Última actualización: Septiembre 2026
tiempo lectura: 7 minutos
La analítica de datos es un proceso iterativo de análisis de datos con un objetivo claro: extraer valor de dichos datos. Cuando digo valor me refiero a valor de negocio, basicamente algo que ayude a tomar decisiones informadas y estratégicas, o sirva para solucionar un problema.
Durante dicho proceso, realizaremos las tareas de examinar, limpiar, transformar y modelar grandes conjuntos de datos. Y aquí hay dos puntos que quiero destacar. El primero es que se trata de un proceso iterativo en el que se evalúa constantemente el resultado, profundizando en el análisis. Y el segundo es la orientación al negocio, la información extraída tiene que servir para tomar mejores decisiones. En este sentido, veremos que los distintos esquemas que implementan este proceso, van a comenzar siempre con el conocimiento del negocio (Business Understanding).
Importancia de las decisiones basadas en datos
La toma de decisiones basadas en datos es un proceso que emplea el análisis de datos para tomar decisiones más informadas y objetivas, en lugar de basarse en la intuición y la experiencia.
Es probable que si lees sobre este tema lo encuentres referenciado con el acrónimo DDDM (Data Driven Decision Making) por sus siglas en inglés. Al final, todo se reduce a poner los datos encima de la mesa y tenerlos muy presentes cuando se toman las decisiones de negocio. En este sentido, la celebre frase: “If we have data, let´s look at the data. If all we have are opinions let´s go with mine.” de Jim Barksdale, ExCEO de Netscape, explica a las claras esta idea.
Todos tomamos decisiones considerando los datos en nuestra vida cotidiana. Por ejemplo, cuando lees las valoraciones de otros usuarios que tiene un hotel, antes de hacer una reserva. Pero también es igual de cierto, que a menudo confundimos datos con opiniones, y acabamos tomando decisiones guiándonos más por nuestras emociones que por información contrastada.
Los beneficios de tomar decisiones basándose en los datos son muy variados: incremento de la productividad, reducción de costes, mejora de la innovación, etc. Las empresas que enfatizan la toma de decisiones basada en datos y análisis de negocios obtienen mejores resultados, en este informe de McKinsey puedes encontrar información sobre el tema.
Obstáculos para la adopción de la toma de decisiones basadas en datos
El principal obstáculo para la adopción generalizada del análisis de datos es la falta de comprensión de cómo utilizarlos para mejorar el negocio. No es un problema únicamente técnico, sino también estratégico: muchas empresas no identifican qué decisiones concretas quieren mejorar con datos. Se confunde ver números con tomar decisiones, y sin casos de uso claros, sin patrocinio por parte de los jefes o sin métricas de éxito, los esfuerzos analíticos quedan dispersos y con poco retorno.
Tener datos y saber cómo utilizarlos son dos cosas completamente diferentes. Disponer de datos no garantiza decisiones mejores si hay problemas de calidad, falta de comunicación entre áreas, o deficiencias en la integración en procesos clave.
Saber cómo utilizar los datos para comprender el mercado, motivar a los empleados o mejorar el rendimiento es una habilidad que se aprende. Y en este sentido, el científico de datos puede tener una contribución destacada a través de la correcta visualización y presentación de los datos.
Niveles del análisis de datos
El análisis de datos es un proceso de exploración, limpieza, transformación y modelado de datos, en el que podemos distinguir distintos niveles, que deberian ir recorriéndose de menos a más complicado, sin necesidad de recorrerlos todos.
En la figura siguiente se presentan dichos niveles en dos ejes, uno vertical que indica el valor añadido que aporta, y otro horizontal que indica la complejidad del análisis. Además, para cada nivel de análisis, se presenta una pregunta base y una respuesta, considerando un ejemplo.
Análisis Descriptivo
En el análisis descriptivo, sencillamente describimos los datos. Se trata de dar una respuesta sencilla a la pregunta de ¿qué tenemos?
