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 la priorización entre datos vs. intuición está mal planteada.
La pregunta "¿datos o intuición?" está mal formulada — asume que son alternativas en competencia cuando son instrumentos con dominios de aplicación distintos. Los datos son útiles en ciertos contextos; la intuición, en otros. La habilidad no es elegir uno sino saber cuándo cada uno es el correcto para sostener una estrategia.
Daniel Kahneman, en Thinking, Fast and Slow (2011), describió los dos sistemas: Sistema 1 (rápido, intuitivo, basado en patrones reconocidos) y Sistema 2 (lento, deliberado, basado en análisis explícito). Ninguno es superior — son complementarios. 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 supera la velocidad de análisis.
Aplicado a la priorización en marketing: los datos son lentos y retrospectivos. La intuición es rápida y prospectiva — puede anticipar patrones en contextos nuevos donde los datos no existen. Cada uno tiene sesgos distintos. El equipo que los combina bien decide mejor que el que usa solo uno, sea sobre analítica y KPIs, un cambio de pricing o un programa de retención.
02 — Características de cada modoLas características de cada modo en la priorización.
Análisis explícito basado en evidencia recolectada
Las iniciativas se evalúan contra métricas históricas, benchmarks y resultados de A/B tests anteriores, con apoyo de análisis de datos.
- Reduce el sesgo de preferencia personal
- Produce decisiones auditables y defendibles
- Permite aprendizaje acumulativo entre ciclos
- Identifica patrones no visibles intuitivamente
- Retrospectivo — muestra lo que funcionó, no lo que funcionará
- Requiere datos suficientes para ser válido
- Puede ser lento para el ritmo de algunas decisiones
- Optimiza con rigor métricas a veces equivocadas
Criterio experto basado en patrones reconocidos
Las iniciativas se evalúan a partir del juicio del experto — su modelo mental sobre mercado, clientes y dinámica competitiva, construido con experiencia acumulada.
- Rápida — no requiere recolección de datos
- Efectiva en contextos conocidos con patrones claros
- Anticipa tendencias antes que los datos las confirmen
- Incorpora conocimiento tácito no capturable en métricas
- Susceptible a sesgos cognitivos documentados
- No diferencia bien antes y ahora
- Difícil de auditar — el razonamiento no siempre se articula
- Falla en contextos genuinamente nuevos sin patrones
Gary Klein, en Sources of Power (1998), agregó la distinción clave: la intuición experta calibrada — formada en dominios con feedback regular — es conocimiento legítimo, no atajo emocional. La intuición de un especialista en adquisición paga, arquitectura de marca o experimentación con años de operación tiene valor evidencial. La de quien no operó en el dominio, no.
03 — Sesgos del modo datosLos 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 mercado en ese contexto. Si el segmento o el entorno competitivo cambiaron, los datos históricos son menos confiables — útil revisarlos en dashboards de rendimiento con visión histórica.
Se priorizan iniciativas con datos — relegando las que no los tienen
Una iniciativa de contenido SEO en un canal establecido tiene historial. Un canal nuevo no. Si el proceso pesa los datos existentes sin ajustar por ausencia, el canal nuevo pierde aunque su potencial sea mayor.
Optimizar con rigor la métrica equivocada produce decisiones bien fundamentadas pero incorrectas
Un equipo que prioriza por CTR puede estar optimizando una variable que no correlaciona con el objetivo que importa — CAC, CLV o ROI. El rigor del análisis no compensa la elección incorrecta del indicador.
Los sesgos de la priorización basada en intuición.
Aplican cuando se decide sobre lifecycle, CRO o expansion de CLV sin métricas concluyentes: los tres sesgos siguientes operan en silencio.
La intuición tiende a confirmar lo que ya se cree
El experto que ya tiene una hipótesis tiende a interpretar la evidencia ambigua de forma que la confirma. La intuición no es neutral — está sesgada por las creencias previas.
La experiencia más reciente tiene mayor peso del que merece
Si la última campaña de email funcionó excepcionalmente bien, la intuición sobrevalora el email como canal — aunque el éxito fuera situacional, no sistemático.
