Diagnosticar
sin datos
suficientes.
La mayoría de las decisiones de marketing ocurren con información incompleta. Un marco riguroso para operar bajo incertidumbre sin colapsar en parálisis ni en intuicionismo.
- El problema real: la mayoría de los diagnósticos ocurren sin datos suficientes
- Evidencia mínima viable — qué es y cómo definirla
- Jerarquía de fuentes bajo incertidumbre
- Hipótesis explícitas con criterios de reversibilidad
- El umbral de acción
- Caso: diagnóstico con cero datos propios
- Errores frecuentes
- Preguntas frecuentes
- Referencias y bibliografía
La mayoría de los diagnósticos ocurren sin datos suficientes.
El proceso de diagnóstico estratégico descrito en los artículos anteriores — mapa causal, análisis cuantitativo, evidencia cualitativa, identificación de restricciones — asume condiciones que no siempre existen: datos históricos, tracking implementado, clientes a quienes entrevistar, tiempo para recolectar evidencia. En la práctica, la mayoría de las decisiones de marketing ocurren con información incompleta, ambigua o directamente ausente.
Una empresa nueva no tiene datos históricos propios. Una marca que lanza en un segmento nuevo no tiene benchmarks internos relevantes. Un equipo que diagnostica en medio de una crisis no tiene semanas para recolectar evidencia cualitativa. Un negocio pequeño no tiene el volumen estadístico necesario para que sus métricas sean concluyentes.
Frente a esa realidad, los equipos caen en uno de dos errores simétricos. El primero es la parálisis analítica: esperar datos suficientes antes de actuar, lo que en contextos de alta incertidumbre significa no actuar nunca o actuar demasiado tarde. El segundo es el intuicionismo no declarado: actuar basándose en suposiciones implícitas disfrazadas de experiencia, sin ningún marco que permita saber si la decisión fue correcta o incorrecta y por qué.
Philip Tetlock y Dan Gardner, en Superforecasting, documentan algo contraintuitivo: los mejores tomadores de decisión bajo incertidumbre no son los que tienen más información — son los que trabajan con hipótesis explícitas, estiman probabilidades con precisión calibrada y actualizan sus creencias con cada nueva pieza de evidencia. La calidad del proceso, no la cantidad de datos, determina la calidad del diagnóstico.
Este artículo no es sobre hacer lo mejor que se puede con poco. Es sobre un marco específico para diagnosticar con rigor cuando los datos ideales no están disponibles.
02 — Evidencia mínima viableEvidencia mínima viable — qué es y cómo definirla.
La evidencia mínima viable (EMV) es el conjunto mínimo de evidencia que permite construir una hipótesis causal con suficiente confianza para diseñar una intervención reversible. No es la evidencia ideal — es la evidencia suficiente para actuar sin asumir un riesgo desproporcionado dado el costo de esperar.
El concepto tiene tres implicancias que no son obvias. Primera: la EMV no es una cantidad fija de datos — es una función de la reversibilidad de la intervención que la hipótesis va a informar. Una intervención que se puede deshacer en 48 horas requiere menos EMV que una que compromete presupuesto anual. Segunda: la EMV se define antes de recolectar la evidencia, no después — si se define después, el equipo tiende a declarar que tiene suficiente cuando encuentra algo que confirma lo que ya creía. Tercera: la EMV no elimina el riesgo de equivocarse — lo hace explícito y manejable.
Para definir la EMV de un diagnóstico específico, hay que responder tres preguntas en orden:
¿Cuál es la hipótesis que necesito evaluar? La EMV no existe en abstracto — existe en relación a una hipótesis específica. "Necesito más datos" no es un problema diagnóstico. "Necesito evidencia de que la caída en conversión se debe a un cambio en el perfil del lead y no a un problema en el proceso de ventas" es un problema diagnóstico con EMV definible.
¿Qué tipo de evidencia cambiaría mi estimación de probabilidad de que esa hipótesis sea correcta? No toda evidencia es relevante para toda hipótesis. La EMV incluye solo la evidencia que mueve la aguja — que haría que el equipo estimara la hipótesis como más o menos probable. Evidencia que confirma algo que ya se asumía con alta confianza no es parte de la EMV.
