Los viajes multitáctiles, el comportamiento entre dispositivos, los valores predeterminados de atribución del último clic y las restricciones de privacidad hacen que la atribución sea complicada. Mucho más complicado de lo que sugieren la mayoría de los paneles.
El desafío es que las partes interesadas normalmente quieren una respuesta clara. Pero los datos rara vez se comportan de esa manera. Cuando los informes no coinciden con las expectativas, la credibilidad puede desaparecer, y no es porque el análisis sea incorrecto, sino porque no se comunica la incertidumbre.
En la práctica, la solución es bastante simple: ser explícito acerca de lo que muestran los datos, lo que estiman y lo que simplemente no pueden decirnos. Ese tipo de transparencia no debilita sus informes. En todo caso, tiende a generar confianza con el tiempo.
Por qué los datos nunca son tan limpios como parecen
La incertidumbre en el análisis generalmente proviene de la forma en que operan las propias herramientas. Una vez que comprenda dónde están las limitaciones, será mucho más fácil hablar de ellas sin parecer a la defensiva.
La mayoría de las veces, la incertidumbre aparece en cuatro lugares predecibles, y ninguno de ellos es realmente culpa de nadie.
- Malas noticias: ninguna implementación de seguimiento captura todo. Cada método de medición tiene puntos ciegos incorporados. De hecho, los datos que recopila son reales, pero no representan el panorama completo.
Tomemos como ejemplo Google Analytics 4. Depende en gran medida de cookies y señales de consentimiento. Cuando los usuarios rechazan el seguimiento, efectivamente desaparecen de su conjunto de datos. Desde la perspectiva de la plataforma, esas sesiones nunca sucedieron.
- Otra fuente de incertidumbre proviene de la modelización. Los modelos de atribución, las previsiones de ingresos y los valores imputados son intentos de estimar lo que probablemente sucedió en función de los patrones de los datos. Son aproximaciones informadas, no verdades reales.
Cuando Google Analytics 4 distribuye el crédito de conversión entre puntos de contacto utilizando su modelo de atribución basada en datos y utiliza probabilidades derivadas de patrones históricos. La mayoría de las veces, esas estimaciones son direccionalmente útiles. Pero siguen siendo estimaciones. Y cuando los números modelados se presentan junto con recuentos brutos sin ningún contexto, es fácil para las personas tratar ambos como igualmente ciertos.
- Los canales de datos toman tiempo. El mundo se mueve más rápido que la mayoría de los sistemas de análisis. Eso significa que casi siempre hay una brecha entre lo que sucedió y lo que aparece en sus informes.
Por ejemplo, Google Analytics 4 generalmente necesita entre 24 y 48 horas para procesar completamente los datos del evento. Si elabora un informe demasiado pronto, es posible que esté viendo algo incompleto. Esto no es un error. Así es simplemente como funciona el procesamiento de datos a gran escala. Aún así, puede crear confusión si la gente asume que la primera versión de un informe es definitiva.
- Y luego está la mayor complicación de todas: las personas. El comportamiento de los usuarios en el mundo real es impredecible en formas que los modelos luchan por capturar.
Un usuario orgánico que lee cuatro publicaciones de blog durante seis semanas antes de realizar la conversión a menudo aparecerá en las exploraciones del embudo de GA4 como si hubiera tocado lo orgánico. Pero si la sesión final se produjo a través de una búsqueda de marca o una visita directa, desde la perspectiva de los informes, lo orgánico puede recibir poco o ningún crédito. Sin embargo, sin esos puntos de contacto anteriores, la conversión probablemente no se habría producido en absoluto.
Cualquiera que haya observado de cerca las exploraciones de embudos en GA4 probablemente haya visto versiones de esta historia. Entonces, la contribución fue realmente real. Sin embargo, el sistema no puede verlo completamente. Ningún modelo puede explicar perfectamente la complejidad del comportamiento humano real.
Nada de esto significa que algo esté roto en su configuración. Significa que las herramientas funcionan exactamente como se diseñaron, con sus limitaciones.
Dónde se esconde la incertidumbre en sus informes
Lo complicado de la incertidumbre en la analítica es que rara vez se anuncia. La mayoría de las veces, se esconde detrás de números que parecen extremadamente precisos.
Los paneles de control son un buen ejemplo de esto. Cuando un informe muestra algo así como “14.823 sesiones” o una tasa de conversión del “3,2%”, la presentación parece definitiva. Pero si esa métrica está influenciada por el muestreo, las brechas de seguimiento o la atribución modelada, el número en realidad conlleva un margen de error que nunca aparece en la pantalla. La interfaz muestra precisión, y esa precisión implica silenciosamente exactitud.
Los modelos de atribución introducen otra capa de ambigüedad. Ya sea que un informe utilice la atribución de último clic o un modelo basado en datos, lo que está viendo sigue siendo una interpretación de cómo se debe distribuir el crédito. Sin embargo, en el momento en que esos números aparecen en una presentación de diapositivas sin contexto, tienden a interpretarse como un hecho.
Aprendí esto de la manera más dolorosa, pero los pronósticos crean quizás la versión más visible de este problema. Una proyección como “esperamos 12.000 clientes potenciales el próximo trimestre” o “proyectamos generar un ARR de 5 millones de dólares para finales de este año” suena segura y concreta. Pero en el momento en que el intervalo de confianza desaparece, esa proyección se vuelve engañosa.
Cada pronóstico realmente representa una variedad de resultados plausibles. Eliminar ese rango no fortalece la predicción, solo hace que el error final sea más difícil de explicar.
¿Qué sucede cuando tergiversas la incertidumbre?
