{"id":170,"date":"2025-07-11T11:22:41","date_gmt":"2025-07-11T16:22:41","guid":{"rendered":"https:\/\/marybernalj.com\/blog\/?p=170"},"modified":"2026-01-20T11:24:09","modified_gmt":"2026-01-20T16:24:09","slug":"cuando-hablamos-de-datos-de-que-estamos-hablando-realmente","status":"publish","type":"post","link":"https:\/\/marybernalj.com\/blog\/index.php\/2025\/07\/11\/cuando-hablamos-de-datos-de-que-estamos-hablando-realmente\/","title":{"rendered":"Cuando hablamos de datos, \u00bfde qu\u00e9 estamos hablando realmente?"},"content":{"rendered":"
\n
\"\"<\/figure>\n<\/div>\n\n\n

Los datos no son nuevos. Siempre han existido. Mucho antes de que habl\u00e1ramos de big data<\/em>, dashboards<\/em> o inteligencia artificial<\/em>, las personas ya observaban, registraban y comparaban. Contaban cosechas, anotaban nacimientos, med\u00edan tiempos, evaluaban resultados. La diferencia no es que hoy tengamos datos y antes no, sino que nunca antes hab\u00edamos producido, almacenado y usado tantos datos, tan r\u00e1pido y de forma tan cotidiana<\/strong>.<\/p>\n\n\n\n

Quiz\u00e1 por eso hoy los datos parecen estar de moda. Pero su importancia no es reciente: lo que ha cambiado es el rol que juegan en nuestras decisiones<\/strong>.<\/p>\n\n\n\n

Vivimos rodeados de t\u00e9rminos que usamos casi de forma autom\u00e1tica: datos<\/em>, KPIs<\/em>, m\u00e9tricas<\/em>, insights<\/em>, modelos<\/em>. Y aunque suenan familiares, no significan lo mismo.<\/p>\n\n\n\n

Empecemos por el origen.<\/p>\n\n\n\n

Un dato<\/strong> es una observaci\u00f3n elemental. Un valor medido o registrado en un momento concreto: un n\u00famero, una categor\u00eda, una respuesta, una se\u00f1al. Un dato por s\u00ed solo no explica nada. No tiene intenci\u00f3n ni interpretaci\u00f3n. Es materia prima. Un pulso card\u00edaco, una edad, una fecha, un resultado de laboratorio. El dato no decide, no alerta, no concluye.<\/p>\n\n\n\n

Cuando los datos se organizan, limpian y estructuran<\/strong>, se convierten en informaci\u00f3n<\/strong>. Aqu\u00ed ya aparece un primer nivel de sentido: promedios, distribuciones, comparaciones b\u00e1sicas. La informaci\u00f3n nos ayuda a responder qu\u00e9 est\u00e1 pasando<\/em>, pero todav\u00eda no nos dice por qu\u00e9<\/em> ni qu\u00e9 hacer al respecto<\/em>.<\/p>\n\n\n\n

A partir de esa informaci\u00f3n construimos m\u00e9tricas<\/strong>. Una m\u00e9trica es una forma concreta de medir algo que nos interesa observar. Puede ser frecuencia, proporci\u00f3n, tasa, duraci\u00f3n. Las m\u00e9tricas ayudan a cuantificar fen\u00f3menos, pero no todas son igual de relevantes. Medir mucho no es lo mismo que medir bien.<\/p>\n\n\n\n

De las m\u00e9tricas surgen los indicadores<\/strong>, que ya tienen una intenci\u00f3n clara: seguir la evoluci\u00f3n de un fen\u00f3meno en el tiempo. Un indicador es una m\u00e9trica interpretada dentro de un contexto. Aqu\u00ed aparece una decisi\u00f3n importante: alguien eligi\u00f3 qu\u00e9 representar como \u201cse\u00f1al\u201d y qu\u00e9 dejar fuera. Por eso, ning\u00fan indicador es neutral.<\/p>\n\n\n\n

Dentro de los indicadores aparecen los famosos KPIs<\/strong> (Key Performance Indicators<\/em>). Un KPI es un indicador considerado clave<\/em> para evaluar si se est\u00e1 avanzando hacia un objetivo espec\u00edfico. El problema es que en la pr\u00e1ctica solemos llamar KPI a todo. Pero un KPI verdadero es selectivo: no mide todo, mide lo que importa para una decisi\u00f3n concreta<\/strong>. Cuando todo es KPI, se pierde el foco.<\/p>\n\n\n\n

Hasta aqu\u00ed seguimos observando. Pero observar no es decidir.<\/p>\n\n\n\n

Para pasar de la observaci\u00f3n a la comprensi\u00f3n aparecen los insights<\/strong>. Un insight no es un gr\u00e1fico, ni una visualizaci\u00f3n elegante, ni una frase autom\u00e1tica generada por un sistema. Un insight es una interpretaci\u00f3n con sentido<\/strong>, que conecta datos con contexto. Es cuando podemos decir: esto est\u00e1 ocurriendo<\/em>, no es casual<\/em>, y podr\u00eda tener estas implicaciones<\/em>. Los insights no viven solo en los datos; viven en la intersecci\u00f3n entre datos, conocimiento del dominio y criterio humano.<\/p>\n\n\n\n

