Sesgos en el análisis de datos: 6 trampas en tus decisiones

Tu dashboard nunca miente. Lo que miente es la pregunta que le hiciste. Los sesgos en el análisis de datos casi nunca aparecen como un error de fórmula: aparecen como una conclusión que parecía obvia, se presentó en la reunión del lunes y el martes ya era presupuesto.

Tener más datos lo empeoró, no lo mejoró. Hoy cualquier gerente abre GA4, Meta Ads y el CRM y encuentra, en diez minutos, un número que respalda la idea que ya tenía antes de abrirlos. Eso no es análisis. Es salir a buscar munición.

La buena noticia: los sesgos que más dinero cuestan en una empresa son pocos, se repiten mucho y cada uno se desarma con una pregunta sencilla, hecha antes de tomar la decisión.

¿Qué son los sesgos en el análisis de datos?

Los sesgos en el análisis de datos son distorsiones sistemáticas que llevan a conclusiones equivocadas incluso con números correctos. Surgen de tres fuentes: datos que llegan incompletos (como en el sesgo de supervivencia), la forma en que elegimos qué mirar (sesgo de confirmación) y la lectura apresurada de la relación entre variables (confundir correlación con causalidad).

Fíjate en la diferencia con un problema de calidad de datos. Allí el número está mal: un evento duplicado, una UTM rota, una venta registrada dos veces. Aquí el número está bien y la conclusión está mal. Es más peligroso, porque pasa cualquier auditoría técnica.

¿Por qué el sesgo crece cuando la empresa se vuelve “data driven”?

Parece contradictorio, pero tiene lógica. Cuando el dato se convierte en moneda política dentro de la empresa, la gente empieza a usarlo para ganar discusiones, no para entender qué está pasando.

Una encuesta de Salesforce publicada en abril de 2025, con 552 tomadores de decisiones de empresas estadounidenses de más de 500 empleados, mostró que el 76% siente una presión creciente para respaldar sus argumentos con datos y el 57% dice competir con sus colegas para demostrar su valor con datos (Salesforce, 2025). En la misma encuesta, la confianza en la precisión de los datos cayó un 27% frente a 2023.

Si juntas presión por demostrar un punto con poca confianza en la fuente, tienes el ambiente perfecto para el sesgo de confirmación: cada área elige el recorte que la favorece y la reunión se convierte en un duelo de gráficos.

Sesgo de confirmación: cuando ya sabes la respuesta antes de preguntar

Es el más común y el más difícil de detectar en uno mismo. Tienes una hipótesis, buscas los datos y dejas de buscar en cuanto encuentras lo que la confirma.

Un caso típico: la directora de una tienda de cosméticos cree que el Instagram orgánico es el canal que más vende. Abre GA4, filtra la semana en que un post se hizo viral, ve 140 pedidos con origen social y lleva la captura a la reunión. No abrió las otras 11 semanas del trimestre, cuyo promedio fue de 18 pedidos semanales desde el mismo canal.

El 140 es real. La conclusión, no. El trimestre tuvo 338 pedidos de Instagram (140 + 11 × 18), unos 28 por semana en promedio, y gran parte vino de un único evento que no se repite a voluntad.

Cómo desarmarlo

• Antes de abrir cualquier informe, escribe qué resultado te haría cambiar de opinión. Si ninguno lo haría, no estás analizando.
• Define el período y el recorte antes de mirar los números, no después.
• Pide a alguien que no esté de acuerdo que arme el análisis con los mismos datos. Las diferencias entre ambas versiones muestran dónde está el sesgo.

Sesgo de supervivencia: solo ves a quien se quedó

La historia clásica es la de los aviones de la Segunda Guerra Mundial: los militares querían blindar las zonas más agujereadas de los aviones que volvían, y el estadístico Abraham Wald señaló que los impactos críticos estaban en los aviones que no volvieron. En marketing esto pasa cada semana, solo que sin aviones.

Un ejemplo calculado. Un e-commerce de moda consiguió 1.000 clientes nuevos en enero. En junio, 620 de ellos no habían vuelto a comprar. La empresa envía una encuesta de satisfacción a la base activa, 380 personas, y recibe 152 respuestas. La nota media es altísima y el equipo celebra su “atención excelente”.

Pero la encuesta escuchó al 15% de quienes llegaron en enero, y justo al 15% más satisfecho. Los 620 que se fueron, que tienen la información más valiosa sobre lo que falla, ni siquiera fueron consultados.

Otros lugares donde aparece en el día a día: estudiar solo los anuncios que funcionaron para copiar la fórmula (sin mirar los que usaron la misma fórmula y fracasaron), analizar solo las negociaciones cerradas en el CRM, o medir la retención solo con quienes pasaron el primer mes.

Cómo desarmarlo

Pregunta siempre: ¿quién no está en esta tabla, y por qué? Si la respuesta es “quien abandonó”, “quien no respondió” o “lo que pausamos”, la muestra está filtrada por el mismo resultado que quieres explicar. El análisis de cohortes ayuda mucho, porque sigue al grupo entero desde el inicio, incluso a quienes desaparecieron.

¿Qué significa en la práctica que correlación no implica causalidad?

Que dos métricas suban juntas no quiere decir que una causó la otra. Muchas veces hay un tercer factor, oculto, empujando ambas a la vez.

