Del análisis de datos a una decisión: qué comprobar antes de actuar

Una decisión basada en datos utiliza información analizada para comparar alternativas o fundamentar una intervención, pero no elimina por sí misma la incertidumbre. Disponer de registros ordenados, cuadros de mando o estimaciones numéricas no garantiza que una actuación resuelva el problema previsto ni que sus costes compensen los beneficios esperados. Antes de convertir un resultado en una recomendación, conviene plantear una pregunta: ¿qué hace que un análisis de datos sea suficientemente fiable y relevante para justificar una decisión?

Antes de analizar los datos hay que saber qué queremos decidir

Un error habitual al iniciar un proyecto analítico consiste en plantear preguntas demasiado abiertas. Interrogantes como «¿cómo mejorar el servicio?» carecen de un objetivo suficientemente delimitado para orientar directamente un análisis. En cambio, investigar qué factores contribuyen a retrasar determinadas reparaciones y qué modificaciones operativas podrían reducir esas demoras permite identificar resultados observables.

Esta concreción inicial exige definir el problema, los indicadores que permitirían evaluar un cambio, las opciones de actuación disponibles y las restricciones presupuestarias o logísticas que condicionan el proyecto.

Por ejemplo, una red de talleres de reparación de dispositivos electrónicos puede observar que muchos de sus trabajos requieren sustituir baterías y plantearse comprar más unidades para reducir las esperas. Sin embargo, todavía necesita comprobar si la disponibilidad de esas piezas es realmente lo que está retrasando las entregas.

La analítica exploratoria también resulta útil cuando todavía no existe una decisión definida. Permite descubrir relaciones imprevistas y formular hipótesis iniciales.

En ambos casos, la utilidad de un análisis depende de su capacidad para responder a una pregunta relevante, no del volumen de registros acumulados.

Los registros disponibles no representan necesariamente toda la realidad

Los datos recopilados por una organización no siempre abarcan la totalidad del fenómeno que se pretende estudiar: reflejan aquello que sus sistemas han registrado.

Si una red de talleres examina únicamente las órdenes completadas, podría ignorar información esencial: presupuestos rechazados por costes elevados, reparaciones canceladas debido a los plazos de espera o incidencias que determinadas sedes no han clasificado correctamente.

Esta situación introduce tres conceptos importantes:

• Representatividad: en qué medida los datos disponibles reflejan las situaciones o la población sobre las que queremos obtener conclusiones.
• Calidad de los datos: si la información es suficientemente correcta, completa, consistente y adecuada para el análisis previsto.
• Sesgo de selección: las distorsiones que aparecen cuando determinados casos tienen más probabilidades de formar parte de los datos analizados que otros.

Disponer de una muestra amplia no garantiza que sus resultados puedan generalizarse. Tampoco basta con eliminar registros duplicados o completar valores ausentes: puede ser necesario comprobar cómo se han medido variables como los tiempos de espera de proveedores o la duración efectiva de una reparación.

Comprender cómo conviven software, datos e inteligencia artificial dentro de un producto digital permite profundizar en la procedencia técnica de esa información y en las dependencias que condicionan su disponibilidad y fiabilidad.

Encontrar una relación no demuestra que hayamos encontrado la causa

Comprobar que dos variables cambian conjuntamente puede aportar información valiosa, pero no demuestra por sí solo que una sea la causa de la otra.

Supongamos que los talleres con mayor volumen de sustituciones de baterías registran también plazos medios de entrega más prolongados. Una interpretación precipitada podría concluir que esas reparaciones provocan los retrasos y que bastaría con adquirir más baterías para solucionarlos.

Sin embargo, la asociación admite explicaciones alternativas. Las intervenciones pueden concentrarse en dispositivos más complejos, coincidir con problemas de suministro o realizarse en talleres que ya cuentan con una carga de trabajo elevada.

Correlación y causalidad no son equivalentes.

Las asociaciones estadísticas permiten investigar relaciones, detectar anomalías y desarrollar modelos predictivos. El problema aparece cuando se utilizan como explicaciones causales definitivas sin considerar otros factores que podrían intervenir.

Para obtener evidencia sobre una posible causa pueden emplearse comparaciones adecuadas, métodos estadísticos de control o evaluaciones diseñadas para estudiar el efecto de una intervención. No siempre será posible identificar la causa con certeza, y esa limitación debe formar parte de las conclusiones.

Un análisis responsable distingue entre aquello que los datos muestran, las hipótesis que sugieren y lo que todavía no puede afirmarse.

El método elegido debe responder a la pregunta, no al atractivo de la tecnología

La solidez de un proyecto depende de elegir una metodología proporcionada a la necesidad planteada, no de utilizar el algoritmo más sofisticado.

