Una herramienta científica para el directivo es un método apto para convertir datos en conocimiento verificable y accionable. Su aplicación es fundamental para la toma de decisiones y puede resolver las problemáticas derivadas de la práctica común de acumular datos descriptivos sin más.
Muchas empresas medianas y grandes han incorporado a su analítica sistemas de Business Intelligence (BI) para recopilar, procesar y visualizar información. No obstante, muchos equipos directivos consideran que los datos obtenidos no revelan información nueva y relevante. ¿Es este un problema del software o de la metodología empleada?
Eric Barends y Denise M. Rousseau, en su trabajo sobre “Evidence-based management”, nos explican que las organizaciones acumulan métricas, pero los directivos generalmente carecen de las herramientas científicas para evaluar el procedimiento y los resultados con rigor crítico.
En este artículo revisamos la evolución del BI hacia la inferencia causal, la IA explicable y las metodologías de investigación formal como herramientas científicas necesarias para los directivos empresariales.
¿Por qué las tendencias en Business Intelligence para 2026 exigen una mentalidad de investigación científica?
El Business Intelligence en 2026 ha evolucionado y actualmente funciona con modelos de Deep Learning (aprendizaje profundo) y procesos ETL (extracción, transformación y carga de datos), sistemas capaces de generar recomendaciones automáticas, detectar anomalías en tiempo real y anticipar futuros escenarios.
En consecuencia, los directivos deben cuestionar la sugerencia automática en lugar de asumirla sin criterio alguno. El BI arroja datos, pero nosotros interpretamos, evaluamos sesgos y contrastamos si la lógica de la recomendación resiste la prueba de nuestras hipótesis de negocio.
Sin este criterio de corte epistemológico, la automatización pierde calidad. Es por esto que, mientras más avanza la tecnología, el pensamiento científico y ético de quienes utilizan estas innovaciones se hace cada vez más necesario.
La transición de la analítica predictiva a la inferencia causal
La analítica predictiva, como su nombre indica, predice resultados de un fenómeno a partir de detectar patrones.
La inferencia causal, por su parte, se distingue porque explica los mecanismos estructurales de los patrones y sus consecuencias.
Un modelo predictivo puede decirnos cuál es la probabilidad de fuga de un cliente en el próximo trimestre.
El modelo causal complementa esta información al mostrar cuáles son las posibles consecuencias de ajustar nuestra estrategia. En este sentido, va más allá de la predicción al cambiar un modelo de correlaciones a uno de relaciones causales.
En la dirección empresarial un modelo predictivo puede identificar que las ventas caen cuando aumenta el gasto en publicidad digital. La inferencia causal pregunta si el gasto provoca la caída, si ambas variables responden a un tercer factor o si la correlación es espuria.
La investigación formal para la inferencia causal utiliza herramientas como:
- Grafos Acíclicos Dirigidos (DAGs): diagramas que mapean las relaciones de dependencia entre variables sin ciclos de retroalimentación.
Con un DAG graficamos los supuestos sobre cómo se conectan la inversión en publicidad, el tráfico a la tienda, la estacionalidad y la venta final. A partir de ese esquema, identificamos entonces qué variables debemos controlar y cuáles ignorar.
- Análisis contrafactual: la comparación de un resultado observado y lo que habría sucedido en ausencia de la acción evaluada.
- Inteligencia Artificial Explicable (XAI): es un conjunto de técnicas que permite explicar por qué la IA llega a sus conclusiones para entender, cuestionar y auditar cómo se llegó a una recomendación específica.
Métodos como SHAP (SHapley Additive exPlanations) y LIME (Local Interpretable Model-agnostic Explanations) descomponen la decisión de un modelo y asignan a cada variable su peso real en el resultado. Permiten saber qué factores influyeron, en qué medida y en qué dirección.
Los estándares ESG (Ambientales, Sociales y de Gobernanza) ya exigen justificar las decisiones automatizadas que afecten a personas. Con la XAI es más fácil brindar el argumento gracias a su transparencia.
Por otro lado, la idea de que la IA es infalible es, en sí misma, un sesgo. La XAI nos permite verificar si las variables influyeron indebidamente en la decisión y, por ende, corregirla antes de respaldar nuestras decisiones en la IA.
En cambio, una empresa que solo se remite a “el sistema lo decidió” pierde casi toda su legitimidad.
Metodologías de investigación científica aplicadas: del rigor académico a la rentabilidad empresarial
Las metodologías de investigación científica responden preguntas sobre las razones que explican un fenómeno y ayudan a determinar qué conviene hacer al respecto. Se dividen en tres modelos.
