Hay una frase que me acompaña desde hace años en este oficio: "La confianza cuesta mucho construirla y muy poco perderla." Me la dijo Diego Akris, quien fue mi Data Lead en Unilever, y desde entonces no dejé de verificarla en cada proyecto de datos en el que participé.
Trabajar con datos tiene una particularidad que muchas veces se subestima: lo que entregamos no se evalúa por el proceso, sino por el resultado. Nadie ve las transformaciones, las validaciones cruzadas, las horas de limpieza de datos ni la complejidad del modelo que hay detrás. Lo que ven es un número en una presentación, una métrica en un dashboard, una conclusión en un informe.
Y lo toman como verdad.
Eso nos pone en una posición delicada. Porque cuando ese número es correcto, generamos confianza sin que nadie lo note. Pero cuando falla, aunque sea una sola vez, se cuestiona todo lo que hicimos antes.
El error técnico que no es solo técnico
Supongamos que un analista presenta un reporte mensual con una métrica de ventas que no cierra. Puede ser un error de filtro, un join mal hecho, una dimensión temporal mal configurada. Técnicamente, es un problema menor. Pero para quien recibe ese dato y toma decisiones con él, no es un "error de filtro". Es un dato incorrecto. Y si ya tomó una decisión basándose en eso, el problema escala rápido.
Lo que el negocio percibe no es "hubo un error en el ETL". Lo que percibe es: "los datos no son confiables".
Y una vez que esa percepción se instala, es muy difícil revertirla.
La analogía del puente colgante
Me gusta pensar en la confianza con datos como un puente colgante. Cada análisis bien hecho, cada número validado, cada reporte consistente es una cuerda más que sostiene la estructura. Con el tiempo, el puente se vuelve sólido y la gente lo cruza sin pensarlo.
Pero si una sola cuerda falla — un solo número equivocado, una sola métrica inconsistente — nadie quiere cruzar. No importa que las otras noventa y nueve estén perfectas. La percepción de riesgo se instala y se queda.
En datos, reconstruir esa confianza después de un error visible puede llevar meses de trabajo impecable. Perderla, en cambio, toma un solo slide con un número mal puesto.
Qué podemos hacer: un framework práctico de validación
Después de varios tropiezos propios y ajenos, armé un checklist mental que aplico antes de presentar cualquier análisis:
1. Validación cruzada de fuentes. Nunca confiar en una sola fuente de datos. Si el número de ventas viene de un sistema, contrastarlo con otro. Si no hay segunda fuente, al menos validar contra períodos anteriores. ¿El número tiene sentido comparado con el mes pasado? ¿Con el mismo mes del año anterior?
2. Revisar los supuestos. Cada análisis tiene supuestos implícitos: períodos de tiempo, filtros, segmentaciones, definiciones de métricas. Antes de presentar, preguntarse: ¿el receptor entiende estos supuestos? ¿Estamos midiendo lo mismo que ellos esperan ver?
3. La prueba del "sentido común". Antes de entregar un número, hacerse la pregunta más simple: ¿esto tiene sentido? Si las ventas crecieron un 300% de un mes a otro sin ninguna campaña especial, probablemente hay un error. La intuición del negocio es una herramienta de validación subestimada.
4. Documentar las definiciones. Muchos errores de confianza no vienen de datos mal calculados sino de métricas mal definidas. Lo que para un equipo es "usuario activo" puede ser completamente distinto para otro. Definir claramente qué se mide y cómo se mide es la base de la credibilidad.
5. Tener la humildad de frenar. Si algo no cierra, no presentar. Parece obvio, pero la presión de los deadlines muchas veces empuja a entregar algo "más o menos bien" en lugar de esperar y corregir. La realidad es que esperar un día y entregar algo sólido genera más confianza que entregar rápido y tener que retractarse después.
La validación no es una formalidad
En muchos equipos de datos, la validación se trata como un paso burocrático. Algo que "hay que hacer" antes de entregar. Pero la validación no es llenar un checklist por cumplir. Es el acto de ponerse en el lugar de quien va a recibir ese dato y preguntarse: ¿qué decisión va a tomar con esto? ¿Qué pasa si este número está mal?
Cuando lo pensamos así, la validación deja de ser tediosa y se vuelve estratégica. Porque no estamos validando datos. Estamos protegiendo la confianza que nos costó construir.
Errores que se hicieron virales
Para dimensionar el impacto real de un error en la visualización de datos, basta con recorrer sitios como viz.wtf, donde se recopilan ejemplos de gráficos mal diseñados que terminaron siendo motivo de burla en redes sociales.
Algunos casos que ilustran bien el problema:
No hace falta que el error sea catastrófico. A veces un eje mal escalado o un porcentaje que no suma 100% es suficiente para que el mensaje se pierda y la confianza se quiebre. Para más ejemplos, recomiendo recorrer viz.wtf — es un recordatorio constante de por qué la validación visual es tan importante como la validación técnica.
Reflexión final
En el mundo de BI y Analytics, nuestro activo más valioso no es la herramienta que usamos ni el modelo que construimos. Es la confianza de quienes toman decisiones basándose en lo que les entregamos.
Cada número que presentamos es una promesa implícita de que hicimos bien nuestro trabajo. Cuidar esa promesa, validar con rigor y tener la honestidad de decir "todavía no está listo" cuando algo no cierra, es lo que separa a un analista que informa de uno que influye.
La confianza se gana en gramos y se pierde en kilos. Asegurémonos de sumar gramos todos los días.
Comentarios