L

as empresas están realizando importantes inversiones en centros de análisis digital con inteligencia artificial y capacidades de IA generativa, sistemas de gestión de relaciones con los clientes empresariales y plataformas tecnológicas de marketing. En ningún ámbito esto es más evidente que en las funciones comerciales, donde residen el crecimiento y el impacto en los clientes.

Sin embargo, una creciente inquietud se extiende entre los altos ejecutivos. En una encuesta realizada por PwC en 2025, el 56% de los CEOs afirmó que sus empresas aún no estaban obteniendo retornos financieros de sus inversiones en IA. Escuchamos preocupaciones similares entre los ejecutivos con los que trabajamos. Aunque la confianza en el potencial de lo digital sigue siendo alta, los equipos comerciales tienen dificultades para traducir esa promesa en resultados empresariales tangibles.

Las empresas que logran convertir lo digital en valor lo tratan como una transformación del modelo operativo comercial, no solo como una actualización tecnológica. Se enfocan en cuatro cambios interconectados que reconfiguran la forma en que se generan las ideas, se toman las decisiones, se coordinan las acciones y se organizan los análisis.

Cambio #1: De la inteligencia humana a la inteligencia basada en activos

Tradicionalmente, cuando los líderes necesitaban información (por ejemplo, por qué funcionó una campaña, por qué un cliente dejó de comprar o dónde enfocarse después) recurrían a especialistas o encargaban estudios que les proporcionaban respuestas. La información residía en las personas y los proyectos. Con lo digital, la información reside cada vez más en activos analíticos, como datos, modelos y herramientas de IA integradas en los procesos comerciales.

Cambio #2: De la toma de decisiones intermitente a la toma de decisiones continua

Las organizaciones fueron diseñadas para operar con cierta cadencia: planes definidos anual o trimestralmente, ejecución entre esos periodos y revisiones de avance en puntos establecidos. Los activos digitales modifican este modelo al permitir una generación de información más rápida o al integrar recomendaciones directamente en la ejecución.

En algunas decisiones, la cadencia sigue siendo episódica, pero el tiempo del ciclo se reduce. En una empresa biofarmacéutica, determinar el tamaño y la estructura de una gran organización de ventas solía requerir seis meses de análisis basado en proyectos y otros seis meses para su implementación. Hoy en día, un equipo más reducido completa el mismo trabajo en tres meses, y la mayor parte del esfuerzo se centra en la implementación más que en el análisis. En las empresas de servicios tecnológicos, las herramientas de IA generativa reducen a la mitad el tiempo de generación de propuestas, lo que aumenta la eficiencia y la capacidad de respuesta al cliente.

Cambio #3: De la ejecución aislada a la ejecución coordinada

Durante décadas, las empresas optimizaron la ejecución comercial de forma vertical. El departamento de marketing se encargaba de la marca y la demanda, el de ventas se ocupaba de las relaciones y los ingresos, y el de servicio al cliente se centraba en la generación de valor y el crecimiento. Incluso dentro del área de marketing, los equipos de marca, generación de demanda, medios y análisis solían operar con presupuestos, métricas y prioridades distintos. La coordinación era deseable, pero no estructuralmente indispensable.

Lo digital cambia esa lógica. Hoy los clientes se mueven con fluidez entre canales y funciones. Un médico interactúa con una empresa farmacéutica a través de representantes, portales, información científica y programas para pacientes. Un comprador de servicios en la nube pasa de la investigación en línea a ventas técnicas, y luego a la implementación y soporte. Los clientes informados esperan una experiencia conectada.

Las empresas están respondiendo mediante el uso de activos digitales y recomendaciones integradas para coordinar la ejecución en torno al cliente, en lugar de hacerlo en función de fronteras departamentales.

Cambio #4: De la analítica fragmentada a la analítica centralizada

El análisis de clientes ha estado históricamente disperso entre funciones y geografías. El departamento de marketing gestionaba la analítica de campañas, el de ventas era responsable de la planeación de cuentas y el análisis comercial, y cada país utilizaba sus propios sistemas y proveedores.

Lo digital hace que la descentralización sea insostenible. La analítica y la IA requieren talento escaso, una gobernanza sólida e inversión sostenida. Como resultado, las organizaciones se están moviendo hacia centros de análisis centralizados, respaldados por plataformas de datos compartidas, capacidades de IA y equipos especializados. Estos centros pueden ser internos o externos, y ubicarse dentro o fuera del país.

