Priorización:
datos
vs. intuición.
No es un debate sobre cuál es mejor. Es el análisis de cuándo cada uno es el instrumento correcto — y cómo combinarlos sin que ninguno anule al otro.
- Por qué no es un debate sobre cuál es mejor
- Las características de cada modo
- Los sesgos de la priorización basada en datos
- Los sesgos de la priorización basada en intuición
- Las condiciones que favorecen cada modo
- El modelo de combinación
- Errores frecuentes
- Preguntas frecuentes
- Referencias y bibliografía
Por qué no es un debate sobre cuál es mejor.
La pregunta "¿datos o intuición?" está mal formulada — asume que son alternativas en competencia cuando en realidad son instrumentos con dominios de aplicación distintos. Los datos son útiles en ciertos contextos y la intuición es útil en otros. La habilidad no es elegir uno sobre el otro sino saber cuándo cada uno es el instrumento correcto.
Daniel Kahneman describió los dos sistemas de pensamiento en Thinking, Fast and Slow (2011): el Sistema 1 (rápido, intuitivo, basado en patrones reconocidos) y el Sistema 2 (lento, deliberado, basado en análisis explícito). Ninguno es superior — son herramientas complementarias. El Sistema 1 falla en contextos nuevos sin patrones previos. El Sistema 2 falla cuando no hay datos suficientes o cuando la velocidad de decisión es mayor que la velocidad de análisis.
Aplicado a la priorización en marketing: los datos son lentos y retrospectivos — muestran lo que funcionó en el pasado en el contexto en que se recolectaron. La intuición es rápida y prospectiva — puede anticipar patrones en contextos nuevos donde los datos no existen todavía. Los dos tienen sesgos distintos. El equipo que los combina bien produce mejores decisiones que el que usa solo uno.
02 — Características de cada modoLas características de cada modo.
Análisis explícito basado en evidencia recolectada
Las iniciativas se evalúan contra métricas históricas, benchmarks, resultados de experimentos anteriores y proyecciones basadas en datos disponibles.
- Reduce el sesgo de preferencia personal
- Produce decisiones auditables y defendibles
- Permite aprendizaje acumulativo entre ciclos
- Identifica patrones que no son visibles intuitivamente
- Retrospectivo — muestra lo que funcionó, no lo que funcionará
- Requiere datos suficientes para ser estadísticamente válido
- Puede ser lento para el ritmo de algunas decisiones
- Puede optimizar métricas equivocadas con mucho rigor
Criterio experto basado en patrones reconocidos
Las iniciativas se evalúan a partir del juicio del experto — su modelo mental del mercado, los clientes y la dinámica competitiva, construido con experiencia acumulada.
- Rápida — no requiere recolección de datos
- Efectiva en contextos conocidos con patrones claros
- Puede anticipar tendencias antes de que los datos las confirmen
- Incorpora conocimiento tácito no capturable en métricas
- Susceptible a sesgos cognitivos documentados
- No diferencia bien entre lo que funcionó antes y lo que funcionará ahora
- Difícil de auditar — el razonamiento no es siempre articulable
- Falla en contextos genuinamente nuevos sin patrones previos
Los sesgos de la priorización basada en datos.
Los datos muestran lo que funcionó — no necesariamente lo que funcionará
Los datos de conversión del trimestre anterior reflejan el comportamiento del mercado en ese contexto específico. Si el mercado, el segmento o el entorno competitivo cambiaron, los datos históricos son una guía menos confiable de lo que sugieren.
Se priorizan las iniciativas sobre las que hay datos — relegando las que no los tienen
Una iniciativa de contenido en un canal establecido tiene datos históricos de rendimiento. Una iniciativa en un canal nuevo no los tiene. Si el proceso de priorización pesa los datos existentes sin ajustar por ausencia de datos, el canal nuevo sistemáticamente pierde aunque su potencial sea mayor.
Optimizar con rigor la métrica equivocada produce decisiones bien fundamentadas pero incorrectas
Un equipo que prioriza todas sus iniciativas por CTR puede estar optimizando una métrica que no correlaciona con el objetivo que importa. El rigor del análisis no compensa la elección incorrecta de la variable de evaluación.
Los sesgos de la priorización basada en intuición.
