¿Y si el dato es correcto, pero decides mal?

Una cifra puede estar correctamente calculada y conducir a decisiones equivocadas. Reflexiones sobre ROAS, modularidad, contexto y criterio a partir de LEGO.

¿Y si el dato es correcto, pero decides mal?

Hay una idea que me interesa especialmente cuando hablamos de marketing, datos o estrategia:

«Una cifra puede ser completamente correcta y, aun así, conducirnos a una conclusión equivocada.»

No porque el dato esté mal calculado. Tampoco porque alguien esté intentando manipularlo. Simplemente porque ningún indicador explica por sí solo toda la realidad que estamos intentando comprender.

Esta semana he trabajado dos temas que, a primera vista, parecen bastante alejados entre sí.

En Science & Marketing, he analizado el ROAS y algunas de las limitaciones que aparecen cuando utilizamos esta métrica como si fuera una respuesta completa sobre la rentabilidad de una campaña o de un negocio.

En SinaptiK, la reflexión partía de LEGO y de algo aparentemente mucho más sencillo: cómo unas pocas reglas de conexión permiten crear sistemas enormemente complejos sin que esa complejidad se vuelva necesariamente inmanejable.

Publicidad digital y piezas de construcción. 

No parecen compartir demasiado.

Pero cuanto más pensaba en ambos temas, más evidente me parecía una conexión:

en los dos casos corremos el riesgo de confundir una parte del sistema con el sistema completo.

Y ese error, en marketing, empresa, innovación o tecnología, puede llevarnos a tomar decisiones aparentemente racionales que quizá no lo sean tanto.

Un ROAS de 5 no significa necesariamente que el negocio gane dinero

El ROAS —Return on Ad Spend— es una métrica bastante sencilla de entender. Relaciona los ingresos que atribuimos a una campaña publicitaria con la inversión realizada en ella. 

Su fórmula básica es:

«Ingresos atribuidos ÷ inversión publicitaria = ROAS»

Si una empresa invierte 1.000 euros en publicidad y atribuye 5.000 euros en ventas a esa inversión, el resultado es un ROAS de 5. 

Hasta aquí, ningún problema.
El cálculo puede ser matemáticamente correcto y, además, resultar muy útil para comparar campañas, creatividades, canales o determinados periodos de inversión. 

La dificultad empieza cuando transformamos ese dato en una afirmación mucho más amplia:

«“Tenemos un ROAS de 5, por tanto esta campaña es rentable”.»

Eso no lo demuestra el ROAS por sí solo. 

El ROAS nos está diciendo cuánto ingreso hemos atribuido a la inversión publicitaria. No está describiendo automáticamente el beneficio final de la operación. 

Para acercarnos a una lectura empresarial más completa tendríamos que incorporar, entre otras cosas:

  • Margen real del producto o servicio.
  • Costes logísticos, tecnológicos y comerciales.
  • Descuentos, promociones y devoluciones.
  • Coste de adquisición del cliente.
  • Recurrencia y valor de vida del cliente.
  • Modelo de atribución utilizado.
  • Ventas que se habrían producido igualmente sin publicidad.
  • Efecto incremental real de la campaña.

Y todavía queda otra cuestión especialmente importante: ¿qué tipo de cliente estamos adquiriendo? 

No es lo mismo una venta puntual que un cliente que vuelve durante los próximos tres años. Tampoco es igual una campaña que genera demanda nueva que otra que simplemente recoge una demanda que ya existía.

Por eso creo que el problema no está necesariamente en el ROAS. 

El problema aparece cuando le hacemos preguntas que esa métrica no puede responder por sí sola.

Una métrica es una ventana, no la realidad completa

Trabajar con métricas implica simplificar. 

Y necesitamos hacerlo. 

Una empresa genera miles de interacciones, decisiones, costes, comportamientos y variables al mismo tiempo. Sería prácticamente imposible analizarlo todo simultáneamente cada vez que necesitamos tomar una decisión. 

Por eso creamos indicadores. 

Reducimos una parte de la realidad a algo observable, comparable y manejable.

El problema surge cuando olvidamos precisamente eso: que estamos mirando una representación parcial. 

Un dashboard puede ser técnicamente impecable y estar mostrando solo una pequeña parte de lo que realmente está ocurriendo. 

