En la mesa de toma de decisiones, los datos son solo algo bonito que los directivos sienten que deben tener pero que claramente no saben cómo usar

Después de casi 10 años trabajando en analítica de datos, y tras gastar muchos millones creando y vendiendo Graphext , todavía me sorprende lo difícil que es para las empresas tomar incluso una sola decisión que realmente se base en datos. Esa frustración es lo que me empujó a escribir este artículo.

1. Recopilar datos ahora es fácil, hacer las preguntas correctas no lo es

Incluso con un lago de datos impecable y relucientes paneles de BI, poco cambia cuando las preguntas son vagas o están desconectadas de la realidad del negocio. Para hacer buenas preguntas necesitas ambas cosas:

  • Profundo contexto de negocio – saber qué métricas realmente marcan la diferencia, y
  • Sólidas habilidades analíticas – traducir dudas en hipótesis comprobables.

Un ejemplo de SaaS B2B:

Pocas personas dominan tanto el negocio como la analítica; sin ellos, el "análisis" colapsa en informes pulidos y no procesables, y a menudo crea más confusión que claridad.

2. El talento híbrido es escaso y rota rápido

Esos perfiles raros que mezclan intuición de negocio y ciencia de datos suelen irse pronto:

  • La demanda es enorme, saltan por mejores retos o salarios.
  • Las estancias cortas significan que nunca absorben la historia y la política de la empresa.
  • La mayoría de estas personas acaban convirtiéndose en emprendedores, CEOs o socios en firmas de consultoría de élite como McKinsey o Bain.

3. Visión estrecha debido a los silos funcionales

La sobreespecialización lleva a Marketing, Ventas, Producto y RRHH a centrarse solo en sus propios KPIs. Nadie conecta los puntos:

  • Los equipos optimizan localmente, a veces perjudicando los resultados generales.
  • Las preguntas estratégicas como "¿Qué combinación de palancas acelera el crecimiento?" no tienen un dueño claro.

4. Calidad e integración de datos: el dolor de cabeza perpetuo

A pesar de los millones en ETLs y almacenes de datos, la realidad diaria muestra:

  • Los flujos de captura cambian constantemente (nuevas apps, ajustes de seguimiento) rompiendo las series históricas.
  • Muchos sistemas (CRM, ERP, hojas de cálculo) que no se pueden unir con una sola consulta SQL.
  • Malas definiciones y duplicados que generan métricas contradictorias y matan la confianza.

5. Variables clave que no se registran en absoluto

Algunos eventos, como por qué un cliente finalmente se da de baja, dependen de factores subjetivos: expectativas, política, percepción personal.

  • Los eventos de producto o las encuestas rápidas solo capturan la superficie.
  • Sin métodos sólidos para recopilar esos matices (entrevistas profundas, feedback cualitativo estructurado), todo modelo predictivo está incompleto.

Conclusión

La brecha entre "tenemos datos" y "actuamos sobre los datos" no se puede cerrar comprando más tecnología. Exige talento híbrido, romper silos, higiene de datos constante y, sobre todo, preguntas poderosas que vinculen la analítica con la estrategia. Sin estos fundamentos, las empresas seguirán produciendo paneles elegantes... y decidiendo por instinto.

La próxima vez, revisaremos cada punto y discutiremos cómo la nueva IA generativa podría impactar en cada uno de ellos.

Deberías leer a Benn Stancil y su último artículo sobre este tema. En realidad, casi todos sus artículos acaban hablando de esta profunda frustración que llevamos dentro todos los que hemos intentado resolver este problema. Amamos y odiamos la analítica por igual, probablemente porque la vivimos con demasiada intensidad.