Según el objetivo, pueden ser adecuados distintos enfoques:

• Describir lo ocurrido: conocer cuántas reparaciones se han demorado, qué talleres acumulan más incidencias o cómo se distribuyen los tiempos. Las estadísticas descriptivas y la visualización pueden proporcionar respuestas suficientes.
• Investigar relaciones: comprobar qué variables se asocian con las demoras y si los patrones observados resisten un análisis más detallado.
• Anticipar escenarios: estimar la demanda futura de componentes o identificar reparaciones con mayor probabilidad de retraso mediante técnicas estadísticas o modelos de aprendizaje automático.

Estas tareas no son mutuamente excluyentes y pueden combinarse dentro de un mismo proyecto.

La inteligencia artificial puede resultar útil cuando aporta capacidades que justifican su complejidad. Sin embargo, no toda predicción necesita IA ni todo problema de datos requiere entrenar un modelo.

Incorporar soluciones complejas cuando un procedimiento más sencillo satisface los requisitos puede aumentar los costes de desarrollo, dificultar la interpretación de los resultados y complicar el mantenimiento.

El criterio profesional consiste en evaluar qué método responde mejor a la pregunta, con los datos, recursos y restricciones realmente disponibles.

Antes de confiar en un modelo hay que compararlo con una alternativa

El rendimiento de un modelo predictivo no debería juzgarse de manera aislada.

Un algoritmo diseñado para estimar la demanda semanal de baterías puede mostrar buenos resultados durante las pruebas y, aun así, no aportar ventajas relevantes frente a un procedimiento operativo más sencillo.

Por eso, la evaluación debe incluir una referencia o baseline: una regla elemental, un método basado en históricos o la solución que la organización utilizaba anteriormente.

Comparar el modelo con esa referencia permite averiguar si su complejidad se traduce en una mejora suficientemente relevante.

También es necesario comprobar cómo se ha realizado la evaluación. En aprendizaje supervisado, el rendimiento debe contrastarse mediante datos de evaluación adecuados y separados de la información empleada para ajustar el modelo, evitando filtraciones de información que produzcan resultados artificialmente favorables.

Una métrica elevada no garantiza una solución útil cuando no representa correctamente el problema.

Por ejemplo, el porcentaje de predicciones correctas puede resultar pertinente en determinadas tareas de clasificación, pero no es una medida universal para evaluar cualquier modelo.

Validar un modelo significa comprobar qué errores comete, en qué condiciones aparecen y si sus resultados mejoran una alternativa relevante para el proyecto.

Incluso entonces queda una cuestión pendiente: qué consecuencias tendrán esos errores cuando las predicciones se utilicen para tomar decisiones.

Dos errores pueden tener consecuencias completamente diferentes

Las métricas técnicas suelen resumir el rendimiento de un modelo mediante cifras agregadas. Sin embargo, dos errores de predicción de magnitud similar pueden tener consecuencias operativas muy diferentes.

En nuestro ejemplo de los talleres, una estimación equivocada de la demanda puede producir dos situaciones:

• Sobreestimar las necesidades. El modelo prevé una demanda superior a la real y la organización adquiere demasiadas baterías. Esto puede generar capital inmovilizado, costes de almacenamiento y riesgo de deterioro u obsolescencia del material.
• Subestimar las necesidades. El sistema estima una demanda inferior a la real y el taller se queda sin piezas suficientes. Pueden producirse reparaciones paralizadas, mayores tiempos de espera y clientes insatisfechos.

Ambos resultados representan desviaciones respecto a la demanda real, pero sus consecuencias no son equivalentes.

La organización necesitará valorar el coste económico y operativo de cada situación antes de decidir qué margen de error resulta aceptable.

Este razonamiento también explica por qué no existe una única métrica adecuada para evaluar todos los proyectos analíticos.

En determinados problemas de clasificación, las diferencias entre falsos positivos y falsos negativos son relevantes. En una predicción cuantitativa de inventario, en cambio, interesa valorar las consecuencias de estimar cantidades superiores o inferiores a las necesarias.

La evaluación debe corresponder al problema y a sus riesgos reales.

Una solución técnicamente precisa puede resultar poco conveniente si se equivoca precisamente en las situaciones donde el error tiene consecuencias más importantes.

Una conclusión útil todavía tiene que convertirse en una actuación

Obtener un resultado analítico válido no equivale a disponer de una recomendación preparada para aplicarse.

En la práctica conviene distinguir tres conceptos relacionados:

• Resultado: el análisis identifica un patrón, estima una cantidad o aporta evidencia sobre una relación.
• Recomendación: se propone una posible intervención considerando esos resultados junto con restricciones y alternativas.
• Decisión: las personas responsables eligen qué actuación realizar, valorando la evidencia, los costes, los objetivos y los riesgos.

Estas actividades pueden desarrollarse de manera iterativa y no tienen por qué corresponder siempre a profesionales diferentes.

