando existe una dimensión temporal, separa cronológicamente. Así la evaluación se aproxima a la situación de uso real.

Interpretabilidad, mantenimiento y coste del error

Un equipo reducido puede necesitar explicar por qué clasifica una incidencia como prioritaria. Si un modelo ligeramente más preciso exige nuevas infraestructuras, revisiones frecuentes o datos costosos, quizá convenga un método más sencillo.

También hay que precisar qué error es más caro: dejar pasar una avería, generar una falsa alarma, infravalorar un presupuesto o sobreestimar una demanda. Las métricas deben representar esas consecuencias y no solo una puntuación académica.

Robustez y cambios con el tiempo

Valora si el resultado se mantiene al modificar razonablemente la muestra, el periodo o algunos supuestos. Tras implantar una técnica predictiva, observa posibles cambios en la calidad de los datos y en la relación entre variables y resultado. Un buen rendimiento inicial no garantiza que se mantenga indefinidamente.

12. Ejemplos de selección de técnicas en situaciones empresariales

Los siguientes casos son ejemplos didácticos hipotéticos. No representan resultados reales de una organización.

Caso A: una empresa quiere reducir los tiempos de atención

Pregunta: «¿Qué parte del proceso está generando más demoras?»

Primera elección: análisis descriptivo de tiempos por fase, percentiles y distribución por tipo de solicitud. Si el interés cambia a comparar formalmente dos equipos, se escogerá una técnica de comparación acorde con la independencia y distribución de las observaciones.

Lo que no haría de entrada: entrenar un modelo de aprendizaje automático. Antes hay que saber qué fase consume tiempo y si los registros representan correctamente cada paso.

Caso B: dos páginas comerciales presentan diferentes conversiones

Supongamos que una versión consigue 12 conversiones de 150 visitas y otra, 18 de 150. Las tasas observadas son del 8 % y 12 %, respectivamente: una diferencia de 4 puntos porcentuales.

Elección: estimar la diferencia entre proporciones y su incertidumbre. Si se asignaron visitantes aleatoriamente y se cumplen los requisitos del experimento, puede plantearse una inferencia causal sobre la variante.

Advertencia: la diferencia observada, por sí sola, no prueba que la segunda página sea superior. Hay que revisar la variabilidad muestral, la asignación, las repeticiones de visitantes y las posibles interferencias.

Caso C: se necesita anticipar qué solicitudes serán urgentes

Pregunta: «¿Podemos identificar al recibirlas las solicitudes que terminarán siendo críticas?»

Elección: clasificación supervisada, siempre que existan etiquetas históricas fiables. Deben usarse únicamente los datos disponibles en la recepción, comparar con una regla básica y evaluar falsos negativos y falsos positivos.

Riesgo principal: utilizar como predictor una etiqueta introducida por el técnico después de resolver la solicitud. Sería una filtración de información futura.

Caso D: se quieren identificar perfiles de clientes sin categorías previas

Pregunta: «¿Existen patrones de frecuencia, importe y tipo de compra que justifiquen acciones distintas?»

Elección: primero exploración descriptiva y, si aporta información adicional, agrupamiento no supervisado. Hay que revisar escalas, patrones estables y utilidad comercial.

Riesgo principal: convertir segmentos estadísticos en etiquetas permanentes o atribuirles necesidades que los datos no demuestran.

Caso E: se desea planificar existencias para los próximos meses

Pregunta: «¿Cuánta demanda deberíamos prever para cada periodo?»

Elección: pronóstico temporal con evaluación cronológica. Se compara, como mínimo, contra una previsión sencilla basada en periodos anteriores y se revisan campañas, festivos y roturas de stock que puedan distorsionar la demanda observada.

Riesgo principal: confundir ventas registradas con demanda real cuando hubo falta de inventario, o validar mezclando observaciones del futuro y del pasado.

Caso F: una nueva herramienta parece mejorar la productividad

Pregunta: «¿La herramienta causó la reducción de horas empleadas?»

Elección: un diseño experimental o cuasiexperimental razonable, según sea posible organizar un grupo comparable. Una comparación simple antes/después describe el cambio, pero no descarta aprendizaje, cambios de carga o variaciones estacionales.

Resultado responsable: separar lo observado de lo atribuible causalmente, incluso cuando la evolución haya sido favorable.