Las situaciones vívidas influyen más que su frecuencia real justificaría
Un evento de alto impacto emocional — un cliente que se fue criticando algo, una campaña fallida visible — pesa más en la intuición que el patrón estadístico de eventos similares menos memorables.
Las condiciones que favorecen cada modo de priorización.
El modelo para combinar datos e intuición al priorizar.
La mayoría de las decisiones caen en la zona gris donde hay datos parciales y criterio experto. El modelo más efectivo no promedia — los usa secuencialmente con roles distintos, integrándolos en un plan de acción verificable.
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 primero, explicitarla, y después buscar activamente los datos que podrían refutarla. Si 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 vs. 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 sino racionalización. Los datos deben buscarse antes de la decisión, con la pregunta de qué evidencia cambiaría la evaluación. Cassie Kozyrkov llama a esto "decision intelligence": separar el momento de definir el criterio del momento de mirar los datos.
Descartar la intuición de un experto porque "no hay datos"
En contextos nuevos, la ausencia de datos no invalida la intuición — significa que la decisión se toma con mayor incertidumbre. La intuición de alguien con experiencia relevante es una forma de evidencia, aunque no cuantificable. Descartarla produce parálisis cuando los datos no llegarán a tiempo, sea para un cambio de propuesta de valor o una decisión de marca.
No registrar las predicciones antes de ejecutar
Si el equipo no documenta qué esperaba que pasara antes de ejecutar, no puede evaluar si su modelo funciona. Los resultados sin predicción previa son información sobre qué ocurrió — no sobre si la decisión fue correcta. Annie Duke, en Thinking in Bets (2018), insiste: sin predicción explícita, no hay calibración posible.
Confundir cantidad de datos con calidad de datos
Un dashboard con 40 métricas no significa decidir basado en datos — puede significar lo contrario. Tres métricas bien elegidas e interpretadas deciden mejor que cuarenta sin jerarquía.
Tratar la combinación como un promedio silencioso
Cuando datos e intuición divergen y el equipo "encuentra un punto medio" sin explicitar el desacuerdo, produce la peor versión de ambos: una decisión no defendible por datos ni por criterio experto. La combinación tiene que ser deliberada y documentada.
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, o cuando los datos históricos ya no son representativos del contexto actual. La mayoría combina ambos — la habilidad es saber cuánto peso dar a cada uno.
¿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 de datos (se priorizan iniciativas con datos, relegando las que no los tienen), y sesgo de métrica incorrecta (optimizar con rigor la variable equivocada produce decisiones bien fundamentadas pero ancladas al indicador erróneo).
¿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).
¿Cuál es el mejor modelo para combinar datos e intuición?
No promediar sino usarlos secuencialmente: primero intuición para generar la hipótesis, después datos para validarla o refutarla (buscar evidencia contraria), después decisión explícita sobre el peso de cada uno cuando divergen, y finalmente registrar la predicción para calibrar el modelo mental.
¿La intuición del experto cuenta como evidencia cuando no hay datos?
Sí. Gary Klein documentó en Sources of Power (1998) que la intuición experta entrenada en un dominio con feedback regular es una forma legítima de conocimiento, no un atajo emocional. La condición es que el experto haya operado en condiciones donde la realidad le devolvió consecuencias de sus decisiones — eso permite que el patrón intuitivo esté calibrado. En contextos genuinamente nuevos sin feedback previo, la intuición es menos confiable.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. Caps. sobre Sistema 1 vs Sistema 2 y sesgos cognitivos en decisión.
Klein, G. (1998). Sources of Power: How People Make Decisions. MIT Press. Caps. sobre intuición experta y reconocimiento de patrones.
Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown. Caps. sobre calibración de predicciones.
Meehl, P. E. (1954). Clinical Versus Statistical Prediction. University of Minnesota Press. Estudio fundacional sobre juicio clínico vs estadístico.
Duke, A. (2018). Thinking in Bets. Portfolio. Caps. sobre toma de decisiones bajo incertidumbre y resulting bias.
Croll, A., & Yoskovitz, B. (2013). Lean Analytics. O'Reilly Media. Caps. sobre métricas correctas vs métricas vanidad.
Kahneman, D., Lovallo, D., & Sibony, O. (2011). Before You Make That Big Decision. Harvard Business Review. Disponible en: hbr.org
Términos relacionados