3199. Data

Hoy os presento Data, el plugin que ayuda a analizar los datos de vuestro negocio, definir los KPI y convertir la información en decisiones.

Pero antes, recordemos que esta semana continúa el curso de gestión de proyectos con IA. En la séptima clase mejoramos la comunicación con clientes y stakeholders. En la octava aprendemos a resolver problemas y desbloquear proyectos. Además, en el apartado de estudios de Boluda.com tenéis investigaciones para entender mejor distintos sectores y tomar decisiones con más contexto.

Ahora sí, vamos al lío. Hoy dedico el programa a quienes tenéis un montón de números delante y no sabéis por dónde empezar. Ingresos, gastos, conversión, rebote, bajas, datos de Analytics, datos de Stripe y hojas de cálculo de todos los meses. Tener muchos datos no significa tener claro qué está pasando, y mucho menos saber qué deberíamos hacer a continuación.

Para resolver esa distancia os presento Data, un plugin que utilizo con Codex para analizar información de negocio y producto. Puede trabajar con archivos que le entregamos, como un CSV o un informe, y con fuentes conectadas a las que hayamos dado acceso. No basta con invocarlo y esperar que conozca la empresa. Necesita los datos y el contexto correspondientes.

La primera utilidad es ayudarnos a decidir qué merece la pena medir. Si no sabemos qué KPI mirar, podemos explicar qué queremos conseguir y pedirle que proponga objetivos, métricas y un plan de medición. El punto de partida no tiene por qué ser una pregunta técnica. Podemos describir el problema con nuestras propias palabras.

Por ejemplo, podemos contarle que tenemos una membresía y queremos entender por qué algunas personas se dan de baja tan pronto. A partir de ahí, podemos definir qué datos hacen falta, cómo agrupar a los clientes y qué indicadores conviene seguir. Es mucho más útil que abrir un panel con cincuenta cifras sin saber cuál responde a nuestra pregunta.

Data también ayuda a investigar por qué sube o baja una métrica. Podemos comparar periodos, productos, tipos de cliente o segmentos para localizar dónde se concentra el cambio. Una caída de conversión no tiene por qué afectar por igual a toda la web, ni un aumento de bajas significa necesariamente que todos los clientes estén menos satisfechos.

Aquí entran los embudos de conversión, la retención, la adopción y las cohortes. Esas tablas que a veces parecen un jeroglífico pueden convertirse en una explicación comprensible. Podemos pedir que agrupe a los clientes según cuándo llegaron y analice qué ocurrió con cada grupo durante los meses siguientes.

Imaginemos que una promoción provoca un pico de altas y que buena parte de esas personas no renueva al mes siguiente. Si aportamos tanto los datos de suscripción como el calendario de campañas, podremos investigar la relación entre ambas cosas. Es un ejemplo hipotético, pero sirve para entender la ventaja de cruzar información que normalmente consultamos por separado.

La coincidencia de fechas es una pista para investigar, no una demostración automática de la causa. Lo interesante es poder formular mejores preguntas y comprobarlas con los datos disponibles. Cuanto más contexto relevante aportemos, menos probable será que el análisis se quede en una explicación superficial.

En mi caso, los agentes de mi plantilla tienen acceso a Data. Me interesa que puedan utilizar la información del negocio, pero también que sepan tratarla. No se trata de repetir cifras, sino de relacionarlas con lo que está ocurriendo y con las decisiones que debo tomar.

Otro bloque importante es la evaluación de experimentos, tests A/B y cambios de precio. Podemos revisar qué ocurrió antes y después de una decisión, comparar segmentos y estudiar distintas explicaciones. También podemos preparar escenarios optimistas, intermedios y pesimistas para entender cómo cambia el resultado cuando modificamos una hipótesis.

Y no hace falta limitarse a los datos internos. Data puede ayudar a trabajar un análisis de mercado, estimar oportunidades y ordenar conceptos como TAM, SAM y SOM. En este caso, las fuentes y los supuestos importan muchísimo. Una estimación de mercado no deja de ser una estimación por aparecer en una tabla bien presentada.

Antes de confiar en las conclusiones, hay otro trabajo fundamental. Comprobar la calidad de los datos. Podemos pedirle que busque duplicados, valores ausentes, inconsistencias o periodos en los que ha dejado de llegar información. Quizá el problema no esté en las ventas, sino en una integración que se rompió y nadie revisó.

Seguro que os suena el caso de instalar una herramienta de analítica, olvidarse de ella y descubrir meses después que ya no estaba recogiendo datos. Incorporar estas comprobaciones al análisis permite detectar esos huecos y evitar decisiones basadas en una fotografía incompleta del negocio.

También podemos entregarle informes y conclusiones anteriores. Puede revisar los cálculos, la metodología y las fuentes, y contrastar lo que dijimos entonces con la información actual. Una conclusión que tenía sentido hace un año puede haber dejado de servir porque el producto, los clientes o el mercado han cambiado.

Cuando las métricas de las plataformas se quedan cortas, podemos ir un paso más allá. Data puede trabajar con consultas SQL y análisis en Python para preparar cálculos a medida. No tenemos que limitarnos a los indicadores que alguien decidió incluir en el panel de una herramienta.

Por ejemplo, podemos definir un ratio que combine información de WordPress, Analytics y Stripe, siempre que dispongamos de acceso y podamos relacionar correctamente esos datos. Después podemos pedir su evolución histórica. Crear una métrica propia no significa inventar los datos, sino definir una fórmula útil con información real y comprobar qué representa.

El resultado puede adoptar distintos formatos. Podemos preparar gráficos, tablas, dashboards interactivos, informes analíticos o resúmenes ejecutivos. Yo utilizo Data para mis dashboards, pero quizá en vuestro caso sea más útil un informe periódico que explique qué ha cambiado y qué requiere atención.

Lo importante es elegir el formato en función del uso. Si necesitamos explorar segmentos y comparar periodos, un dashboard puede encajar muy bien. Si queremos revisar las prioridades de la semana, quizá baste con un informe breve. También podemos integrar la entrega en un flujo de trabajo periódico con las herramientas y permisos necesarios.

Además, podemos conservar definiciones de métricas, fuentes, criterios y preferencias como contexto reutilizable. Así no hace falta volver a explicar desde cero qué entendemos por cliente activo o qué indicadores importan en nuestro proyecto. Conviene pedir expresamente que esa información quede documentada y revisarla cuando cambie el negocio.

Hasta aquí tenemos dos grandes pasos. Primero reunimos la información y después la analizamos. Pero falta el que da sentido a todo lo anterior. Tomar decisiones y pasar a la acción. No quiero acumular dashboards muy bonitos que nadie utiliza para cambiar nada.

Para conectar el análisis con nuestras prioridades, podemos combinar Data con una sesión de grill me o grill with docs. El agente nos pregunta qué valoramos, qué queremos conseguir y qué necesitamos entender. No hace falta saber