Cómo diagnosticar sin datos suficientes.
La mayoría de las decisiones de marketing ocurren sin datos suficientes. Un marco para operar bajo incertidumbre sin colapsar en parálisis ni en intuicionismo.
La mayoría de los diagnósticos ocurren sin datos suficientes.
Cómo diagnosticar sin datos es la pregunta más común en marketing. El proceso descrito en spokes anteriores como el diagnóstico cuantitativo y el cualitativo asume condiciones que no siempre existen: histórico limpio, tracking implementado, clientes a quienes entrevistar.
Una empresa nueva no tiene datos propios. Una marca lanzando en segmento nuevo no tiene benchmarks internos. Un equipo en crisis no tiene semanas para recolectar evidencia. Un negocio pequeño no tiene volumen para que sus métricas sean concluyentes. Diagnosticar bajo incertidumbre no es excepción: es lo común.
Los equipos caen en dos errores simétricos. La parálisis analítica: esperar datos suficientes antes de actuar, lo que en alta incertidumbre significa no actuar. El intuicionismo no declarado: actuar sobre suposiciones implícitas sin marco que permita saber si la decisión fue correcta.
Philip Tetlock y Dan Gardner, en Superforecasting (2015), 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 calibradas y actualizan creencias con cada evidencia. La calidad del proceso, no la cantidad de datos, determina la calidad del diagnóstico.
02 — Evidencia mínima viableEvidencia mínima viable: qué es y cómo definirla.
La evidencia mínima viable (EMV) es el conjunto mínimo que permite construir una hipótesis causal con suficiente confianza para diseñar una intervención reversible. No es la evidencia ideal: es la suficiente para actuar sin asumir riesgo desproporcionado.
Tres implicancias. La EMV es función de la reversibilidad de la intervención, no cantidad fija. Se define antes de recolectar evidencia: si se define después, el equipo declara que tiene suficiente cuando encuentra algo que confirma lo que creía. La EMV no elimina el riesgo — lo hace explícito.
Tres preguntas en orden definen la EMV. Primero, ¿cuál es la hipótesis específica? "Necesito más datos" no es problema diagnóstico; "necesito evidencia de que la caída en conversión se debe al perfil del lead y no al proceso de ventas" sí lo es. Segundo, ¿qué evidencia movería la probabilidad? Tercero, ¿cuánta dada la reversibilidad? Una hipótesis sobre síntoma se valida más rápido que una sobre causa estructural.
03 — Jerarquía de fuentesJerarquía de fuentes bajo incertidumbre.
Cuando los datos propios son insuficientes, hay fuentes alternativas que producen evidencia de segunda mano. No todas tienen igual valor diagnóstico. La jerarquía siguiente las ordena por la confianza que justifican — de mayor a menor.
Datos propios parciales + razonamiento estructural
5 transacciones en lugar de 500 contienen señal. Combinados con razonamiento sobre el mecanismo causal, producen las hipótesis más diagnósticas disponibles bajo incertidumbre.
Conversaciones directas con el segmento objetivo
3 a 5 conversaciones con personas del ICP producen evidencia cualitativa de alto valor. El criterio es coherencia: si las mismas objeciones aparecen en conversaciones independientes, la hipótesis gana peso.
Analogías estructurales de negocios comparables
La analogía vale por la similitud estructural — mismo modelo, mismo ciclo de decisión —, no por la similitud de industria.
Benchmarks públicos de industria
Sirven para calibrar magnitud (CAC por segmento, churn benchmark), no para confirmar causalidad.
Intuición experta no estructurada
Contiene señal solo cuando se explicita como hipótesis con probabilidad estimada. Punto de partida, nunca conclusión.
El uso correcto no es elegir una sola fuente sino triangular. Una hipótesis con respaldo en datos parciales, confirmada en conversaciones y coherente con analogías es más sólida que una respaldada por una sola fuente. Conecta con la disciplina de las preguntas diagnósticas y el mapa causal. Gary Klein, en Sources of Power (1998), documentó cómo los expertos bajo presión combinan fuentes débiles para producir decisiones de alta calidad.