La intuición tiende a confirmar lo que ya se cree
El experto que ya tiene una hipótesis sobre qué iniciativa debería priorizarse tiende a interpretar la evidencia ambigua de manera que confirma esa hipótesis. La intuición no es neutral — está sesgada por las creencias previas del evaluador.
La experiencia más reciente tiene mayor peso del que merece
Si la última campaña de email funcionó excepcionalmente bien, la intuición tiende a sobrevalorar el email como canal en la siguiente ronda de priorización — aunque el éxito fuera situacional y no sistemático.
Las situaciones vívidas influyen más que su frecuencia real justificaría
Un evento de alto impacto emocional — un cliente que se fue comentando algo específico, una campaña que falló de manera visible — tiene más peso en la intuición que el patrón estadístico de muchos eventos similares menos memorables.
Las condiciones que favorecen cada modo.
El modelo de combinación.
La mayoría de las decisiones de priorización caen en la zona gris donde hay datos parciales y criterio experto. El modelo de combinación más efectivo no es promediar los dos — es usarlos secuencialmente con roles distintos.
La señal más clara de que un equipo está usando mal sus datos no es que los ignore — es que los usa para confirmar lo que ya decidió intuitivamente. El proceso correcto es el inverso: formular la hipótesis intuitiva primero, explicitarla, y después buscar activamente los datos que podrían refutarla. Si los datos no la refutan, la hipótesis es más sólida. Si la refutan, se aprendió algo. El peor resultado es buscar datos para justificar una decisión ya tomada — porque ese proceso nunca produce aprendizaje.
Lisandro IserteErrores frecuentes en la priorización datos/intuición.
Usar datos para justificar una decisión intuitiva ya tomada
Cuando el proceso es "decidimos X, ahora buscamos datos que lo respalden", el análisis no produce aprendizaje — produce racionalización. Los datos deben buscarse antes de la decisión, con la pregunta explícita de qué evidencia haría cambiar la evaluación intuitiva.
Descartar la intuición de un experto porque "no hay datos"
En contextos nuevos, la ausencia de datos no invalida la intuición del experto — simplemente significa que la decisión se toma con mayor incertidumbre. La intuición de alguien con experiencia relevante en el dominio es una forma de evidencia, aunque no sea cuantificable. Descartarla sistemáticamente por falta de datos produce parálisis en situaciones donde los datos no van a llegar a tiempo.
No registrar las predicciones antes de ejecutar
Si el equipo no documenta qué esperaba que pasara antes de ejecutar una iniciativa, no puede evaluar si su modelo de priorización funciona. Los resultados sin predicción previa son información sobre qué ocurrió — no sobre si el proceso de decisión fue correcto.
Preguntas frecuentes sobre priorización datos vs. intuición.
¿Cuándo usar datos y cuándo usar intuición para priorizar?
Los datos son correctos cuando hay historial suficiente, el contexto es estable, y la decisión es reversible. La intuición es correcta cuando no hay datos suficientes (situaciones nuevas), cuando la decisión debe tomarse más rápido que el análisis puede producir, o cuando los datos históricos ya no son representativos del contexto actual. La mayoría de las decisiones de priorización combinan los dos — la habilidad es saber cuánto peso dar a cada uno explícitamente.
¿Cuáles son los sesgos de la priorización basada en datos?
Los tres principales son: sesgo de retrospección (los datos muestran lo que funcionó en el pasado, no necesariamente en el futuro), sesgo de disponibilidad (se priorizan iniciativas sobre las que hay datos, relegando las que no los tienen), y sesgo de métrica incorrecta (optimizar con rigor la variable equivocada produce decisiones bien fundamentadas pero incorrectas).
¿Cuáles son los sesgos de la priorización basada en intuición?
Los tres principales documentados por Kahneman son: sesgo de confirmación (la intuición confirma lo que ya se cree), sesgo de recencia (la experiencia más reciente pesa más de lo que debería), y sesgo de disponibilidad cognitiva (situaciones vívidas influyen más que su frecuencia real justificaría). Los tres producen evaluaciones que parecen bien fundamentadas pero están distorsionadas por la arquitectura del pensamiento intuitivo.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
Meehl, P. E. (1954). Clinical Versus Statistical Prediction. University of Minnesota Press.
Croll, A., & Yoskovitz, B. (2013). Lean Analytics. O'Reilly Media.
Términos del glosario