Hay una situación que veo con frecuencia en empresas de tecnología. En una startup de software con la que trabajo, que ayuda a comercios a centralizar pedidos, stock y ventas de distintos canales, Producto detectó que una parte importante de los nuevos clientes necesitaba asistencia durante las primeras semanas para terminar de configurar la plataforma.

La primera lectura podía parecer bastante evidente: si los usuarios necesitaban ayuda para avanzar, probablemente había algo en el onboarding que resultaba poco claro y valía la pena revisar. Era una explicación razonable y, con la información disponible, también habría sido una de las primeras cosas que hubiese revisado.

Pero ese dato todavía dejaba muchas preguntas abiertas: ¿todos los usuarios necesitaban ayuda en el mismo momento? ¿Ocurría de la misma manera en distintos tipos de clientes? ¿La dificultad estaba en entender qué hacer, en completar una configuración técnica o en un proceso que dependía de otra herramienta? Incluso podíamos descubrir que un mismo indicador estaba reuniendo comportamientos bastante diferentes.

El dato puede mostrarnos que algo está ocurriendo; entender qué significa requiere mirar un poco más profundo. Por eso, el primer dato debería abrir una pregunta.

Esto me resulta especialmente relevante en empresas tecnológicas, donde tenemos una enorme capacidad para observar qué ocurre dentro de un producto: podemos conocer qué funcionalidades utiliza cada segmento, reconstruir cohortes, medir tiempos, conversiones, abandono o frecuencia de uso. Los dashboards permiten que buena parte de esa información esté disponible prácticamente en tiempo real. Sin embargo, la información que vemos y la explicación que construimos sobre ella son dos cosas diferentes.

Cuando un indicador cambia, el dato por sí solo no alcanza para explicar qué está pasando. Una caída en la activación puede tener distintas causas; lo mismo ocurre si aumenta el churn o si una funcionalidad tiene menos uso del esperado. En cada caso, necesitamos entender si la dificultad está en el producto, en la forma en que fue presentado, en el público al que llegó o incluso en la necesidad que intentábamos resolver.

En esa empresa, saber que muchos usuarios necesitaban asistencia hacía visible una situación que merecía atención. El paso siguiente era entender qué situaciones distintas podían estar quedando reunidas bajo ese mismo indicador antes de convertirlo en una decisión.

Los datos también pueden desafiar nuestras primeras explicaciones

Cuando una explicación aparece demasiado rápido, suelo intentar convertirla en una hipótesis y hacerme una pregunta bastante simple: ¿qué debería encontrar en los datos si realmente fuera cierta?

Si creemos que el onboarding está generando dificultades, podemos mirar en qué parte del recorrido se concentran los bloqueos, si afectan más a determinados tipos de clientes o si aparecen comportamientos distintos entre quienes completan la configuración sin ayuda y quienes necesitan asistencia. Cada una de esas preguntas puede acercarnos a una explicación más precisa y, con ella, a una decisión mejor fundamentada.

El desafío aparece cuando conocemos bien el negocio y ya atravesamos situaciones similares, porque la experiencia nos ayuda a conectar los puntos con rapidez, pero también puede llevarnos a buscar información que acompañe nuestra primera lectura antes de haberla puesto realmente a prueba.

Por eso me resulta especialmente útil sumar una segunda pregunta: ¿qué dato podría hacernos cambiar de opinión? No se trata de dejar de confiar en la experiencia o en la intuición, sino de permitir que la información también pueda desafiar nuestras conclusiones. Una organización puede tener dashboards excelentes y medir una enorme cantidad de variables; el verdadero aprendizaje aparece cuando esos datos también tienen la posibilidad de mostrarnos algo que no esperábamos encontrar.

El seguimiento también sirve para entender

Esto también cambia la manera en que entiendo el seguimiento de OKRs, una metodología que ayuda a definir qué queremos lograr y qué resultados nos mostrarían si estamos avanzando. Volver periódicamente sobre esos resultados permite saber si estamos progresando y, al mismo tiempo, entender qué estamos aprendiendo de las iniciativas que elegimos.

Si un equipo quiere mejorar la activación, por ejemplo, mirar semana a semana el porcentaje de usuarios que alcanza determinado punto del producto permite conocer la evolución del resultado. La conversación se vuelve más valiosa cuando podemos relacionar ese movimiento con las hipótesis que estamos probando: qué esperábamos que ocurriera al cambiar una parte del onboarding, en qué usuarios debería aparecer ese efecto, qué comportamiento apareció realmente y qué información nueva surgió desde la última revisión.

En tecnología esta forma de trabajar debería resultarnos bastante familiar. Los equipos prueban soluciones, observan comportamientos, encuentran errores, revisan supuestos y vuelven a construir. Me interesa pensar que con las decisiones de negocio puede ocurrir algo parecido: una explicación también puede necesitar iteraciones, y el seguimiento puede ser el espacio donde contrastamos lo que esperábamos con lo que efectivamente ocurrió.

Desde ese lugar, revisar un resultado deja de ser solamente una instancia para informar si un número subió o bajó. También permite entender qué sabemos hoy que no sabíamos algunas semanas atrás y si ese aprendizaje debería modificar alguna de las decisiones que estamos tomando.

La calidad de los datos también depende de la pregunta

Tenemos herramientas cada vez más poderosas para medir productos y negocios, pero acceder a más información no resuelve por sí solo qué necesitamos entender.

Frente a un resultado que sorprende, hay tres preguntas que suelo encontrar especialmente útiles: ¿qué explicación estamos dando hoy por cierta?, ¿qué información necesitaríamos para ponerla a prueba? y ¿qué estamos viendo que todavía no sabemos explicar?

Ahí aparece, para mí, una de las capacidades más valiosas de una empresa tecnológica orientada por datos: no solamente medir con precisión lo que sucede dentro de su producto, sino construir equipos capaces de revisar sus propias conclusiones a medida que aprenden.

Muchas veces, el dato más valioso no es el que confirma una respuesta, sino el que nos ayuda a hacer una pregunta mejor.

(*) Pablo Croci: CEO de The Key Results Company, consultora especializada en implementación de OKRs