Y aquí aparece una paradoja interesante: 

más métricas tampoco significan automáticamente más comprensión.

Podemos pasar de cinco indicadores a cincuenta y terminar con mucha más información, pero no necesariamente con mejores decisiones. 

De hecho, a veces ocurre exactamente lo contrario. 

Cuantos más datos tenemos, más fácil resulta encontrar alguno que confirme lo que ya pensábamos. 

Eso también es una forma de sesgo. 

Por eso, antes de mirar un indicador, me parece útil plantear tres preguntas muy sencillas:

  • ¿Qué quiero saber realmente?
  • ¿Qué mide exactamente este indicador?
  • ¿Qué información importante está dejando fuera?

Parecen preguntas básicas. 

Pero una parte importante de las malas decisiones empresariales no nace necesariamente de la ausencia de datos. 

Nace de interpretar demasiado rápido los que ya tenemos.

La precisión también puede producir una falsa sensación de certeza

Hay algo psicológicamente interesante en los números. 

Un dato expresado con precisión transmite una sensación de objetividad muy poderosa. 

Un ROAS de 5,27 parece más sólido que decir:

“La campaña parece funcionar bastante bien”.

Y, efectivamente, es más preciso en términos numéricos. 

Pero precisión no significa necesariamente comprensión. 

Podemos conocer un indicador con dos decimales y seguir sin saber cuál es su verdadero impacto económico. 

Esta distinción me parece especialmente relevante ahora que cada vez utilizamos más herramientas de:

  • analítica avanzada;
  • automatización;
  • inteligencia artificial;
  • modelos predictivos;
  • dashboards en tiempo real.

Los sistemas pueden calcular más rápido que nosotros. 

Pueden procesar miles de variables.
Pueden detectar relaciones difíciles de observar manualmente. 

Pero seguimos necesitando formular correctamente el problema.

«Una respuesta extremadamente precisa puede seguir siendo inútil si responde a la pregunta equivocada.»

Por eso la capacidad analítica no debería consistir solamente en saber leer dashboards. 

También implica reconocer cuándo un indicador deja de responder a lo que realmente queremos comprender.

¿Qué tiene que ver LEGO con todo esto?

Aquí aparece la segunda parte de esta reflexión. 

Una pieza de LEGO es un objeto extremadamente simple. 

Tiene una forma determinada, unas dimensiones concretas y un sistema de conexión bastante limitado. 

Sin embargo, esas restricciones no reducen necesariamente las posibilidades. 

Ocurre algo curioso: precisamente porque las reglas son claras, podemos combinar las piezas de muchísimas maneras. 

Podemos construir una casa. 

Un vehículo. 

Una ciudad. 

Una estructura completamente abstracta.

Y todo ello utilizando principios de conexión relativamente sencillos.c

La idea interesante no es afirmar que LEGO sea una especie de modelo universal de innovación empresarial. 

No lo es. 

Cualquier analogía tiene límites.

Lo que sí podemos observar es un principio bastante útil:

«La modularidad permite manejar la complejidad sin necesidad de eliminarla.»

Una pieza puede separarse.
Puede sustituirse. 

Puede reorganizarse. 

Puede probarse dentro de otra configuración. 

Y todo ello sin destruir necesariamente el resto del sistema. 

Ese principio aparece también en otros ámbitos:

  • software y arquitectura tecnológica;
  • diseño de productos;
  • procesos empresariales;
  • organización de equipos;
  • experimentación e innovación;
  • modelos de servicio.

Cuando un sistema está bien estructurado, la complejidad puede seguir existiendo, pero resulta mucho más fácil experimentar con ella.

A veces utilizamos la palabra complejidad casi como sinónimo de problema.
Y no necesariamente lo es.
Un hospital es complejo.
Una aerolínea es compleja.
Una plataforma tecnológica es compleja.
Una empresa con varios mercados, productos, canales y equipos también lo es.
Pretender eliminar toda esa complejidad sería poco realista.
La cuestión importante es otra:
¿cómo están organizadas las relaciones entre sus partes?
Dos empresas pueden tener exactamente el mismo número de procesos y, sin embargo, una puede resultar mucho más difícil de gestionar porque cualquier pequeño cambio afecta al resto del sistema.
Aquí la modularidad tiene una ventaja interesante.
Permite introducir cambios de forma relativamente localizada.
Podemos:

  • probar una parte;
  • observar su comportamiento;
  • medir el resultado;
  • corregir;
  • escalar solo si tiene sentido.