13. Errores de elección que conviene evitar

• Empezar por el algoritmo: escoger redes neuronales, árboles o regresión antes de formular la pregunta.
• Confundir correlación con causalidad: atribuir efectos a una campaña porque dos curvas subieron a la vez.
• Ignorar la unidad de análisis: tratar compras repetidas de un mismo cliente como observaciones independientes.
• Usar la prueba estadística equivocada: comparar muestras emparejadas como si fueran independientes o ignorar la naturaleza ordinal de una escala.
• Elegir según el valor p: probar numerosas variantes y presentar solo la que ofrece el resultado más favorable, sin ajustar el procedimiento ni declarar la exploración.
• Interpretar el ajuste como predicción: presentar el rendimiento sobre los datos usados para entrenar como si fuera una evaluación de nuevos casos.
• Introducir fuga de información: utilizar datos futuros, posteriores al desenlace o agregados calculados con el conjunto de prueba.
• Medir solo exactitud: ignorar clases minoritarias y el coste desigual de los errores.
• Reducir todo a medias: esconder asimetrías, colas largas o concentraciones relevantes.
• Confundir complejidad con calidad: mantener una técnica costosa sin probar que supera a una referencia sencilla.

El patrón común es decidir la técnica sin conectar diseño, datos y acción. Un análisis útil no necesita parecer sofisticado: necesita producir una conclusión defendible y una decisión proporcionada.

14. Procedimiento reutilizable para seleccionar la técnica adecuada

Esta secuencia sirve como lista de comprobación para proyectos nuevos y para revisar análisis ya existentes.

1. Escribe la pregunta en una frase. Sustituye «analizar clientes» por «estimar qué proporción no renueva en 90 días» o «comparar la tasa de renovación entre dos políticas».
2. Identifica la decisión posterior. Explica qué se hará con un resultado favorable, desfavorable o incierto.
3. Clasifica el objetivo. Descripción, comparación, asociación, predicción, agrupamiento, pronóstico temporal o inferencia causal.
4. Define la unidad y la variable objetivo. Indica qué representa cada fila y, si procede, qué valor o etiqueta deseas explicar o predecir.
5. Audita la disponibilidad de datos. Revisa cobertura, calidad, sesgos, tamaño efectivo y momento en que se conocen las variables.
6. Selecciona dos o tres métodos candidatos. Incluye una referencia simple y descarta los que no cumplan sus supuestos básicos.
7. Diseña la evaluación antes de ajustar. Determina métricas, intervalos, grupos de comparación o particiones temporales según el objetivo.
8. Compara el valor añadido. Contrasta fiabilidad, interpretación, coste operativo, facilidad de mantenimiento y consecuencias de los errores.
9. Documenta límites y condiciones de uso. Registra qué preguntas se han respondido, qué supuestos se han adoptado y cuándo conviene repetir el análisis.
10. Transforma el resultado en una decisión revisable. Acordar una acción, responsable y criterio de seguimiento evita generar informes que nunca influyen en la práctica.

Ficha mínima de decisión metodológica

Antes de ejecutar el análisis conviene dejar constancia, al menos, de los siguientes campos: pregunta, decisión asociada, unidad de observación, variable objetivo, periodo, método candidato, supuestos, métrica de evaluación, limitaciones y responsable de revisión. Esta ficha reduce la improvisación y facilita explicar por qué se escogió un método en lugar de otro.

El procedimiento también permite reconocer cuándo la respuesta adecuada es «todavía no hay datos suficientes». En ese caso, el siguiente paso no consiste en cambiar de algoritmo, sino en mejorar la recogida de información o reformular la pregunta.

Preguntas frecuentes sobre la elección de técnicas de análisis

Conclusión: escoger una técnica es tomar una decisión metodológica

La mejor técnica de análisis no es la más reciente ni la que genera gráficos más llamativos. Es la que responde a una pregunta bien formulada con datos adecuados, supuestos defendibles y una evaluación acorde con su uso previsto.

Si solo necesitamos comprender lo ocurrido, los resúmenes descriptivos pueden ser suficientes. Si queremos comparar, hacen falta métodos compatibles con el diseño de los grupos. Si buscamos anticipar resultados, debemos validar predicciones con casos no utilizados en el ajuste. Y si pretendemos atribuir cambios a una intervención, necesitamos argumentos causales, no simples correlaciones.

Para profesionales y pequeñas empresas, este criterio permite invertir el esfuerzo en lo que verdaderamente aporta valor: formular mejores preguntas, utilizar técnicas proporcionadas, reconocer incertidumbres y convertir los resultados en decisiones que puedan revisarse y mejorar.