Exagerar la certeza en los informes analíticos tiene consecuencias, y la mayoría de ellas aparecen más tarde.
La primera es la confianza. Cuando un pronóstico falla gravemente o una métrica resulta estar muy equivocada, las partes interesadas rara vez aíslan el problema en ese único número. Comienzan a cuestionar el proceso de presentación de informes en su conjunto. Y, sin duda, reconstruir esa confianza lleva tiempo. Una vez que las personas se han sentido quemadas por un análisis demasiado confiado, a menudo desarrollan un silencioso escepticismo hacia informes futuros, incluso cuando esos informes son metodológicamente sólidos.
La otra consecuencia se manifiesta en la calidad de las decisiones. Cuando un canal parece estar funcionando con más certeza de lo que realmente respaldan los datos, los equipos tienden a invertir excesivamente. También ocurre lo contrario. Una métrica que parece definitivamente negativa podría hacer que un equipo abandone algo prematuramente cuando la señal subyacente era simplemente ruidosa o incompleta.
De cualquier manera, la falsa confianza distorsiona la estrategia. Los presupuestos van en la dirección equivocada. Las hojas de ruta cambian en función de información parcial y el costo de esas decisiones a menudo pasa desapercibido porque la causa raíz se remonta a cómo se presentaron los datos.
También hay un impacto organizacional. Si las predicciones fallan constantemente y las explicaciones parecen reactivas, los equipos de análisis pierden gradualmente su posición como socios estratégicos. En lugar de guiar las decisiones, se convierten en un servicio de informes que simplemente proporciona números a pedido.
Cuando eso sucede, el liderazgo comienza a tomar decisiones importantes con menos información analítica de la que debería, y eso es una pérdida para toda la organización.
Cómo informar la incertidumbre sin perder audiencia
Comunicar incertidumbre no significa abrumar a la gente con advertencias estadísticas. El objetivo es simplemente ayudar a los tomadores de decisiones a comprender cuánto peso deben darle a cada número.
Algunos hábitos prácticos lo hacen mucho más fácil.
1. Utilice rangos en lugar de estimaciones puntuales
Creo que un rango comunica la realidad de los datos mucho mejor que una estimación puntual.
Por ejemplo, decir “entre 12% y 18%” puede parecer menos ordenado que decir “15%”, pero en realidad es más honesto acerca de lo que los datos pueden respaldar. Una sola cifra como “15%” implica un nivel de exactitud que a menudo no existe, y cuando la realidad llega al 11%, la pregunta es ¿por qué estaba tan equivocado?
También fomenta una mejor toma de decisiones. Cuando las partes interesadas ven un rango, naturalmente comienzan a preguntarse qué acciones tienen sentido entre los posibles resultados en lugar de anclarse en un número específico.
2. Etiqueta modelada vs. Datos medidos claramente
Siempre que sea posible, indique si una métrica se mide directamente o se genera mediante un modelo. Una simple nota junto a la métrica suele ser suficiente.
Ese pequeño fragmento de contexto impide que las estimaciones de atribución, los pronósticos o los valores imputados se interpreten con la misma confianza que los recuentos brutos.
3. Agregue confianza en lenguaje sencillo a los pronósticos
No es necesario tener explicaciones estadísticas complejas. Algo como “estamos razonablemente seguros de que el número cae entre X e Y, con el resultado más probable alrededor de Z” les da a quienes toman decisiones más contexto del que necesitan.
El punto aquí no debería ser proporcionar elegancia matemática. En aras de la claridad práctica, nuestro objetivo aquí debería ser ser transparentes.
4. Reemplace la jerga con lenguaje relevante para la toma de decisiones
Cuando aparece incertidumbre en un informe, lo más lógico es centrarse en cómo afecta la decisión en cuestión.
Por lo tanto, en lugar de decir algo como “este resultado tiene un amplio intervalo de confianza”, recomiendo intentar “este número podría cambiar bastante en las próximas semanas, por lo que probablemente valga la pena esperar antes de realizar grandes cambios en el presupuesto”. Esa es la versión que cambia la forma en que actúa la gente.
5. Normalice diciendo “Aún no lo sé”
Éste es en parte cultural. En entornos donde los analistas se sienten presionados a producir respuestas definitivas de inmediato, la incertidumbre a menudo es reemplazada por una precisión falsa.
Un enfoque más saludable es dejar espacio para declaraciones como: “Aún no tengo datos suficientes para decir esto”.
Cuando puedes decir eso abiertamente, deja espacio para que todos en el equipo hagan lo mismo al mismo tiempo. De esta manera, la calidad de los informes suele mejorar.
La incertidumbre es el trabajo, no el problema
Es tentador tratar la incertidumbre como algo que debe suavizarse para mantener los informes limpios. Pero ese enfoque pasa por alto el punto principal: la incertidumbre es básicamente un reflejo de la complejidad en la que operamos.
Nuestro mundo es impredecible. El comportamiento de los usuarios cambia constantemente, los sistemas de medición tienen límites y los canales de datos introducen retrasos.
Nada de eso significa que el análisis esté fallando. De hecho, reconocer esas realidades suele ser lo más riguroso que se puede hacer.
Los analistas que comunican bien la incertidumbre tienden a ganarse una confianza duradera, algo que es difícil de construir. Porque cuando los pronósticos fallan o los resultados sorprenden a todos, las partes interesadas recuerdan que la incertidumbre se explicó desde el principio.
En ese momento, dejan de esperar que seas un oráculo y empiezan a tratarte como a un compañero pensante.
Ya tienes los instintos. Ahora tienes el idioma adecuado para combinarlos.
Más recursos:
Imagen destacada: Na_Studio/Shutterstock