¿Cuánta de esa evidencia necesito para estar suficientemente seguro dado el nivel de reversibilidad de la intervención? Si la intervención es muy reversible, la respuesta puede ser "dos conversaciones con clientes y una semana de datos". Si la intervención es costosa o difícil de revertir, la EMV es más alta.
El error que más caro sale no es actuar con evidencia insuficiente — es no saber que estás actuando con evidencia insuficiente. La diferencia entre una hipótesis y una suposición no es la cantidad de evidencia que la respalda: es si fue explicitada, si tiene una probabilidad estimada y si tiene criterios que la refutarían. Una hipótesis con 40% de probabilidad estimada que guía una intervención reversible es más rigurosa que una suposición implícita con aparente certeza.
Lisandro IserteJerarquía de fuentes bajo incertidumbre.
Cuando los datos propios son insuficientes, hay fuentes alternativas que producen evidencia de segunda mano. No todas son iguales en su valor diagnóstico. La jerarquía siguiente ordena las fuentes por la confianza que justifican en las hipótesis que producen — de mayor a menor.
Datos propios parciales + razonamiento estructural
Incluso sin datos suficientes para conclusiones estadísticas, los datos propios parciales — 5 transacciones en lugar de 500, 3 semanas en lugar de 6 meses — contienen señal. Combinados con razonamiento estructural sobre el mecanismo causal, producen las hipótesis más diagnósticas disponibles bajo incertidumbre.
Conversaciones directas con el mercado objetivo
Aunque no sean entrevistas sistemáticas, 3 a 5 conversaciones con personas que representan el segmento objetivo producen evidencia cualitativa con alto valor diagnóstico. El criterio no es representatividad estadística — es coherencia de patrones: si las mismas objeciones aparecen en conversaciones independientes, la hipótesis gana peso.
Analogías estructurales de negocios comparables
Casos de empresas con estructura de problema similar — mismo modelo de negocio, mismo ciclo de decisión del cliente, mismo perfil de competencia — producen evidencia de segunda mano útil cuando el mecanismo causal es transferible. La analogía vale por la similitud estructural, no por la similitud de industria.
Benchmarks públicos de industria
Datos agregados de industria — tasas de conversión promedio, CAC por segmento, benchmarks de churn — proveen un punto de referencia pero no evidencia diagnóstica. Sirven para calibrar si una hipótesis es plausible en términos de magnitud, no para confirmar causalidad.
Intuición experta no estructurada
La experiencia acumulada de alguien que conoce el mercado puede contener señal, pero solo cuando se explicita como hipótesis con probabilidad estimada — no cuando opera como certeza implícita. La intuición no estructurada es el punto de partida para formular hipótesis, nunca la conclusión del diagnóstico.
El uso correcto de esta jerarquía no es elegir una sola fuente — es triangular entre las disponibles. Una hipótesis que tiene respaldo en datos propios parciales, se confirma en conversaciones directas y es coherente con analogías estructurales tiene mucha más solidez que una hipótesis respaldada por una sola fuente de alta confianza.
04 — Hipótesis con reversibilidadHipótesis explícitas con criterios de reversibilidad.
El diagnóstico bajo incertidumbre no produce certeza — produce hipótesis con probabilidades estimadas. La diferencia entre operar bajo incertidumbre con rigor y hacerlo sin él no es el nivel de confianza en las hipótesis: es su explicitación.
Una hipótesis diagnóstica bien formulada tiene cinco componentes. La afirmación causal específica. La probabilidad estimada de que sea correcta — expresada como porcentaje, no como "probable" o "posible". La evidencia que la respalda actualmente. Los criterios que la confirmarían si son verdaderos. Y los criterios que la refutarían — que es el componente más frecuentemente omitido y el más importante.
Una hipótesis que no puede ser refutada no es una hipótesis — es una creencia. Definir de antemano qué evidencia haría que el equipo descarte la hipótesis es lo que distingue el diagnóstico riguroso del razonamiento confirmatorio.
La reversibilidad de la intervención es el segundo eje del diseño de hipótesis bajo incertidumbre. Una intervención reversible permite actuar con hipótesis de baja confianza — si la hipótesis es incorrecta, el costo de corregir es bajo. Una intervención irreversible requiere hipótesis de alta confianza antes de actuar — o debe rediseñarse para volverse reversible antes de ejecutar.
Reversibilidad de intervención ↓
Intervención reversible + hipótesis sólida
Ejecutar con monitoreo activo. La reversibilidad cubre el riesgo residual.
