Análisis de causa raíz: «las conversiones bajaron un 12%» y el comité se iba en averiguar por qué
Caso real · Veinte páginas escritas la noche anterior al comité de dirección para explicar lo que el panel ya mostraba
Un análisis automático de causa raíz descompone cada desviación relevante por todas las dimensiones disponibles —mercado, canal, dispositivo, producto, audiencia— y localiza dónde se concentra. Es el proceso que un analista hace abriendo filtros uno a uno, ejecutado sobre todas las combinaciones a la vez.
La diferencia práctica: el informe deja de decir qué ha pasado y empieza a decir dónde. Y una desviación localizada se verifica en diez minutos, no en dos horas de comité.
El punto de partida: el dashboard estaba bien
«Tengo el dashboard, pero alguien sigue teniendo que interpretarlo cada mes, y en el comité aún discutimos qué ha pasado.»
Esta compañía había hecho lo que se supone que hay que hacer. Cuadro de mando operativo, bien construido, datos conectados y actualizados. La inversión en datos estaba hecha.
Y aun así, cada mes:
Alguien escribía a mano una presentación de veinte páginas la noche anterior al comité.
Esa presentación era descriptiva. Decía que las conversiones habían bajado un 12%. No decía que la caída se concentraba en un mercado y un tipo de dispositivo, porque para saber eso había que abrir el panel, filtrar por seis dimensiones y darse cuenta.
El comité se consumía averiguando la causa. Dos horas de las personas más valiosas de la compañía haciendo, en directo y a base de preguntas, el análisis que nadie había tenido tiempo de hacer antes. «¿Es en todos los mercados?» «Habría que mirarlo.» «¿Ha pasado también en móvil?» «Creo que sí, pero tendría que comprobarlo.»
Las decisiones se aplazaban. Sistemáticamente. Se terminaba con una hipótesis y el compromiso de verificarla, y la decisión quedaba para el comité siguiente, cuando el dato ya tenía cinco semanas.
El diagnóstico es incómodo y claro: el dashboard había resuelto el acceso a los datos y no había resuelto nada más.
La capa que falta: insights, no solo datos
Un cuadro de mando resuelve el acceso al dato. Es un paso necesario y no es el que consume el tiempo.
Lo que consume tiempo —y lo que determina si una reunión termina en decisión o en aplazamiento— es la capa de interpretación: descomponer una variación hasta localizar dónde se origina, comprobar si el patrón es general o concentrado, y traducirlo a algo accionable.
Esa capa, en la mayoría de las empresas que tienen dashboard, sigue siendo manual. La hace una persona la noche anterior, con el tiempo que tiene, y por eso llega incompleta. No por falta de capacidad: por falta de horas.
Es también la razón por la que tantas compañías concluyen que su inversión en datos no ha servido de nada. Sirvió para lo que resuelve. El problema es que nadie les dijo que faltaba una capa por encima.
Lo que descartamos
Una herramienta de augmented analytics enterprise. Existen plataformas que prometen exactamente esto: análisis aumentado, generación automática de insights, detección de patrones. Dos problemas para un caso así. El primero, de coste e implantación: implica sustituir o duplicar el cuadro de mando que ya funciona. El segundo, más de fondo: producen hallazgos genéricos —«el segmento X ha variado significativamente»— sin saber si ese segmento le importa a esta compañía ni qué se hace al respecto.
Consultoría de análisis recurrente. Es la salida evidente y la que más de un proveedor habría ofrecido con gusto: un analista externo que cada mes lee el panel y escribe el informe. Resuelve el síntoma y crea una dependencia permanente con coste mensual.
Lo decimos con conciencia de lo que implica: un servicio recurrente de análisis factura todos los meses; un sistema que genera los insights solo se cobra una vez. Es una diferencia relevante para nosotros, y es exactamente la razón por la que el sector propone lo primero.
Rehacer el dashboard. Estaba bien. Lo que faltaba no era una capa de visualización mejor, sino la que hay por encima.
