Análisis de datos de mercado:
de números a decisiones
que mueven el negocio.
Los datos sin análisis son ruido. El análisis sin conexión con decisiones es academia. Lo que separa a ambos del impacto real es una pregunta: ¿qué vamos a hacer distinto con esto?
Análisis de datos de mercado.
El análisis de datos de mercado es el proceso sistemático de transformar datos crudos — de encuestas, entrevistas, focus groups, bases de datos y fuentes secundarias — en patrones interpretables que informan decisiones de marketing. No es calcular promedios ni producir gráficos bonitos: es encontrar las conexiones entre variables que cambian lo que el equipo decide hacer.
02 — NivelesLos 3 niveles de análisis.
Churchill y Iacobucci distinguen en Marketing Research: Methodological Foundations tres niveles de análisis que representan profundidad creciente y valor estratégico creciente.
Descriptivo
¿Qué dicen los datos? Frecuencias, promedios, distribuciones. "El 68% prioriza integración." Es el nivel básico — necesario pero insuficiente para decidir.
Comparativo
¿Difieren los grupos? Cross-tabs, comparaciones por segmento. "Los de +50 empleados priorizan integración al 82%; los de -10, precio al 71%." Acá están los insights accionables para segmentación.
Predictivo
¿Qué implica para el futuro? Correlaciones, regresiones, análisis conjunto. "El factor que más predice NPS es velocidad de respuesta de soporte, no features del producto." Esto cambia la priorización.
Naresh Malhotra refuerza en Marketing Research (7th ed., cap. 14-17) que la mayoría de los equipos se quedan en el nivel descriptivo: producen dashboards con promedios generales que no diferencian entre segmentos ni predicen comportamiento futuro. El salto de descriptivo a comparativo es donde se genera el mayor valor por menor esfuerzo adicional — y es donde la mayoría se detiene.
03 — ProcesoEl proceso: de datos crudos a recomendaciones.
Limpieza y preparación
Aaker, Kumar y Day estiman en Marketing Research (11th ed.) que el 30-50% del tiempo de análisis se gasta en limpieza: eliminar respuestas incompletas, detectar patrones sospechosos (el respondente que marca todo en 5), corregir inconsistencias y estandarizar formatos. La tentación es saltar este paso. El resultado de saltarlo: conclusiones basadas en datos sucios que nadie detectó.
Análisis cuantitativo
Para datos de encuestas: tabulaciones cruzadas entre variables clave (satisfacción × segmento, awareness × canal, disposición a pagar × rol del decisor). Tests de significancia para confirmar que las diferencias entre grupos no son aleatorias. Para datos de comportamiento: análisis de cohortes, tendencias temporales, correlaciones entre métricas. La analítica de rendimiento aporta el contexto interno; el análisis de mercado aporta el contexto externo. La clave es no quedarse en los promedios generales: desagregar por segmento, por canal, por etapa del journey, por tipo de cliente. Las diferencias entre subgrupos son donde residen las decisiones más accionables — no en el número general que promedia todo.
Para datos de pricing, el análisis requiere herramientas específicas: Van Westendorp produce un rango de precios aceptables, Gabor-Granger estima demanda a distintos puntos de precio, y el análisis conjunto (conjoint analysis) revela la disposición a pagar por cada atributo individual. Los resultados alimentan directamente la estrategia de pricing y la paquetización. Sin estos análisis, el pricing se basa en costos o en lo que cobra la competencia — ambas opciones ignoran lo que el mercado realmente valora y cuánto está dispuesto a pagar por ello.
Análisis cualitativo
Para datos de entrevistas y focus groups: codificación temática, identificación de patrones, construcción de narrativas. John Creswell formalizó el proceso en Research Design: leer, codificar, categorizar, conectar, sintetizar. El output no son porcentajes sino temas con evidencia: "Los decisores priorizan confianza sobre funcionalidad — 7 de 10 usaron la palabra 'tranquilidad' espontáneamente."
Síntesis e implicancias
El paso más crítico y más omitido. Conectar hallazgos con decisiones concretas: ¿qué cambia en nuestra propuesta de valor? ¿cómo ajustamos la segmentación? ¿qué prioridad cambia en el go-to-market? Un análisis que no produce al menos 3 recomendaciones accionables es un análisis incompleto.
Trabajé con un marketplace que tenía un dataset de 50.000 transacciones y no sabía qué hacer con él. Cuando lo cruzamos con los motivos de contacto a soporte y los datos de la encuesta de satisfacción, apareció un patrón invisible: los clientes que usaban el filtro de búsqueda avanzada tenían 3x más probabilidad de repetir compra. No era el producto — era la experiencia de encontrarlo. Reposicionamos el filtro como feature premium y rediseñamos el onboarding alrededor de enseñar a usarlo. El repeat rate subió 22% en 4 meses.
Lisandro IserteCorrelación, causalidad y las trampas del análisis.
Daniel Kahneman documentó en Thinking, Fast and Slow que el cerebro humano está diseñado para encontrar patrones — incluso donde no existen. El analista de mercado enfrenta la misma trampa: ver causalidad donde solo hay correlación, confirmar hipótesis previas seleccionando datos favorables, y confundir ruido estadístico con señal real.