Intervención reversible + hipótesis débil
Ejecutar en escala mínima. Definir criterios de corte antes de escalar.
Intervención irreversible + hipótesis sólida
¿Hay una versión más pequeña y reversible que produzca más evidencia antes de comprometer el recurso completo?
Intervención irreversible + hipótesis débil
Invertir en recolectar evidencia o rediseñar la intervención para hacerla reversible antes de ejecutar.
El umbral de acción: cuándo hay suficiente para actuar.
El umbral de acción es el punto en que el costo de recolectar más evidencia supera el costo esperado de actuar con la evidencia disponible. No es un número fijo — es una función de tres variables: la reversibilidad de la intervención, el costo de oportunidad de esperar y la tasa de aprendizaje que produce actuar vs. seguir analizando.
La tercera variable es la más subestimada. En muchos contextos, actuar con una hipótesis de 55% de confianza produce más evidencia diagnóstica en dos semanas que seis semanas adicionales de análisis previo. La intervención es el experimento más informativo disponible — siempre que esté diseñada para generar aprendizaje, no solo para producir resultado.
El test práctico del umbral de acción pasa por cinco preguntas:
Caso: diagnóstico con cero datos propios.
Cómo diagnosticar la estrategia de adquisición sin un solo dato de conversión propio
El contextoUna marca de servicios de diseño para startups en etapa temprana acaba de lanzar. Tiene un sitio web con tres semanas de vida, cero clientes propios y cero datos de conversión. El equipo necesita decidir en qué canal concentrar los primeros tres meses de esfuerzo de adquisición — y no tiene ningún dato propio para informar la decisión.
Paso 1 — Formular la hipótesis antes de buscar evidenciaEl equipo formula tres hipótesis competidoras sobre qué canal producirá el menor CAC para el segmento objetivo: (H1) contenido orgánico en LinkedIn orientado a founders — estimación inicial 45%, (H2) referidos directos desde el network del equipo fundador — estimación inicial 35%, (H3) outreach directo a startups en aceleradoras — estimación inicial 20%. Las probabilidades son estimaciones explícitas de dónde cree el equipo que está la mayor oportunidad, no predicciones de resultado.
Paso 2 — Recolectar EMV de las fuentes disponiblesSin datos propios, el equipo usa la jerarquía de fuentes. Conversaciones directas: entrevistas con 6 founders de startups en etapa temprana sobre cómo eligieron a su proveedor de diseño en el pasado. Analogías estructurales: revisión de cómo tres agencias de servicios para startups describen públicamente su proceso de adquisición en entrevistas y posts. Benchmarks: datos públicos de CAC para servicios profesionales B2B en LinkedIn vs. outreach directo.
Los resultados de las conversaciones son contundentes: 5 de 6 founders eligieron a su proveedor de diseño por recomendación directa de otro founder o de alguien en su aceleradora. Solo 1 lo encontró por contenido. Las analogías estructurales confirman el patrón: los servicios de alto valor para startups en etapa temprana tienen CAC muy bajo cuando el canal es referido y muy alto cuando el canal es contenido orgánico en volumen bajo.
Paso 3 — Actualizar las probabilidades y definir la intervenciónCon la evidencia recolectada, las probabilidades se actualizan: H1 baja a 20%, H2 sube a 60%, H3 sube a 20%. La hipótesis de referidos gana preponderancia. La intervención diseñada es reversible: invertir las primeras 6 semanas exclusivamente en activar el network del equipo fundador y el ecosistema de aceleradoras — sin producir contenido. El criterio de validación: si en 6 semanas no hay al menos 3 conversaciones con prospectos calificados provenientes de referidos, la hipótesis se revisa y se prueba H1 o H3. El criterio de refutación es explícito antes de empezar.
El resultado y el aprendizaje diagnósticoEn 5 semanas el equipo tuvo 7 conversaciones con prospectos calificados y cerró 2 clientes, ambos por referido directo. La hipótesis H2 se confirmó. El diagnóstico sin datos propios fue posible porque el proceso fue explícito: hipótesis formuladas con probabilidades, EMV definida antes de recolectar, fuentes jerarquizadas por confianza, y criterios de validación y refutación establecidos de antemano. La incertidumbre no desapareció — se hizo manejable.
Errores frecuentes al diagnosticar bajo incertidumbre.
