Ciencia de datos: del dato crudo a la decisión que se toma

Una empresa de distribución invierte ocho meses en un tablero de indicadores: veintidós gráficas, actualización diaria, acceso desde el celular. Se presenta en comité y se instala en la pantalla de la sala de juntas. Seis meses después alguien nota que la cifra de rotación de inventario lleva tres semanas congelada, porque cambió el nombre de un campo en el sistema de origen. Nadie lo había notado, y eso dice más que las veintidós gráficas: durante tres semanas, ninguna decisión dependió de ese tablero.

Ese desenlace es más común que el fracaso ruidoso, y es peor, porque no deja aprendizaje. La causa no es técnica. Nadie definió, antes de empezar, qué decisión iba a tomarse distinto cuando el número estuviera disponible.

La prueba de una sola pregunta

Antes de gastar un peso conviene preguntar: ¿qué decisión se va a tomar distinto cuando este número exista, y quién la toma? Si la respuesta es «tendremos visibilidad», el proyecto no tiene destinatario. Una respuesta útil suena así: cuando una referencia rote menos de una vez por trimestre, el jefe de compras deja de reponerla automáticamente y decide caso por caso. Tiene verbo, responsable y umbral, y dentro de tres meses se puede comprobar si ocurrió.

La segunda pregunta es igual de incómoda: qué se hace hoy en su lugar. Siempre hay algo, aunque sea la experiencia de alguien o una hoja de cálculo. Esa es la línea base, y sin ella no habrá forma de saber si el proyecto sirvió.

En qué momento se está comprando

En enero de 2026, Thomas Davenport y Randy Bean publicaron en MIT Sloan Management Review sus cinco tendencias del año en inteligencia artificial y ciencia de datos. La primera es inusualmente directa para esa publicación: la burbuja de la inteligencia artificial se desinflará y la economía lo sufrirá (MIT Sloan Management Review). Para una empresa mediana la lectura no es alarmista sino de calendario: lo que se compra en el pico de la promesa se paga completo y se usa a medias. Las decisiones que sobreviven son las que se tomaron sobre un problema concreto y con una medición previa.

Antes del modelo, el dato

Un modelo entrenado sobre datos inconsistentes produce respuestas consistentes y equivocadas, que es peor que no tener respuesta, porque nadie desconfía de un número. Por cada dato que se va a usar hay tres preguntas:

• ¿Quién es el dueño? No quién lo captura, sino quién responde por que sea correcto. Siempre es alguien del negocio, porque quien sabe si un cliente está bien clasificado es quien le vende.
• ¿Todos lo definen igual? Si comercial cuenta la venta al despachar y contabilidad al facturar, las dos cifras son correctas y no coinciden.
• ¿Cómo se sabe cuándo está mal? Con comprobaciones automáticas que avisan cuando un valor deja de llegar, se sale de rango o cambia de formato.

Según McKinsey, cerca de dos tercios de las organizaciones todavía no habían escalado la inteligencia artificial más allá de pruebas piloto en 2026 (McKinsey, State of AI trust in 2026). La diferencia está en cómo se alimenta cada cosa. Un piloto corre sobre un archivo que alguien depuró a mano la semana anterior. En producción el dato llega solo, todos los días, con los errores del día.

Qué se puede preguntar, y qué todavía no

Qué pasó, por qué pasó, qué va a pasar y qué conviene hacer son cuatro preguntas distintas, y se responden en ese orden. La mayoría de los proyectos de datos que sí producen retorno se quedan en las dos primeras, y no hay nada de malo en ello. Predecir exige historia suficiente, un patrón que se repita y datos confiables, porque el modelo aprende los errores del pasado como si fueran hechos. Contratar predicción sobre datos que todavía no responden bien qué pasó produce una demostración que se ve bien, porque la demostración usa el pasado, que ya se conoce.

Cómo se compra esto sin comprar humo

Una propuesta de analítica es difícil de evaluar para quien no es del oficio, porque casi todo lo que dice es cierto y casi nada es comprobable. Cuatro exigencias cambian eso, y se piden antes de firmar:

• La decisión y su dueño, escritos en la propuesta y no dichos en la reunión.
• La línea base, medida antes de firmar.
• Una prueba corta y pagada con datos propios, con sus casos raros y sus vacíos, y con el criterio de éxito escrito antes de empezar.
• Quién vigila el modelo después de entregado. Un modelo que nadie revisa deja de acertar sin avisar, porque el mundo del que aprendió cambia.

El valor de un dato no está en tenerlo. Está en la decisión que cambia.