Dos equipos pueden tener el mismo promedio y desempeños completamente distintos.
La estadística de negocio no sirve para llenar reportes de fórmulas: sirve para evitar decisiones basadas en promedios engañosos, muestras insuficientes y relaciones aparentes. Aquí aplicarás medidas de centro, dispersión, percentiles, correlación y criterios básicos de suficiencia de datos.
Objetivo didáctico
Al terminar esta ficha serás capaz de interpretar métricas de negocio mediante estadística descriptiva básica, seleccionando medidas adecuadas, evaluando dispersión y muestras, y evitando conclusiones causales o comparaciones que los datos no justifican.
Introducción
Las organizaciones resumen miles de observaciones en unas cuantas cifras. Eso es necesario, pero cada resumen elimina información. El promedio de entrega puede ser seis días mientras la mitad de los pedidos llega en dos y una minoría tarda veinte. Una sola cifra puede ser correcta y, al mismo tiempo, insuficiente.
La estadística aplicada ayuda a decidir qué resumen conservar y qué incertidumbre mostrar. No exige convertir cada reunión en una clase de matemáticas. Exige comprender qué pregunta responde cada medida y qué errores aparecen cuando se usa fuera de contexto.
En nivel intermedio, esta capacidad es especialmente importante porque el profesional suele revisar reportes producidos por otras personas. Necesita detectar rápidamente promedios sensibles a valores extremos, correlaciones presentadas como causas o conclusiones construidas con pocos casos.
El objetivo práctico es desarrollar una forma de lectura: centro, variabilidad, posición, relación y suficiencia. Cinco preguntas estadísticas pueden mejorar un reporte antes de agregar una sola fórmula nueva.
💡 Distribución
Es la forma en que los valores se reparten dentro de un conjunto. Dos grupos pueden tener la misma media y distribuciones muy distintas, por lo que conviene mirar centro y dispersión juntos.
Desarrollo del tema
Media, mediana y moda: tres centros para preguntas distintas
La media suma todos los valores y divide entre el número de observaciones. Es útil cuando cada valor aporta al resultado total. Si cinco sucursales venden 80, 90, 100, 110 y 120 unidades, la media de 100 representa bien al conjunto porque la distribución es relativamente equilibrada.
La mediana ordena los valores y toma el punto central. Es especialmente útil ante asimetrías. Si los tiempos de resolución son 2, 2, 3, 4 y 29 horas, la media es 8 horas pero la mediana es 3. Para describir la experiencia típica, la mediana puede ser mucho más informativa.
La moda identifica el valor o categoría más frecuente. Resulta útil con variables categóricas o comportamientos repetidos: el motivo de contacto más común, el método de pago dominante o el tamaño de pedido que aparece más veces. No siempre existe una única moda.
La decisión no es “qué medida es mejor”, sino cuál responde mejor la pregunta. Para costos totales puede importar la media; para experiencia típica, la mediana; para una categoría predominante, la moda. El mismo conjunto puede requerir las tres.
Balance global
Caso central
Valor frecuente
Varianza y desviación estándar: medir qué tan predecible es el proceso
Dos procesos pueden tener una media de 10 minutos y comportarse de forma muy diferente. Si uno oscila entre 9 y 11 y otro entre 2 y 18, la experiencia operativa no es equivalente. La varianza y la desviación estándar permiten cuantificar esa dispersión.
La desviación estándar se expresa en las mismas unidades que la variable, lo que facilita su interpretación. Si el tiempo medio es 10 minutos y la desviación estándar es 1, el proceso es mucho más estable que otro con la misma media y desviación de 6 minutos.
En contextos laborales, la variabilidad puede ser tan importante como el promedio. Un proveedor con entrega media de cinco días y alta variación puede ser menos conveniente que otro con media de seis días pero comportamiento consistente, sobre todo si el inventario depende de fechas confiables.
La dispersión también ayuda a detectar cuándo una mejora aparente no resuelve la experiencia. Reducir la media de 10 a 9 minutos mientras la desviación aumenta de 2 a 7 puede significar que algunos casos mejoraron y otros empeoraron drásticamente.
Toca cada caso para clasificarlo.
Percentiles y distribuciones para comparar desempeño
Un percentil indica la posición relativa de un valor. Estar en el percentil 90 significa que el valor es igual o superior al de aproximadamente 90% de las observaciones de referencia. En tiempos de atención, sin embargo, un percentil alto puede ser negativo si representa tardanza; el sentido depende de la métrica.
Los percentiles son útiles cuando interesa comprender la cola de la distribución. Un centro de soporte puede tener mediana de 4 minutos, pero percentil 95 de 38 minutos. El promedio quizá parezca aceptable mientras 5% de los clientes vive una experiencia muy distinta.