Una recomendación defendible necesita explicar qué se propone cambiar, en qué información se apoya, qué limitaciones presenta y qué otras posibilidades se han considerado.

Esta dimensión profesional también aparece en la entrevista de UDIT a Ángel Galán, director del Máster Oficial en Análisis de Datos, donde destaca la importancia de analizar los datos con metodología y saber expresar los resultados.

Un resultado técnicamente riguroso pierde parte de su utilidad si quienes deben actuar no pueden comprender su alcance, las incertidumbres que mantiene o las consecuencias de las alternativas disponibles.

La decisión no termina cuando se pone en práctica

Aplicar una medida no clausura necesariamente el proyecto analítico. También puede iniciar la comprobación de sus efectos reales.

Si la red de talleres modifica su política de pedidos, necesitará observar si se reducen los tiempos de espera, cómo evolucionan los costes y si aparecen consecuencias que no se habían previsto.

Aquí es importante distinguir entre:

• Rendimiento analítico: cómo responde el modelo o método frente a los criterios utilizados durante su evaluación.
• Resultado operativo: qué ocurre cuando se utiliza la información para orientar una actuación real.

Si las entregas mejoran después de aplicar una medida, no puede atribuirse automáticamente ese resultado a la intervención. La estacionalidad, los cambios de demanda o las variaciones en los proveedores también pueden influir.

Según el proyecto, será necesario utilizar métodos de evaluación apropiados para determinar qué parte del cambio puede relacionarse con la actuación.

Cuando se utilizan modelos de IA de forma continuada, pueden aparecer además necesidades de supervisión, trazabilidad, protección de datos y seguimiento del rendimiento. El <escape><</escape>marco de gestión de riesgos de NIST<escape>></escape> no sustituye la evaluación específica de cada sistema, pero ofrece una referencia para identificar y gestionar riesgos a lo largo de su utilización.

La evaluación no termina al comprobar que el modelo funciona: también importa qué ocurre cuando sus resultados se convierten en decisiones.

Qué debe poder explicar un proyecto antes de recomendar una decisión

Antes de justificar una intervención organizativa mediante análisis de datos, el equipo responsable debería poder explicar cinco cuestiones:

Esta síntesis no representa una metodología universal ni una secuencia rígida de trabajo.

Su utilidad consiste en mostrar qué debe poder defender una recomendación antes de convertirse en una actuación.

Qué se aprende al especializarse en Ciencia de Datos, Análisis de Datos e Inteligencia Artificial

Trabajar con estas exigencias requiere formación en estadística, programación, métodos analíticos y evaluación de soluciones tecnológicas. En UDIT, estas competencias se desarrollan desde titulaciones con distintos niveles de profundidad y objetivos académicos.

Formación de base: Ciencia de Datos e Inteligencia Artificial

El Grado Oficial en Ciencia de Datos e Inteligencia Artificial combina fundamentos matemáticos, estadística, programación, bases de datos y aprendizaje automático.

Su enfoque permite comprender cómo se obtiene y analiza información, cómo se desarrollan modelos y qué conocimientos técnicos se necesitan para construir soluciones basadas en datos.

Especialización en análisis e interpretación de datos

El Máster Oficial en Análisis de Datos profundiza en modelado estadístico, técnicas de predicción, procesamiento de grandes volúmenes de información, visualización y gobernanza del dato.

Estas competencias están especialmente relacionadas con la capacidad de evaluar resultados, comunicar conclusiones y proporcionar soporte analítico a los procesos de toma de decisiones.

Especialización en desarrollo de sistemas inteligentes

El Máster Oficial en Inteligencia Artificial aborda el desarrollo y la evaluación de modelos avanzados, incluyendo aprendizaje automático, deep learning, visión artificial y procesamiento del lenguaje natural.

Su orientación permite profundizar en las exigencias técnicas y responsables de diseñar, implementar y evaluar soluciones de inteligencia artificial.

Los tres programas comparten fundamentos analíticos, pero no son equivalentes. El grado proporciona formación universitaria de base, mientras que los másteres desarrollan especializaciones avanzadas con diferentes áreas de aplicación.

Un buen análisis no elimina la decisión: permite fundamentarla

El análisis de datos puede aportar evidencia contrastable para actuar con mayor criterio, pero no sustituye la responsabilidad de decidir. Ayuda a delimitar la incertidumbre, comparar alternativas y anticipar consecuencias; la elección final también exige valorar objetivos, recursos y prioridades.

Una recomendación resulta más defendible cuando explica de dónde proceden sus datos, por qué se ha elegido un método, qué errores pueden producirse y cómo se comprobarán los resultados.

El valor del análisis no reside únicamente en obtener una conclusión, sino en comprender hasta dónde permite llegar esa conclusión antes de actuar.