Se dedica un esfuerzo importante al desarrollo y uso de formas más descriptivas y atractivas de visualizar los datos. A veces, crear un análisis descriptivo eficaz es solo cuestión de seleccionar el gráfico y/o las combinaciones de gráficos adecuados.
El análisis descriptivo normalmente se utiliza para describir el conjunto de todos los datos. En ocasiones, querremos separar los datos en grupos para facilitar su análisis: Grupos de clientes: “Campeones”, “Leales”, “En riesgo”, … ; Grupos de películas: “Thriller”, “Drama”, “Ciencia ficción”, …; Grupos de noticias: “Actualidad”, “Economía”, “Deportes”, …
Los grupos pueden crearse básicamente de dos maneras: Segmentando a mano o empleando algoritmos de Clustering, basándose en alguna métrica de distancia o de similitud de los datos.
Análisis de diagnóstico
El análisis de diagnóstico trata de ir un paso más allá de la simple descripción de los datos. Si en el análisis descriptivo intentábamos responder a la pregunta ¿qué tenemos?, en este nivel buscamos comprender ¿por qué ha pasado algo?. Para ello analizamos las relaciones existentes entre las distintas variables e intentamos identificar patrones que puedan ayudarnos a explicar el comportamiento observado en los datos. Algunas de las herramientas que podemos utilizar son las correlaciones, las asociaciones entre variables, las reglas de asociación o modelos más avanzados, como las redes bayesianas.
Por ejemplo, mediante una correlación podemos comprobar si dos variables numéricas tienden a variar conjuntamente, mientras que el análisis de asociaciones permite estudiar relaciones entre categorías o tipos de datos. Las reglas de asociación, por su parte, permiten descubrir patrones del tipo «si ocurre A, es probable que también ocurra B», siendo especialmente habituales en problemas como el análisis de la cesta de la compra. En cualquier caso, debemos tener presente una precaución fundamental: encontrar una relación entre dos variables no significa necesariamente que una sea la causa de la otra. Una correlación puede deberse a una relación causal, a la influencia de otras variables o incluso a una coincidencia.
Análisis predictivo
El análisis predictivo trata de responder a la pregunta: ¿Qué es probable que pase?. Para ello se utilizan los datos históricos con el objetivo de identificar patrones y construir modelos capaces de realizar predicciones sobre nuevos datos.
Las técnicas utilizadas dependerán del tipo de problema que queramos resolver . Podemos emplear modelos de regresión para predecir valores numéricos, como las ventas del próximo mes o el precio de un producto, y modelos de clasificación para estimar a qué categoría pertenece una observación, por ejemplo, si un cliente abandonará o no un servicio (el famoso ARPU).
Análisis prescriptivo
El análisis prescriptivo trata de determinar qué acciones conviene realizar a partir de la información obtenida en los niveles anteriores. Busca responder a ¿qué deberíamos hacer? o ¿Qué acciones tomar? . Su objetivo es ayudar en la toma de decisiones proponiendo las acciones que pueden conducir a los mejores resultados posibles.
En este nivel, no basta con conocer la técnica, requiere sobre todo de un conocimiento del negocio.
Para ello pueden combinarse modelos predictivos con técnicas de optimización, simulación o sistemas de recomendación. Por ejemplo, una empresa podría utilizar predicciones de demanda para decidir cuántas unidades debe producir, determinar la mejor ruta de reparto para reducir costes o seleccionar qué oferta realizar a cada cliente. En este nivel, el análisis de datos deja de limitarse a describir o anticipar situaciones y pasa a apoyar directamente la elección entre distintas alternativas. Las recomendaciones obtenidas, no obstante, dependen de los objetivos, restricciones y datos utilizados en el modelo, por lo que deben interpretarse siempre dentro del contexto en el que se han generado, a lo que ayuda enormemente el conocimiento y experiencia en el negocio.
Con estos cuatro niveles, puedes establecer una progresión bastante clara del proceso: DESCRIBIR -> EXPLICAR -> PREDECIR -> DECIDIR