- Cuantitativo: trabaja con magnitudes, frecuencias y relaciones estadísticas.
- Cualitativo: aborda significados, procesos, contextos y aspectos subjetivos.
- Mixto: integra ambos aspectos cuantitativos y cualitativos, como métricas y entrevistas de profundidad.
La elección de la metodología dependerá de la naturaleza del problema de investigación.
Asumir los métodos cuantitativos de forma aislada, como los “más rigurosos”, es un error de reducción común, ya que la economía del comportamiento ha demostrado que los números sin contexto cualitativo suelen producir modelos incompletos.
Herbert Simon lo explica con su concepto de racionalidad acotada, en el que las personas toman decisiones con información incompleta, tiempo limitado y capacidad cognitiva finita. Diseñar una organización como si sus integrantes fueran agentes totalmente racionales genera estrategias que conducen al fracaso.
Lo ideal es que las metodologías de investigación formal corrijan ese sesgo, eviten los supuestos sin bases y definan qué se considera evidencia suficiente. Esto nos lleva al concepto de resiliencia cognitiva, que es la capacidad de mantener el rigor metodológico bajo presión.
El perfil del directivo-investigador: la ventaja de un doctorado en Ciencias Empresariales
Para un liderazgo efectivo se necesitan competencias propias de un grado de doctorado:
- Capacidad de formular las preguntas correctas ante problemas complejos
- Construir conocimiento especializado
- Actuar con criterio, solidez y respaldo en evidencia.
Kahneman y Klein, en su debate sobre el juicio experto, identificaron que la intuición experta funciona bien en contextos de claridad, simulación simple y estabilidad, pero falla en entornos complejos y ambiguos.
El perfil del directivo-investigador es el de alguien que conoce a profundidad el negocio y aplica metodologías que permiten convertir ese conocimiento en investigación original. Implica saber:
- Diseñar un estudio de investigación
- Seleccionar las variables pertinentes
- Interpretar resultados con criterio estadístico
- Comunicar hallazgos con claridad y precisión
- Trabajar con hipótesis, revisarlas y discernir las conclusiones sólidas de las sesgadas
- Diseñar y evaluar metodologías efectivas para cada caso.
En las líneas de investigación de finanzas, estrategia y mercadotecnia, esa actitud genera conocimiento que las organizaciones pueden aplicar directamente, con evidencia propia y en contextos específicos.
La mejor forma de adquirir este perfil es con un programa de doctorado actualizado y de calidad en las ciencias empresariales, ya que brinda el conocimiento y la práctica necesarios para convertirse en investigador especializado en el campo de los negocios.
¿Por qué elegir el programa del doctorado en Administración de la UP?
El programa del Doctorado en Ciencias Empresariales de la Universidad Panamericana abarca tres líneas principales de investigación: Estrategia Empresarial, Finanzas e Inteligencia de Negocios y Mercadotecnia.
Cada una profundiza en economía del comportamiento, minería de datos, mercadotecnia analítica, teoría organizacional y gestión de riesgos, así como en conocimiento práctico para los problemas reales que enfrentan las organizaciones.
La formación se desarrolla en cuatro años y tres etapas: la primera establece las bases teóricas y metodológicas; la segunda se concentra en el protocolo de tesis y la producción de textos con rigor de publicación; la tercera culmina con la defensa doctoral y la participación en conferencias internacionales.
Descarga el plan de estudios en el siguiente enlace y concreta tus estudios académicos en una de las mejores universidades del país en el campo de las ciencias empresariales.
Más contenido de interés:
Referencias:
- Barends, E. (2016) A Reader’s Guide to Evidence-Based Management. Controlling & Management Review, 60(1), 36-40 10.1007/s12176-015-0648-1
- Chaudhary, S., Khalil, A., Attri, R. & Ractham,P. (2025) Deploying explainable AI in entrepreneurial organizations: Role of the human-AI interface. Technological Forecasting and Social Change, 220 https://doi.org/10.1016/j.techfore.2025.124324
- Hernández, J. I. (2024). Hacia una racionalidad históricamente acotada: la crítica de Herbert A. Simon a la noción neoclásica de “agente racional”. Tópicos, 68, 35-68.https://doi.org/10.21555/top.v680.2374
-
Kahneman, D. & Klein, G. (2009). Conditions for intuitive expertise: A failure to disagree. American Psychologist, 64(6), 515–526. https://doi.org/10.1037/a0016755
Pon tu comentario abajo.