Cuando las empresas logran realizar estos cambios con éxito, lo digital deja de percibirse como un costo inevitable y comienza a generar el valor que los líderes esperan y necesitan.

L

as pruebas A/B son el estándar de oro de la experimentación. Su objetivo es ayudar a las empresas a tomar decisiones más rápidas, mejores y basadas en datos. Pero, con demasiada frecuencia, ocurre lo contrario. La reunión comienza con optimismo: una nueva idea de precios, diseño publicitario o pantalla de registro entra en una prueba A/B. Tras semanas de espera, los analistas regresan con valores p, umbrales de confianza del 95% y una conclusión ya conocida: “Deberíamos esperar a tener más datos. Aún no tenemos suficiente evidencia y no es estadísticamente significativa”.

Esperar a tener “suficientes datos” se siente seguro, pero consume tiempo, participación y crecimiento. Hay una razón para ello: los métodos estadísticos comunes recompensan la inacción.

En lugar de juzgar si un resultado es lo suficientemente significativo, los equipos deberían evaluar qué decisión minimiza la pérdida en el peor escenario. Esta guía surge de un marco de decisión denominado “arrepiento minimax asintótico” (AMMR).

El AMMR muestra cómo actuar utilizando pruebas A/B, manteniendo al mismo tiempo el rigor estadístico que se espera de los equipos modernos de analítica y conservando mecanismos de protección para los casos en los que la decisión ejecutiva pudiera resultar incorrecta, al limitar las pérdidas en el peor escenario.

Así es como se aplica el AMMR en cuatro pasos:

1. Formule la pregunta correcta.

En esencia, el AMMR reduce cada decisión de prueba a un único umbral: lance la nueva idea si su incremento estimado supera su costo de implementación por cliente. En otras palabras, “elija al ganador”. Esta lógica, que durante mucho tiempo fue intuida por profesionales como Jeff Bezos, ahora cuenta con un respaldo riguroso.

Los ejecutivos ya piensan en términos de economía unitaria. El AMMR simplemente lo hace explícito y añade salvaguardas, de modo que los equipos de datos puedan trabajar con los ejecutivos, no en su contra. Por lo tanto, no pida a su equipo que recopile evidencia solo para lograr que el valor p sea < 0.05. El AMMR replantea las pruebas como una decisión de negocio: ¿Qué opción es más probable que genere más valor, teniendo en cuenta lo que ya sabemos?

2. Haga explícito el análisis de costo/beneficio de la alta dirección (en términos por cliente).

La mayoría de las decisiones de despliegue implican costos por cliente (o por unidad), por ejemplo, 1.7 dólares por cada talonario de cupones promocionales enviado o 0.03 dólares por cada chat de soporte adicional. Estos costos también incluyen tarifas de proveedores, infraestructura incremental, carga operativa y cualquier mínimo contractual prorrateado por usuario o cliente.

El AMMR convierte esos costos en un umbral de decisión, imponiendo disciplina: los equipos no pueden recomendar lanzamientos cuya economía unitaria esperada no supere sus propios costos de implementación. Este es el criterio de decisión:

— Lance si el incremento estimado por cliente es ≥ al costo unitario de implementación.

— Deténgase si es inferior.

3. Exija resultados expresados en términos de negocio.

Indique a su equipo de analítica que reporte tres elementos en cada prueba A/B:

— Decisión (basada en AMMR): ¿Lanzar o detenerse?

— Pérdida esperada en el peor escenario si seguimos esa decisión (en dólares/KPIs).

— Tamaño de muestra necesario para limitar la pérdida a un objetivo que usted defina (por ejemplo, “mantener la pérdida diaria de ingresos en el peor escenario por debajo de 10,000 dólares”).

Por qué funciona: la pérdida en el peor escenario escala linealmente con el error estándar del ATE (efecto promedio del tratamiento). Esto le brinda una palanca clara: si el límite de pérdida actual es demasiado alto, usted sabe exactamente cuánta recolección adicional de datos se necesita para reducirlo al nivel deseado y asegurarse de que un posible error no resulte demasiado costoso.