Correlación ≠ causalidad
Que los clientes que usan más features tengan mayor NPS no significa que más features causan satisfacción. Puede ser que los clientes más satisfechos exploren más el producto. Para establecer causalidad necesitás experimentación controlada — no análisis observacional.
Sesgo de confirmación en el análisis
El analista que busca confirmar una hipótesis la va a encontrar — porque siempre hay un corte de datos que la soporta. Los sesgos no solo afectan la recolección — afectan la interpretación. Malhotra recomienda asignar a alguien del equipo el rol de "abogado del diablo" que busque interpretaciones alternativas de los mismos datos.
El problema de los promedios
Un promedio de satisfacción de 4.1/5 puede esconder que un segmento está en 4.8 y otro en 3.2. Los promedios ocultan varianza — y la varianza es donde están las decisiones de segmentación, pricing diferencial y retención selectiva. Siempre desagregá antes de concluir.
El mismo principio aplica a NPS: un score de 45 puede significar que todos están moderadamente satisfechos, o que la mitad son promotores y la mitad detractores. Las implicancias estratégicas son radicalmente distintas. La distribución importa más que el promedio — y sin embargo, la mayoría de los reportes de investigación solo presentan el número central sin mostrar cómo se distribuyen las respuestas. Para la expansión de CLV, entender quiénes son los promotores y por qué importa más que saber cuántos son en promedio.
05 — ConexionesEl análisis en el sistema de marketing.
El análisis de datos de mercado alimenta cada cluster. El diagnóstico estratégico necesita análisis de mercado como insumo — no solo datos internos. La posición de marca se mapea analizando datos de percepción versus la competencia. La diferenciación se valida cuando el análisis muestra que los clientes perciben una ventaja que la competencia no iguala. La estrategia de contenido se optimiza con análisis de intención de búsqueda y engagement. La atribución combina datos internos con investigación de mercado para explicar no solo qué pasó sino por qué. La expansión de CLV se fundamenta en análisis de qué perfiles generan mayor valor y por qué.
06 — Errores frecuentesLos errores que destruyen el valor del análisis.
Analizar sin pregunta de decisión
"Veamos qué dicen los datos" suena riguroso pero produce fishing expeditions — buscar patrones sin hipótesis hasta encontrar algo que parezca interesante. El análisis efectivo empieza con: "¿qué decisión necesitamos tomar y qué datos la informan?"
Confundir dato interesante con dato útil
"El 73% de nuestros clientes son hombres" es interesante. "Los hombres tienen un CLV 40% mayor pero las mujeres refieren 3x más" es útil — porque cambia la priorización de adquisición.
No segmentar los resultados
El promedio general oculta las diferencias que importan. Siempre cruzá las variables clave con los segmentos que definiste — y si los segmentos no muestran diferencias, revisá si la segmentación es correcta.
Presentar datos sin recomendaciones
Un informe de 80 slides con gráficos y sin una sección de "implicancias y acciones recomendadas" es un ejercicio académico. Cada hallazgo debería terminar con: "esto significa que deberíamos…" Si después de una investigación no cambia al menos una decisión concreta del equipo, la investigación fue gasto — no inversión en conocimiento de mercado.
Cómo usar el análisis para diagnosticar.
El análisis de datos de mercado es la herramienta diagnóstica por excelencia cuando se combina con las fuentes correctas. Para posicionamiento: cruzá datos de percepción de marca con datos de preferencia de compra — ¿las asociaciones que tenés son las que producen conversión? Para segmentación: cluster analysis sobre datos de comportamiento revela segmentos naturales que la demografía no captura. Para pricing: análisis de sensibilidad al precio por segmento muestra dónde hay margen y dónde hay riesgo de churn. Para tendencias: análisis temporal de métricas clave anticipa cambios antes de que los percibas operativamente.
08 — Preguntas frecuentesPreguntas frecuentes.
¿Necesito saber estadística para analizar datos de mercado?
No necesitás ser estadístico, pero sí entender conceptos básicos: media vs mediana, significancia, correlación vs causalidad, margen de error. El 80% del análisis de marketing se resuelve con tabulaciones cruzadas y visualización. El 20% avanzado se puede tercerizar.
¿Correlación implica causalidad?
No. Que dos variables se muevan juntas no significa que una cause la otra. Para establecer causalidad necesitás diseño experimental con control de variables. En marketing, la mayoría de los datos son observacionales — la humildad causal es obligatoria.
¿Cuándo usar análisis cualitativo vs cuantitativo?
Cualitativo para datos textuales (transcripciones, respuestas abiertas). Cuantitativo para datos numéricos (encuestas cerradas, métricas, transacciones). Lo ideal: triangular ambos y cruzar hallazgos.
Referencias y bibliografía.
Malhotra, N. K. (2019). Marketing Research: An Applied Orientation. 7th ed. Pearson. Cap. 14-17: "Data Analysis."
Churchill, G. A. & Iacobucci, D. (2018). Marketing Research: Methodological Foundations. 12th ed. Cengage. Cap. 15-18.
Aaker, D. A., Kumar, V., Leone, R. & Day, G. S. (2013). Marketing Research. 11th ed. Wiley. Cap. 16-19.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Creswell, J. W. (2014). Research Design. 4th ed. SAGE. Cap. 8-9: "Data Analysis."
Croll, A. & Yoskovitz, B. (2013). Lean Analytics. O'Reilly. Cap. 4-6.
Términos del glosario