Cómo automatizamos el análisis de causa raíz
1. Definir qué desviación merece atención en este negocio
Antes de automatizar nada, la conversación que faltaba: qué cambios merecen la atención del comité.
Un descenso del 3% en un mercado pequeño, no. Uno del 12% concentrado en un mercado grande, sí. Un aumento de coste por adquisición en una campaña de bajo presupuesto, no; en la principal, sí.
Umbrales por métrica, por segmento y por peso en el negocio. Sin eso, cualquier sistema de detección automática produce una lista de variaciones estadísticamente ciertas y prácticamente irrelevantes — que es la razón por la que tantos sistemas de alertas acaban ignorados a los dos meses.
2. Descomponer automáticamente cada desviación
El núcleo del trabajo.
Cuando una métrica se desvía, el sistema la descompone por todas las dimensiones disponibles —mercado, canal, campaña, dispositivo, producto, tipo de audiencia— y busca dónde se concentra.
Aplicado al caso de partida, la salida deja de ser «las conversiones bajaron un 12%» y pasa a ser: la caída se explica en su mayor parte por un mercado concreto y, dentro de él, por un tipo de dispositivo; el resto de mercados se mantiene estable; el patrón aparece a partir de una fecha determinada.
Eso ya no es un dato. Es una hipótesis con localización. Y una hipótesis con localización se verifica en diez minutos.
En este caso concreto, además, esa localización —un mercado, un dispositivo, una fecha de inicio— apuntaba directamente a un fallo técnico introducido en un despliegue. Es el tipo de causa que un informe descriptivo nunca sugiere.
3. Narrativa generada con IA, verificada contra los datos
Sobre ese análisis se genera el texto con asistencia de IA: qué ha pasado, dónde se concentra, desde cuándo, y qué otras métricas se han movido en el mismo sentido.
Con dos condiciones imprescindibles:
Toda afirmación procede del análisis, no del modelo. La IA redacta la lectura de unos resultados calculados; no infiere ni estima nada por su cuenta. Elimina la posibilidad de que el informe afirme algo que los datos no sostienen — que es el riesgo real de generar informes con IA y la razón por la que muchos equipos desconfían, con motivo.
Toda afirmación es trazable. Cada frase se puede desplegar hasta el cálculo y el dato de origen. Un comité que no puede verificar una afirmación acabará, con razón, desconfiando de todas.
4. Alertas proactivas entre comités
El informe mensual dejó de ser el único momento en el que la compañía se entera de las cosas.
Cuando una desviación supera los umbrales, el aviso llega cuando ocurre, con el análisis de causa-raíz ya hecho. Un problema detectado el día 8 se corrige el día 9. El mismo problema descubierto en el comité del día 3 del mes siguiente lleva tres semanas activo.
5. Resumen ejecutivo con acciones priorizadas
La primera página pasó a ser media página: las tres o cuatro cosas que han cambiado de forma relevante, dónde, y qué decisión requiere cada una.
Las veinte páginas siguen existiendo como anexo consultable. Pero el comité empieza por la media página, y por tanto empieza por la decisión.
Resultado
El comité pasó de dos horas a cincuenta minutos. No porque se hable menos, sino porque ya no se dedica tiempo a averiguar qué ha pasado.
Las decisiones dejaron de aplazarse. El aplazamiento se producía por falta de información en la sala; con la causa localizada, la decisión se toma en la misma reunión.
La preparación manual desapareció. Nadie escribe veinte páginas la noche anterior. El tiempo de esa persona —la más analítica del equipo— volvió al análisis de verdad: formular hipótesis y diseñar pruebas, no describir lo ocurrido.
Tres problemas relevantes se detectaron entre comités en el primer año, gracias a las alertas proactivas. Los tres se corrigieron en días.
Y el cambio que mejor resume el proyecto: la conversación pasó de «qué ha pasado» a «qué hacemos». Misma reunión, misma gente, mismos datos, empleados en algo distinto.