4. Cierre el ciclo para el aprendizaje estratégico.

Como el AMMR expresa todo en el KPI que usted gestiona, facilita el aprendizaje posterior al lanzamiento.

Dado que todo se mide en el KPI que usted administra, puede comparar pronósticos con resultados y refinar los umbrales futuros. Puede preguntarse: ¿La acción generó el valor que esperábamos? Si no fue así, ¿la variabilidad fue mayor de lo previsto o el efecto fue menor? Utilice esas respuestas para ajustar el próximo límite de pérdida objetivo y el plan de muestreo de su siguiente prueba.

L

os líderes empresariales se ven sometidos a una gran presión para aumentar las capacidades analíticas y de datos de sus empresas (y hacerlo rápido), o corren el riesgo de quedar rezagados frente a competidores más avanzados en el uso de datos.

Pero ¿qué significa realmente tener éxito en este ámbito? ¿Cómo deberían medirlo las empresas?

Los indicadores que caracterizan el éxito de la transformación digital han evolucionado desde hace unos años. En una encuesta realizada por Gartner en 2018 a líderes de datos y analítica (D&A) y directores digitales (CDOs), los encuestados clasificaron tres actividades clave internas de la empresa como las más importantes para lograr el éxito en datos y analítica: crear una cultura impulsada por los datos, adoptar capacidades analíticas avanzadas y emplear una estrategia de implementación de datos y análisis bien desarrollada. Pero cuando Gartner realizó la versión 2022 de esta encuesta, los encuestados informaron que su principal prioridad ahora se centraba en el mercado externo: estas inversiones deben crear valor empresarial al ayudar a la compañía a alcanzar sus objetivos de crecimiento. Esta evolución del interés y el cambio de prioridad hacia el rendimiento y la rendición de cuentas en datos y analítica es una progresión natural destinada a responder a la pregunta “¿y qué?”

Una pregunta crítica para las empresas que están atravesando transformaciones digitales es: ¿Cómo y dónde contribuyen las inversiones en nuevas y mejoradas capacidades analíticas y de datos a beneficios empresariales tangibles como la rentabilidad y el crecimiento? ¿Deberían invertir en talento? ¿Tecnología? ¿Cultura? Según nuestra investigación, que mide el impacto del desarrollo analítico en los indicadores clave de rendimiento empresarial, el camino hacia la creación de valor real es matizado y no tan directo. No solo importa el nivel de analítica, sino también qué tan alineadas están las capacidades de análisis con los objetivos empresariales.

Cómo crean valor las empresas con la analítica

Para investigar el impacto de la alineación en la analítica sobre el rendimiento empresarial, encuestamos a 323 empresas que están atravesando transformaciones en datos y analítica (143 de estas compañías tenían sede en EE. UU. y 180 en India). Las compañías participantes representaban una variedad de sectores, incluidos telecomunicaciones, salud, energía, bienes de consumo, automotriz, logística, y servicios profesionales y financieros. El 43% de las empresas tenía ventas anuales superiores a los 100 millones de dólares, y otro 20% superaba los mil millones de dólares.

Para entender el impacto de estar alineados en el nivel de rendimiento empresarial, encuestamos a díadas de dos personas (un ejecutivo y un responsable de análisis de datos) de cada una de las 323 compañías. Fuimos intencionales en elegir y comparar la perspectiva estratégica “en la nube” del ejecutivo sénior con el punto de vista operativo “en el terreno” del analista de datos.

A los altos ejecutivos se les hicieron preguntas sobre las capacidades actuales de análisis de datos de sus empresas y el nivel de madurez de los datos (bajo, medio o alto). También se les pidió que compararan el rendimiento de su empresa con el de sus principales competidores en ocho KPIs, utilizando una escala de cinco puntos. Tres KPIs eran medidas de crecimiento: crecimiento de participación de mercado, crecimiento de ventas y crecimiento de utilidades. Dos eran métricas financieras: ingresos y rentabilidad. Y tres eran resultados centrados en el cliente: adquisición de clientes, retención de clientes y satisfacción del cliente.

Los gerentes operativos de datos respondieron a la pregunta sobre el nivel de madurez de los datos (bajo, medio o alto).