Un ejemplo de noviembre: una tienda de electrónica nota que, en las semanas en que publicó más en Instagram, vendió más. La conclusión natural es duplicar la frecuencia de publicaciones. Pero las semanas con más posts fueron justo las de Black Friday, cuando el equipo de marketing produce más contenido y el cliente compra más de todos modos. La fecha mueve ambas variables.

El mismo error aparece cuando alguien dice que “los clientes que usan cupones compran más veces”. Tal vez el cupón fideliza. O tal vez quien ya es fiel es justo quien recibe y usa cupones. Sin un grupo de comparación, no hay forma de saberlo.

Cómo desarmarlo

• Enumera todo lo que cambió en el mismo período: estacionalidad, precio, stock, campañas pagadas, cambios en el sitio.
• Compara con el mismo período del año anterior o con una región que no recibió la acción.
• Cuando la decisión sea cara, haz una prueba: separa un grupo que recibe la acción y otro que no, al mismo tiempo.

Otros sesgos que cuestan dinero (y pasan desapercibidos)

Regresión a la media

Una campaña con un CPA medio de US$ 30 marca US$ 48 en una semana mala. El gerente cambia el creativo y, a la semana siguiente, el CPA vuelve a US$ 33. Parece que el nuevo creativo salvó la campaña, pero los resultados extremos tienden a volver solos cerca de la media. Quien siempre interviene después de una semana mala siempre creerá que acertó.

Muestra pequeña

Tres ventas en 25 visitas son un 12% de conversión. Una venta menos lo baja al 8%; una más lo sube al 16%. Con ese volumen, la diferencia entre dos páginas no dice nada. Por eso diagnosticar una caída de ventas exige mirar el volumen antes que la tasa.

Anclaje

La meta de este año es “crecer un 20% sobre el año pasado” porque el año pasado es el número que está sobre la mesa. Si el año pasado fue atípico, hacia arriba o hacia abajo, la meta hereda la distorsión sin que nadie lo note.

Un checklist de bolsillo para tu próxima reunión

Sesgo	Cómo aparece	Pregunta que lo desarma
Confirmación	El recorte elegido favorece a quien presenta	¿Qué resultado me haría cambiar de opinión?
Supervivencia	Solo cuenta quien se quedó, compró o respondió	¿Quién no está en esta tabla?
Correlación y causalidad	Dos métricas suben juntas y una se vuelve la explicación de la otra	¿Qué más cambió en el mismo período?
Regresión a la media	Mejora tras actuar en un pico o en un fondo	¿Ese número habría vuelto solo?
Muestra pequeña	Tasas comparadas con pocas decenas de casos	¿Cuántos casos hay detrás de la tasa?
Anclaje	Meta definida a partir de una referencia atípica	¿Por qué esta base y no otra?

En la práctica, nadie elimina los sesgos a fuerza de voluntad. Lo que funciona es el ritual: las mismas preguntas, hechas siempre, antes de cada decisión relevante. Los equipos que se lo toman en serio suelen incluir el checklist en la agenda de su reunión orientada a datos, y ahí la alfabetización en datos deja de ser capacitación y se vuelve hábito.

Preguntas frecuentes

¿Cuáles son los tipos de sesgos más comunes en el análisis de datos?

Los que más aparecen en las empresas son el sesgo de confirmación, el sesgo de supervivencia, la confusión entre correlación y causalidad, la regresión a la media, las conclusiones sacadas de muestras pequeñas y el anclaje. Los tres primeros explican la mayoría de las malas decisiones en marketing y ventas.

¿Qué es el sesgo de supervivencia? ¿Hay un ejemplo sencillo?

Es sacar conclusiones mirando solo a quienes “sobrevivieron” a un proceso. Ejemplo: evaluar la satisfacción de los clientes preguntando solo a quienes siguen comprando. Quienes se fueron, y que explicarían los problemas, quedan fuera de la muestra.

¿Qué significa “correlación no implica causalidad”?

Significa que dos variables que se mueven juntas no prueban que una provoque la otra. Puede haber un tercer factor moviendo ambas, como la estacionalidad, o la relación puede ser inversa. Para afirmar causalidad hace falta un grupo de comparación o una prueba controlada.

¿Cómo evitar el sesgo de confirmación en un análisis?

Define la pregunta, el período y el criterio de éxito antes de mirar los datos, y escribe qué resultado te haría cambiar de opinión. Pedir a alguien que no esté de acuerdo que revise el análisis con los mismos datos también ayuda mucho.

¿La inteligencia artificial elimina los sesgos en el análisis?

No los elimina, pero ayuda a reducirlos. Una IA que analiza todo el período y todas las fuentes no elige el recorte que favorece a alguien. En cambio, si la pregunta ya viene sesgada o los datos de entrada están filtrados, la respuesta hereda el problema.

La pregunta correcta vale más que el gráfico bonito

El sesgo no es falta de inteligencia. Es la forma normal en que el cerebro ahorra esfuerzo, y por eso afecta tanto al becario como al CEO. La defensa no es desconfiar de todo, sino abaratar la verificación: cuanto más fácil sea cruzar fuentes y mirar el período completo, menos espacio queda para el recorte conveniente.

Eso es justo lo que hace Sherlok: haces una pregunta en lenguaje natural, cruza Meta Ads, Google Ads, GA4 y el CRM en el período completo y te devuelve el análisis listo, incluso lo que contradice tu hipótesis. Se vuelve mucho más difícil ver solo lo que querías ver.