Complejidad y caos no son lo mismo

Eso reduce el coste de experimentar.
Y también puede reducir el coste de equivocarnos. 

En innovación, esa capacidad es importante. 

No porque convierta automáticamente una organización en innovadora, sino porque facilita aprender sin tener que reconstruir todo desde cero cada vez que una hipótesis falla.

Más innovación tampoco significa necesariamente más valor

Hay otra conclusión que me parece especialmente relevante. 

En los últimos años hemos convertido innovación en una palabra casi siempre positiva. 

Innovar parece equivaler automáticamente a mejorar. 

Pero una empresa puede innovar mucho y generar muy poco valor. 

Puede lanzar productos que nadie necesita. 

Puede introducir herramientas que complican procesos que antes funcionaban perfectamente. 

Puede incorporar inteligencia artificial donde una automatización sencilla habría sido suficiente. 

Puede multiplicar iniciativas hasta dispersar recursos, atención y capacidad de ejecución. 

Por eso creo que conviene separar dos ideas: 

hacer cosas nuevas y crear valor mediante algo nuevo. 

No son necesariamente lo mismo.

«La novedad no convierte automáticamente una decisión en innovación.»

La innovación útil necesita una relación clara con algún problema, necesidad u oportunidad. 

Y también necesita límites.

Curiosamente, los sistemas modulares funcionan precisamente porque tienen reglas. 

No todo conecta con todo de cualquier manera. 

Las restricciones también pueden generar capacidad.

ROAS y LEGO terminan hablando de algo parecido

Cuando colocamos ambas reflexiones juntas aparece una conexión que me parece especialmente útil. 

Un ROAS es una pieza de información. 

Una campaña es otra pieza.

Un cliente es otra. 

Un canal, un coste, un comportamiento, una experiencia de compra o una decisión empresarial forman otras partes del mismo sistema.

Ninguna explica por sí sola el conjunto. 

Y exactamente lo mismo ocurre con una organización. 

Un proceso aislado puede funcionar perfectamente y, sin embargo, generar problemas cuando interactúa con otros procesos. 

Una herramienta puede mejorar una tarea concreta y empeorar el flujo global. 

Una campaña puede optimizar un KPI y no mejorar el resultado del negocio. 

Por eso cada vez me interesa menos preguntar solamente:

«“¿Qué dice este dato?”»

Prefiero añadir otra pregunta:

«“¿Dentro de qué sistema está funcionando este dato?”»

Esa segunda pregunta obliga a ampliar la perspectiva. 

Y, muchas veces, cambia completamente la interpretación.

Datos + contexto + criterio

Si tuviera que reducir estas dos publicaciones a una sola idea, probablemente sería esta:

DATOS + CONTEXTO + CRITERIO = MEJORES DECISIONES

No significa que esta combinación garantice acertar. 

Eso sería vender una certeza que no existe. 

Las empresas toman decisiones bajo incertidumbre. 

Los consumidores cambian. 

Los mercados evolucionan. 

Las métricas tienen errores. 

Los sistemas de atribución son aproximaciones. 

Los modelos predictivos tienen limitaciones. 

Y nuestras propias interpretaciones están condicionadas por sesgos, incentivos y expectativas.

Precisamente por eso necesitamos contexto.

Y precisamente por eso necesitamos criterio. 

El objetivo no debería ser eliminar completamente la incertidumbre. 

En la mayoría de decisiones importantes no podremos hacerlo. 

El objetivo debería ser reducirla lo suficiente como para tomar una decisión razonable, comprobar qué ocurre y aprender de sus consecuencias. 

Ahí los datos cumplen una función extraordinariamente útil. 

Pero como herramienta. 

No como sustituto del pensamiento.

La inteligencia artificial hace todavía más importante saber preguntar

Esta reflexión tiene además una relación bastante evidente con el momento tecnológico que estamos viviendo. 

Cada vez tenemos sistemas capaces de analizar cantidades enormes de información, generar hipótesis, resumir documentos, detectar patrones y proponernos decisiones.