Lo que descubrimos

La pregunta de la encuesta completada tanto por los líderes sénior como por los gerentes de datos sobre el nivel actual de capacidades de datos de su empresa (baja, media o alta madurez, definidas más abajo) fue fundamental para nuestro análisis.

Las empresas eligieron un nivel bajo de madurez si realizaban la compilación manual de informes de datos, informes de datos no estandarizados, silos de datos y falta de una difusión sistemática en toda la organización. En las empresas que eligieron un nivel medio de madurez, los datos se recopilaban y analizaban de manera más deliberada, con informes estandarizados compartidos en una plataforma de toda la organización. Los datos y la analítica comenzaron a desempeñar un papel directo en la toma de decisiones empresariales clave. En los niveles de madurez más altos, las empresas usaban los informes de datos como base para todos los procesos y la toma de decisiones. En estas organizaciones, no se tomaba ninguna decisión sin recurrir a los datos e insights apropiados.

En nuestros hallazgos, descubrimos una tendencia sorprendente. Como era de esperarse, observamos una mejora en todos los KPIs a medida que las empresas avanzaban en el espectro de madurez de datos. El retorno de la inversión en talento y tecnología dio sólidos dividendos al inicio del camino en datos y analítica de una empresa: las compañías que pasaban de madurez baja a media disfrutaban de mejoras de un solo dígito tanto en los KPIs de crecimiento (8.7%) como en los KPIs financieros (8.9%), y casi de dos dígitos (9.9%) en los KPIs relacionados con el cliente. Sin embargo, los beneficios de inversiones adicionales disminuían a medida que las empresas superaban el nivel medio de madurez de datos.

De hecho, a medida que las empresas superaban el nivel medio de madurez y alcanzaban niveles elevados de capacidades de datos y análisis, sus resultados empresariales en todas las categorías de indicadores clave de rendimiento, aunque seguían siendo positivos, descendían considerablemente con respecto a los niveles máximos observados en las empresas de nivel medio.

Al profundizar más en los resultados, encontramos implicaciones importantes y matizadas para las empresas que están atravesando o considerando transformaciones en el análisis de datos. Cuando tomamos en cuenta las diferencias en “alineación de madurez de datos” entre los líderes sénior y los analistas de datos dentro de una misma organización, obtuvimos una imagen aún más clara sobre las diferencias en rendimiento en las tres categorías de KPIs.

Las empresas desalineadas

Las empresas situadas en el extremo inferior de madurez de datos obtienen beneficios en el rendimiento empresarial cuando invierten en mejorar sus capacidades hacia un nivel medio de madurez, a pesar de estar desalineadas internamente. Sin embargo, cualquier ganancia en los KPIs desaparece (y de hecho cae en terreno negativo) cuando los esfuerzos de transformación de datos de las empresas desalineadas avanzan del nivel medio al alto de madurez de datos.

La transición de una madurez media a una alta parece ser un abismo, ya que este salto requiere más que inversión en talento, herramientas y tecnología de datos y analítica. Para cruzar con éxito esta brecha, las empresas deben tener habilidades no solo en competencias analíticas, sino también y, lo que es más importante, estar alineadas internamente con su nivel de madurez de datos.

Las empresas alineadas

La alineación dentro de la empresa genera KPIs positivos en cada etapa de transición de madurez de datos, particularmente al pasar de capacidades medias a altas. Cuando están alineadas, las empresas se benefician de mejoras constantes y sostenidas en los resultados empresariales a medida que avanzan del nivel medio al alto de madurez de datos.

Alinear la organización

Nuestros resultados muestran claramente que, si bien un nivel básico de analítica puede ser suficiente cuando las empresas aún están en el rango de baja a media madurez de datos, se vuelve insuficiente y la alineación en capacidades analíticas surge como un factor necesario en la etapa de madurez de datos de media a alta si las empresas desean cosechar los beneficios de invertir en analítica.

Mientras las empresas de todos los sectores se esfuerzan por centrarse más en la analítica y lograr la superioridad de los datos y el análisis, nuestros hallazgos cuentan una historia clara y convincente que los líderes empresariales deben atender con mayor atención. Comprender la interacción entre la alineación y el nivel de madurez de los datos puede ayudar a las empresas a impulsar y mantener su rendimiento en los resultados relacionados con el crecimiento, las finanzas y el cliente.