Para que un insight active una acci\u00f3n, suelen definirse umbrales<\/strong>. Un umbral es un punto de referencia que separa estados: normal \/ no normal, esperado \/ inesperado, aceptable \/ riesgoso. Los umbrales convierten datos en posibles decisiones. Y aqu\u00ed aparece una cuesti\u00f3n cr\u00edtica: \u00bfqui\u00e9n define ese valor?, \u00bfcon qu\u00e9 evidencia?, \u00bfpara qui\u00e9n funciona? Un umbral mal definido puede generar falsas alarmas o, al contrario, ocultar se\u00f1ales importantes.<\/p>\n\n\n\n

Cuando un umbral se cruza, suelen aparecer las alertas<\/strong>. Una alerta no es una decisi\u00f3n, es una se\u00f1al que pide atenci\u00f3n. El riesgo est\u00e1 en confundir alerta con verdad absoluta. Alertas sin contexto pueden generar ansiedad, reacciones excesivas o decisiones precipitadas. M\u00e1s alertas no siempre significan mejor cuidado.<\/p>\n\n\n\n

Todo este ecosistema suele visualizarse en dashboards<\/strong> o tableros de control. Un dashboard no es solo una herramienta visual; es una declaraci\u00f3n de prioridades. Muestra qu\u00e9 se considera importante y qu\u00e9 no. Un buen dashboard no informa todo, informa lo necesario. Dise\u00f1arlo es un acto estrat\u00e9gico, no est\u00e9tico.<\/p>\n\n\n\n

En muchos casos, adem\u00e1s, estos datos alimentan modelos<\/strong>. Un modelo es una representaci\u00f3n simplificada de la realidad que busca identificar patrones o relaciones. Puede ser estad\u00edstico o basado en aprendizaje autom\u00e1tico. Pero ning\u00fan modelo es la realidad: todos tienen supuestos, l\u00edmites y m\u00e1rgenes de error. Confiar en un modelo sin entender qu\u00e9 representa es delegar criterio.<\/p>\n\n\n\n

Ve\u00e1moslo con un ejemplo sencillo.<\/p>\n\n\n\n

Imaginemos una persona que usa un dispositivo para monitorear su bienestar. El dato<\/strong> es el n\u00famero diario de pasos. Al agruparlos por semana obtenemos informaci\u00f3n<\/strong>. Al calcular el promedio semanal, definimos una m\u00e9trica<\/strong>. Si usamos ese promedio para seguir la actividad en el tiempo, se convierte en un indicador<\/strong>. Si establecemos como objetivo mantener cierta actividad, ese indicador puede transformarse en un KPI<\/strong>. Al observar una ca\u00edda sostenida, generamos un insight<\/strong>: algo est\u00e1 cambiando. Definimos un umbral<\/strong> que, al cruzarse, activa una alerta<\/strong>. Todo esto se muestra en un dashboard<\/strong> y, eventualmente, puede alimentar un modelo<\/strong> que intente anticipar tendencias futuras.<\/p>\n\n\n\n

Nada de esto decide por s\u00ed solo. Cada paso implica elecciones humanas.<\/p>\n\n\n\n

Por eso, entender el lenguaje de los datos no es un ejercicio t\u00e9cnico menor. Es una condici\u00f3n para participar conscientemente en un mundo donde cada vez m\u00e1s decisiones est\u00e1n mediadas por m\u00e9tricas, indicadores y sistemas autom\u00e1ticos.<\/p>\n\n\n\n

Los datos siempre han existido. Lo nuevo es c\u00f3mo los usamos\u2026 y cu\u00e1nto confiamos en ellos<\/strong>.<\/p>\n\n\n\n

Antes de cerrar, vale la pena recordar algo esencial: no todos los datos son iguales<\/strong>. La calidad del dato importa. Un dato puede existir y aun as\u00ed ser incompleto, impreciso o poco representativo. Y cuando la calidad falla en el origen, todo lo que se construye encima se vuelve fr\u00e1gil.<\/p>\n\n\n\n

Hablar de datos no es solo hablar de cantidad o de tecnolog\u00eda, sino de qu\u00e9 tan confiables y pertinentes son para las decisiones que queremos tomar<\/strong>. En \u00e1mbitos donde los datos influyen directamente en la vida de las personas, como la salud y el bienestar, la calidad deja de ser un detalle t\u00e9cnico y se convierte en una responsabilidad.<\/p>\n\n\n\n

Porque no basta con medir.
Importa qu\u00e9 medimos, c\u00f3mo lo medimos y con qu\u00e9 cuidado usamos esa informaci\u00f3n<\/strong>.<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Los datos no son nuevos. Siempre han existido. Mucho antes de que habl\u00e1ramos de big data, dashboards o inteligencia artificial, las personas ya observaban, registraban y comparaban. Contaban cosechas, anotaban nacimientos, med\u00edan tiempos, evaluaban resultados. La diferencia no es que hoy tengamos datos y antes no, sino que nunca antes hab\u00edamos producido, almacenado y usado […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[5,8,22],"class_list":["post-170","post","type-post","status-publish","format-standard","hentry","category-data-analitica","tag-analytics","tag-datascience","tag-datos"],"_links":{"self":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/170","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/comments?post=170"}],"version-history":[{"count":1,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/170\/revisions"}],"predecessor-version":[{"id":173,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/170\/revisions\/173"}],"wp:attachment":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/media?parent=170"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/categories?post=170"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/tags?post=170"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}