04 — Hipótesis con reversibilidadHipótesis explícitas con criterios de reversibilidad.
El diagnóstico bajo incertidumbre no produce certeza: produce hipótesis con probabilidades estimadas. Una hipótesis bien formulada tiene cinco componentes — afirmación causal, probabilidad como porcentaje, evidencia, criterios de confirmación y criterios de refutación. El último es el más omitido y el más importante: una hipótesis que no puede ser refutada es creencia. Daniel Kahneman, en Thinking, Fast and Slow (2011) cap. 24, documenta cómo el sesgo de confirmación contamina los procesos sin criterios de refutación explícitos.
La caída en activación se debe a que el segmento de pauta no tiene madurez para activar sin acompañamiento, no a un problema en el flujo de onboarding.
65%
Activación 18% en pauta vs. 41% en orgánico. En 3 de 4 conversaciones la queja fue "no sabía por dónde empezar", no "el producto no funcionó".
Si al agregar onboarding asistido la activación de pauta sube ≥15 puntos en 30 días.
Si el onboarding asistido no mueve la activación, o si los orgánicos con el mismo perfil tienen activación igualmente baja.
La reversibilidad de la intervención es el segundo eje. Reversible: actuar con baja confianza es viable. Irreversible: alta confianza requerida, o rediseñar para que sea reversible:
Reversible + alta confianza
Ejecutar con monitoreo. La reversibilidad cubre el riesgo residual.
Reversible + baja confianza
Piloto con criterios de corte definidos antes de escalar.
Irreversible + alta confianza
¿Hay versión más pequeña y reversible que produzca evidencia antes?
Irreversible + baja confianza
Recolectar evidencia o rediseñar la intervención para hacerla reversible.
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 disponible. Función de tres variables: reversibilidad, costo de oportunidad, y tasa de aprendizaje al actuar vs. seguir analizando. La tercera es la más subestimada: actuar con una hipótesis de 55% suele producir más evidencia diagnóstica en dos semanas que seis semanas de análisis previo. Eric Ries lo llamó el build-measure-learn loop en The Lean Startup (2011).
Caso: diagnóstico con cero datos propios.
Cómo diagnosticar la estrategia de adquisición sin un solo dato propio
El contextoUna agencia de servicios de diseño para startups B2B lanzó hace tres semanas. Cero clientes, cero datos. Decisión: en qué canal concentrar los primeros tres meses.
Paso 1 — Hipótesis con probabilidadTres hipótesis sobre el menor CAC: H1 contenido en LinkedIn — 45%. H2 referidos del network — 35%. H3 outreach a aceleradoras — 20%.
Paso 2 — EMV desde la jerarquía6 entrevistas con founders sobre cómo eligieron a su proveedor de diseño. Analogías de tres agencias comparables. Benchmarks de CAC B2B. Resultado: 5 de 6 founders eligieron por recomendación directa.
Paso 3 — Actualizar y actuar reversibleProbabilidades actualizadas: H1 → 20%, H2 → 60%, H3 → 20%. 6 semanas activando network. Criterio de refutación: si no hay 3 conversaciones calificadas, se prueba H1 o H3.
Resultado5 semanas: 7 conversaciones calificadas y 2 clientes cerrados, ambos por referido. La incertidumbre se hizo manejable porque el proceso fue explícito.
El error que más caro sale no es actuar con evidencia insuficiente: es no saber que estás actuando con evidencia insuficiente. Una hipótesis con 40% de probabilidad estimada que guía una intervención reversible es más rigurosa que una suposición implícita con aparente certeza.
Lisandro IserteCómo se conecta con el resto del sistema.
La incertidumbre no es caso límite — es la condición operativa por defecto.
Investigación de mercado
Bajo incertidumbre, 5-8 entrevistas cualitativas suelen superar a estudios cuantitativos con muestras no representativas.
Experimentación
El experimento es la forma más eficiente de completar el diagnóstico cuando los datos previos son insuficientes — el A/B test produce evidencia que el análisis previo no puede.