Esto puede mejorar muchísimo la productividad. 

Pero también introduce un riesgo:
confundir capacidad de procesamiento con capacidad de comprensión. 

Una IA puede ayudarnos a encontrar patrones en los datos. 

Pero seguimos teniendo que decidir si esos patrones son relevantes. 

Puede proponernos una explicación.

Pero debemos evaluar si existen explicaciones alternativas. 

Puede ayudarnos a optimizar una métrica.

Pero primero tenemos que preguntarnos si esa métrica merece ser optimizada. 

Puede incluso recomendarnos una decisión. 

Pero la responsabilidad de comprender sus consecuencias sigue siendo humana. 

Por eso sospecho que, cuanto más potentes sean nuestras herramientas, más importante será desarrollar criterio. 

No menos.

Comprender antes de decidir

Durante bastante tiempo, muchas conversaciones sobre transformación digital giraron alrededor de conseguir más datos. 

Después empezamos a hablar de conectarlos. 

Ahora estamos entrando en una etapa en la que podemos analizarlos con herramientas extraordinariamente potentes. 

El siguiente reto quizá no sea técnico.
Puede ser intelectual. 

Saber qué merece nuestra atención. 

Saber qué pregunta estamos intentando responder. 

Distinguir una correlación interesante de una relación causal. 

Separar una señal relevante del ruido. 

Reconocer cuándo una métrica describe bien una parte del sistema, pero no el sistema completo.

Y aceptar que una decisión puede estar razonablemente fundamentada sin convertirse por ello en una certeza. 

Creo que ese matiz importa.

Porque tomar mejores decisiones no consiste en esperar a disponer de toda la información. 

Probablemente nunca la tendremos. 

Consiste en comprender suficientemente bien:

  • qué sabemos;
  • qué no sabemos;
  • qué estamos suponiendo;
  • qué estamos midiendo;
  • qué estamos dejando fuera;
  • qué riesgo estamos dispuestos a asumir.

Quizá por eso, antes de pedir otro dashboard, otra herramienta, otro indicador o incluso otro modelo de inteligencia artificial, merece la pena formular una pregunta bastante más sencilla:

«¿Estamos entendiendo correctamente la información que ya tenemos?»

Quiero conocer también tu interpretación

Este artículo nace de dos reflexiones que he trabajado desde Science & Marketing y SinaptiK, pero precisamente por el tema que estamos tratando no quiero plantearlo como una conclusión cerrada.

Me interesa saber cómo lo ves tú. 

¿Has encontrado alguna vez una métrica que estuviera técnicamente bien calculada pero que terminara generando una interpretación equivocada?

¿Crees que las empresas necesitan realmente más datos o, en muchos casos, necesitan aprender a utilizar mejor los que ya tienen?

Déjame tu opinión en los comentarios de abajo. 

Me interesa especialmente conocer experiencias reales, desacuerdos y otras formas de interpretar este problema. 

Creo que estas conversaciones son mucho más útiles cuando no nos limitamos a confirmar lo que ya pensamos.

Y si te interesan contenidos sobre marketing, comportamiento humano, estrategia, innovación, inteligencia artificial, ciencia y tecnología, puedes seguirme y seguir Science & Marketing y SinaptiK en la red social que prefieras.

No hace falta estar en todas.

Elige la que realmente utilices.

La conversación puede continuar allí.

Compartir

Comparte esta idea

Un panel limpio, simétrico y adaptado por red. Si una plataforma no permite precargar texto desde la web, lo copiamos para que lo pegues en segundos.

Conversación

Comentarios (0)

Aporta contexto, una pregunta o una perspectiva. Los comentarios se moderan si hace falta y el email es obligatorio para poder avisarte cuando tu participación haya sido recibida o respondida.

Participa

Únete a la conversación

Tu email es privado. Lo utilizamos para confirmar tu comentario y avisarte si Alejandro responde.

Sé quien inicie la conversación

Una pregunta, una observación o una perspectiva pueden abrir una buena conversación.

Privado
Obligatorio. Nunca se muestra públicamente.
0 / 2000
Recibirás un email de confirmación y otro si Alejandro responde.
ENCUENTROS

¿Exploramos esta idea?

Si este artículo conecta con un reto que estás trabajando, podemos conversar sobre su aplicación práctica.