También permiten comparar personas o unidades con escalas diferentes. Si una sucursal está en percentil 80 de ventas pero percentil 20 de margen, la lectura conjunta evita premiar volumen que quizá se consigue mediante descuentos excesivos.
La comparación requiere un grupo de referencia razonable. El percentil de un vendedor nuevo frente a especialistas senior puede decir más sobre la composición del grupo que sobre desempeño individual. Antes de interpretar una posición, revisa quién forma la distribución.
El promedio puede describir correctamente al conjunto y aun así ocultar la experiencia de la cola. Para tiempos, fallas y riesgos, observar P90 o P95 puede cambiar por completo la prioridad de gestión.
Correlación: una relación útil que exige cautela
La correlación resume la fuerza y dirección de una relación lineal entre dos variables. El coeficiente suele expresarse entre -1 y 1. Un valor cercano a 1 indica que ambas tienden a aumentar juntas; uno cercano a -1, que una aumenta mientras la otra disminuye; un valor cercano a 0 indica poca relación lineal.
Eso no equivale a causalidad. Si la correlación entre número de visitas comerciales y ventas es 0.70, todavía puede ocurrir que los vendedores visiten más a los clientes con mayor potencial. La relación es útil para investigar, pero no basta para afirmar que incrementar visitas provocará exactamente el crecimiento observado.
Además, la correlación puede ocultar relaciones no lineales y valores extremos. Cinco observaciones atípicas pueden alterar fuertemente el coeficiente. Por eso conviene acompañarlo con un gráfico de dispersión y una revisión del contexto.
Francis Galton y Karl Pearson desarrollaron herramientas de correlación y regresión a finales del siglo XIX para estudiar relaciones entre características. Con el tiempo, estas técnicas pasaron de la biometría a casi todas las áreas cuantitativas. El cambio conceptual importante fue medir asociaciones sin asumir que dos variables relacionadas son idénticas ni causalmente equivalentes.
Muestras, poblaciones y errores comunes en reportes
La población es el conjunto sobre el que se desea concluir; la muestra es la parte observada. Si una organización tiene 20,000 clientes y encuesta a 400, necesita preguntarse cómo fueron seleccionados esos 400. Una muestra grande pero sesgada puede ser menos útil que una más pequeña y bien diseñada.
No existe un número universal que haga una muestra “suficiente”. Depende de la variabilidad, la precisión deseada, la frecuencia del fenómeno y la decisión. Veinte observaciones pueden ser suficientes para detectar una falla evidente y totalmente insuficientes para estimar con precisión una tasa cercana a 1%.
Otros errores frecuentes son redondear hasta ocultar diferencias, cambiar denominadores entre periodos, comparar grupos con composición distinta y seleccionar solo los meses que favorecen una narrativa. La estadística no corrige automáticamente una definición defectuosa.
También conviene separar significancia estadística y relevancia de negocio. En bases enormes, una diferencia mínima puede resultar estadísticamente detectable sin justificar una inversión. La pregunta final sigue siendo: ¿la magnitud observada cambia una decisión?
Toca la tarjeta.
Conclusión
La estadística aplicada no reemplaza el criterio de negocio; lo disciplina. Media, mediana, dispersión, percentiles y correlaciones son distintas lentes para observar el mismo sistema. Elegir la lente equivocada puede convertir una cifra correcta en una conclusión deficiente.
El profesional intermedio agrega valor cuando cuestiona el denominador, la distribución, la muestra y la magnitud antes de aceptar una conclusión. Esa revisión mejora reportes y, sobre todo, evita que el equipo convierta una señal débil en una decisión fuerte.
Referencias principales: NIST/SEMATECH. (2012). e-Handbook of Statistical Methods. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values. The American Statistician, 70(2), 129–133.
🔭 Para seguir aprendiendo
- ¿Qué reporte de tu área usa promedios donde una mediana sería más informativa?
- ¿Qué indicador debería complementarse con P90 o P95?
- ¿Qué relación aparentemente causal de tu organización podría ser solo una correlación?
Actividad de aprendizaje autónoma
Producto esperado: auditoría estadística de una métrica real.
- Elige una métrica con al menos 20 observaciones.
- Calcula media y mediana y explica cuál representa mejor al conjunto.
- Calcula o estima una medida de dispersión.
- Identifica P90 o P95 si la métrica tiene una cola operativamente importante.
- Busca una segunda variable y evalúa si existe una relación aparente.
- Escribe dos limitaciones que impedirían hacer una afirmación causal.
Control de calidad
Evidencia de logro: la conclusión utiliza al menos dos medidas estadísticas y declara explícitamente una limitación.
Reflexión final: ¿qué decisión tomarías distinto después de mirar la distribución y no solamente el promedio?