Por qué lo hacemos así
Hay una creencia extendida que cuesta bastante dinero: que el problema del reporting se resuelve con un dashboard.
El dashboard resuelve una parte, y no es la que consume el tiempo. Automatizar la que sí lo consume no requiere sustituir el cuadro de mando ni contratar análisis recurrente. Requiere tres cosas: definir qué desviaciones importan en este negocio concreto, descomponerlas automáticamente por todas las dimensiones, y redactar la lectura sobre resultados calculados y verificables.
El resultado no es un informe más bonito. Es un comité que empieza donde antes terminaba.
Dónde no aplica: con pocas dimensiones de análisis —un mercado, un canal, un producto— la descomposición automática no tiene dónde buscar y una persona localiza la causa en cinco minutos. Este sistema rinde en proporción al número de combinaciones posibles. Y si tus datos no están homogeneizados —campañas con nomenclaturas distintas, conversiones definidas de forma diferente por plataforma—, la descomposición devolverá hallazgos falsos con mucha convicción. Eso se arregla antes, no después.
Preguntas frecuentes
¿Por qué tener los datos a mano no basta para decidir en un comité?
Porque resuelve el acceso al dato, que no es lo que consume el tiempo. Lo que lo consume es la interpretación: descomponer una variación hasta localizar dónde se origina, comprobar si el patrón es general o concentrado y traducirlo a una decisión. En la mayoría de empresas con cuadro de mando esa capa sigue siendo manual, la hace una persona con las horas que tiene, y por eso llega incompleta a la reunión.
¿Qué es el análisis automático de causa raíz aplicado a marketing?
Es la descomposición sistemática de una desviación por todas las dimensiones disponibles —mercado, canal, campaña, dispositivo, producto, audiencia— para localizar dónde se concentra. Reproduce el proceso que un analista hace abriendo filtros, pero sobre todas las combinaciones a la vez, lo que convierte una cifra agregada en una hipótesis con localización y fecha de inicio.
¿Se puede usar IA para redactar informes de marketing?
Sí, con dos condiciones. La primera: que toda afirmación proceda de un análisis calculado y no de una inferencia del modelo, de modo que el texto sea la lectura de unos resultados y no una estimación. La segunda: que cada frase sea trazable hasta el dato de origen. Sin ambas, el riesgo de afirmaciones que los datos no sostienen es alto y la desconfianza del equipo, razonable.
¿Por qué se ignoran los sistemas de alertas automáticas?
Porque suelen detectar variaciones estadísticamente ciertas y prácticamente irrelevantes: un 3% en un segmento marginal genera el mismo aviso que un 12% en el mercado principal. El paso previo que casi siempre falta es definir umbrales por métrica, por segmento y por peso en el negocio. Sin esa definición, el volumen de avisos hace que el equipo deje de mirarlos en pocas semanas.
¿Cómo se acorta un comité de dirección dedicado a marketing?
Llevando el análisis hecho en lugar de hacerlo en la sala. La mayor parte del tiempo de estas reuniones se va en establecer qué ha pasado —si la caída afecta a todos los mercados, si también se da en móvil— y esas preguntas se pueden responder antes. Con la causa localizada en el documento, la reunión empieza en la decisión.
¿Hace falta una plataforma de augmented analytics?
No necesariamente, y con frecuencia es contraproducente: implica duplicar o sustituir el cuadro de mando existente y produce hallazgos genéricos sin conocer qué segmentos importan a ese negocio. La capa de interpretación se puede construir sobre el dashboard actual, con umbrales definidos por la propia empresa y descomposición sobre sus dimensiones reales.
En vuestro último comité, ¿cuánto tiempo se dedicó a entender qué había pasado? Si fue la mayor parte, ese tiempo es recuperable. Contadnos qué tenéis montado hoy y en la primera conversación sabremos si os falta capa de análisis o solo definir qué merece la pena mirar.
Otros casos de uso
Otros proyectos donde resolvimos el mismo tipo de problema.