Declarar que no hay suficientes datos sin haber definido cuántos serían suficientes
"No tenemos suficientes datos para decidir" es una afirmación que solo tiene sentido si se puede responder cuántos datos serían suficientes y para qué hipótesis específica. En ausencia de esa definición, "no tenemos suficientes datos" es parálisis disfrazada de rigor. El diagnóstico bajo incertidumbre empieza por definir la EMV — que es precisamente la respuesta a "cuánto es suficiente".
Usar fuentes de baja confianza como si fueran de alta confianza
Un benchmark de industria que dice que la tasa de conversión promedio para SaaS B2B es del 3% no dice nada sobre la tasa de conversión probable de un producto específico en un segmento específico con un proceso de ventas específico. Usar ese benchmark como evidencia diagnóstica directa — en lugar de como referencia de magnitud — produce hipótesis mal calibradas. Cada fuente tiene un rol específico en la jerarquía y no puede ser promovida artificialmente.
Formular hipótesis sin criterios de refutación
Una hipótesis que no puede ser refutada por ninguna evidencia posible no es una hipótesis — es una creencia que el equipo va a sostener independientemente de los resultados. El criterio de refutación es el componente más incómodo de formular porque obliga a aceptar de antemano que la hipótesis podría estar equivocada. Es exactamente por eso que es el más importante.
No actualizar las probabilidades con nueva evidencia
El razonamiento bayesiano — actualizar la probabilidad de una hipótesis a medida que llega nueva evidencia — no es natural para la mayoría de los equipos. La tendencia es anclar en la estimación inicial y buscar confirmación. Un diagnóstico bajo incertidumbre que no actualiza sus hipótesis con cada nueva pieza de evidencia no es diagnóstico — es razonamiento confirmatorio con pasos adicionales.
Diseñar intervenciones irreversibles cuando hay una versión reversible disponible
Antes de comprometer recursos significativos a una intervención basada en hipótesis de media confianza, siempre vale preguntar: ¿hay una versión mínima de esta intervención que sea reversible y que produzca evidencia suficiente para decidir si escalar? La versión mínima no es una renuncia a la ambición — es una decisión de gestión de riesgo bajo incertidumbre que preserva la capacidad de aprender y corregir.
Preguntas frecuentes sobre diagnóstico sin datos suficientes.
¿Cuánta evidencia es suficiente para actuar en un diagnóstico sin datos completos?
El umbral de acción no depende de la cantidad de evidencia sino de la reversibilidad de la intervención y el costo de esperar. Si la intervención es reversible y barata, el umbral es bajo — se puede actuar con evidencia mínima y ajustar. Si la intervención es irreversible o costosa, el umbral sube — se necesita más convergencia de fuentes antes de comprometer recursos. La pregunta correcta no es "¿tengo suficientes datos?" sino "¿el costo de esperar más evidencia supera el costo de equivocarme con la evidencia que tengo?"
¿Qué diferencia hay entre una hipótesis diagnóstica y una suposición?
Una suposición es una creencia que opera sin cuestionamiento — algo que el equipo da por cierto sin haberlo explicitado ni validado. Una hipótesis diagnóstica es una suposición convertida en proposición testeable: tiene una afirmación específica, una probabilidad estimada, evidencia que la respalda aunque sea parcial, y criterios explícitos que la confirmarían o refutarían. La diferencia no es de certeza — es de explicitación. Una hipótesis incorrecta se puede corregir. Una suposición incorrecta se descubre tarde, cuando ya produjo daño.
¿Cuándo es válido usar analogías de otras industrias como evidencia diagnóstica?
Las analogías son válidas cuando la estructura del problema es suficientemente similar — no cuando la industria o el producto lo son. Una empresa SaaS puede usar como analogía el proceso de churn de una suscripción de medios si el patrón de uso, el ciclo de decisión y la propuesta de valor son comparables. La pregunta correcta no es "¿esta industria es parecida a la mía?" sino "¿el mecanismo causal que operó ahí es el mismo que podría estar operando aquí?". Si el mecanismo es diferente, la analogía es una distracción.
Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown Publishers.
Klein, G. (1998). Sources of Power: How People Make Decisions. MIT Press.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Rumelt, R. (2011). Good Strategy/Bad Strategy: The Difference and Why It Matters. Crown Business.
Ries, E. (2011). The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business.
Términos del glosario