Propuesta de valor
Validar propuesta de valor bajo incertidumbre se hace con conversaciones estructuradas, no con encuestas que diluyen la señal.
Priorización y trade-offs
Priorización con datos limitados se ancla en reversibilidad: lo reversible primero, para aprender sin comprometer recursos en hipótesis débiles.
Optimización de presupuesto
La primera asignación va a estar parcialmente equivocada — el diseño correcto incluye criterios de reasignación.
Segmentación e ICP
El ICP sin datos propios obliga a triangular entre datos del fundador, conversaciones y analogías.
Posicionamiento de marca
Posicionamiento sin datos cuantitativos exige triangular entre conversaciones, lenguaje del competidor y teoría de diferenciación.
Conversión y CRO
Sin tráfico significativo, cinco entrevistas con usuarios que abandonaron suelen producir más insight que esperar volumen estadístico.
Retención y churn
El churn de los primeros 20 clientes contiene más señal que el promedio agregado de 2.000 — análisis cualitativo manda cuando faltan cohortes.
Atribución y medición
Sin setup completo, el diagnóstico se apoya en triangulación: pedirle al lead la fuente, cruzar con UTM y validar con conversaciones.
Errores frecuentes al diagnosticar bajo incertidumbre.
Declarar que no hay suficientes datos sin definir cuántos serían
"No tenemos suficientes datos" solo tiene sentido si se puede responder cuántos serían y para qué hipótesis. Sin esa definición, es parálisis disfrazada de rigor.
Usar fuentes de baja confianza como si fueran de alta
Un benchmark que dice que la conversión promedio de SaaS B2B es 3% no dice nada sobre un producto específico en un segmento específico. Usarlo como evidencia diagnóstica directa produce hipótesis mal calibradas.
Formular hipótesis sin criterios de refutación
Una hipótesis que no puede ser refutada por ninguna evidencia posible no es hipótesis: es creencia. Es el componente más incómodo y por eso el más importante.
No actualizar las probabilidades con nueva evidencia
El razonamiento bayesiano no es natural. La tendencia es anclar en la estimación inicial. Sin actualización no es diagnóstico — es razonamiento confirmatorio con pasos adicionales.
Diseñar intervenciones irreversibles cuando hay versión reversible
Antes de comprometer recursos: ¿hay versión mínima reversible que produzca evidencia suficiente?
Preguntas frecuentes sobre diagnóstico sin datos suficientes.
¿Cuánta evidencia es suficiente para actuar sin datos completos?
No depende de la cantidad sino de la reversibilidad de la intervención y el costo de esperar. Reversible y barata: el umbral baja. Irreversible o costosa: el umbral sube. La pregunta correcta no es cuántos datos tenés, sino si el costo de esperar más evidencia supera el costo de equivocarte con la disponible.
¿Qué diferencia hay entre una hipótesis diagnóstica y una suposición?
Una suposición opera sin cuestionamiento. Una hipótesis es proposición testeable: afirmación específica, probabilidad estimada, evidencia parcial, criterios de confirmación y refutación. La diferencia no es de certeza sino de explicitación. Una hipótesis incorrecta se corrige; una suposición incorrecta se descubre tarde.
¿Cuándo es válido usar analogías de otras industrias como evidencia?
Cuando la estructura del problema es similar, no cuando la industria o el producto lo son. Una empresa SaaS puede usar como analogía el churn de medios si el patrón de uso, ciclo de decisión y propuesta de valor son comparables. Si el mecanismo causal 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 (cap. 24: "El motor del capitalismo"). Farrar, Straus and Giroux.
Rumelt, R. (2011). The perils of bad strategy. McKinsey Quarterly.
Ries, E. (2011). The Lean Startup: How Today’s Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business.
Términos del glosarioEl diagnóstico está completo. El último paso del subhub es el más estratégico: cómo traducir los hallazgos en intervenciones concretas, priorizadas y medibles que el equipo pueda ejecutar.
De diagnóstico a decisión estratégica →