Cultura Data-Driven · por Gustavo Santos

La realidad dá señales.

Todo el tiempo.

  • alguien buscó y no encontró
  • la obra se retrasó tres días
  • una reclamación reaparecio
  • una máquina se detuvo por segunda vez
  • el cliente renunció antes de pagar
  • martes vende diferente de jueves
  • un horario quedó vacío
  • un costo comenzó a subir

Tu empresa ya está hablando.
La pregunta es: ¿estás escuchando?

Desplázate lentamente

En una frase

La Cultura Data-Driven es aprender a mirar lo que está ocurriendo, hacer mejores preguntas y usar las respuestas para decidir mejor.

La definición formal

“La capacidad institucional de transformar señales de la realidad en activos estratégicos que orientan decisiones, reorganizan operaciones y generan valor.”

Capacidad: algo que la organización puede hacer de nuevo, y de nuevo. Institucional: no depende de una persona sola. El resto de esta página explica cada palabra con ejemplos.

Camión fuera de carretera estacionado en una mina a cielo abierto al atardecer, con una luz ámbar encendida

Antes del dato, existe la realidad

Una máquina se detuvo por segunda vez esta semana.

Eso es una señal de la realidad. Pasó antes de cualquier hoja de cálculo, sistema o dashboard. Lo que suceda con ella ahora depende de la organización.

Los cinco destinos de una señal

Percibido

Alguien nota, anota y compara con la semana anterior.

La señal se convierte en dato. Y el dato puede convertirse en pregunta.

Ignorado

Nadie se da cuenta. La máquina vuelve a funcionar y el día continúa.

Para la organización, no sucedió.

Normalizado

Todos lo vieron. "Esta máquina es así."

Deja de generar reacción. Así es como las pequeñas desviaciones crecen en silencio.

Distorsionado

Alguien lo registra pero como "mantenimiento programado."

Existe un dato. Solo que cuenta una historia diferente.

Disperso

El operador sabe. Lo comentó en el café. No está escrito en ningún lugar.

El conocimiento queda atrapado en una persona y se va con ella.

La hoja de cálculo no ve lo que no fue registrado.

Un pequeño caso para una idea grande

La tapioca que nadie vendía.

Un ejemplo contado por iFood muestra toda la cadeia funcionando, desde el clic de alguien con hambre hasta una oferta que no existía.

  1. 01 · Señal

    En un barrio, las personas abren la aplicación y buscan tapioca.

  2. 02 · Dato

    Cada búsqueda queda registrada. Incluso las que no terminan en pedido.

  3. 03 · Información

    Con contexto, aparece un patrón: hay demanda de tapioca allí, en ciertos días y horarios, y nadie la vende.

  4. 04 · Pregunta

    “¿Dónde hay ganas de comprar algo que nadie está vendiendo todavía?”

  5. 05 · Evidencia

    Una búsqueda aislada no es suficiente. El algoritmo solo actúa cuando la demanda llega a un volumen que vale la pena.

  6. 06 · Interpretación

    Lista los restaurantes del área, lee los menús y deduce quién ya tiene los ingredientes. Luego analiza el posicionamiento de cada uno: tapioca va con panadería, no con restaurante sofisticado.

  7. 07 · Comunicación

    Los lugares correctos reciben el aviso: hay demanda de tapioca en tu área, tienes los ingredientes, aquí está la receta. Solo hay que presionar un botón.

  8. 08 · Decisión y acción

    El dueño decide incluirla en el menú. La panadería podría vender tapioca, pero sola, nunca sabría que había demanda.

  9. 09 · Aprendizaje

    La pregunta que funcionó una vez puede hacerse de nuevo, otro barrio, otro producto. Cuando esto se repite, se convierte en capacidad.

Escucha de la fuente

Diego Barreto, CEO de iFood, en Flow Podcast.

Un segmento de 13 minutos de la entrevista con ejemplos de esta página. Elige por dónde empezar:

  1. 1:07174 modelos propios
  2. 3:07Fútbol y repartidores
  3. 4:33La tapioca
  4. 8:56Crédito para restaurantes
  5. 11:42La prueba del supermercado
Ver en YouTube → Episodio completo en Flow →

Caso reportado Relato de Diego Barreto, CEO de iFood, en Flow Podcast (2025), a partir de 4:33 del segmento (42:44 en el episodio completo). Describe cómo funciona el algoritmo usando un barrio como ejemplo. Lee la crónica completa →

El dato no es el comienzo

De la señal al activo estratégico.

Trece pasos. Cada uno solo permite afirmar lo que sostiene el anterior. Cuando alguien salta del dato directamente a la decisión, nace la falsa certeza “basada en datos”.

  1. 01SeñalUn acontecimiento en el mundo, antes de cualquier registro. No es dato.
  2. 02DatoEl registro parcial de una señal. No es la realidad.
  3. 03InformaciónDato con contexto: cuándo, dónde, en relación a qué. No es evidencia.
  4. 04EvidenciaInformación que ha pasado por confiabilidad, comparación, método y límites. No es certeza absoluta.
  5. 05InterpretaciónSignificado atribuido con responsabilidad, separando hecho de hipótesis. No es opinión suelta.
  6. 06ComunicaciónLa evidencia traducida en comprensión compartida. No es decoración.
  7. 07DecisiónAsumir un camino con prioridad, renuncias y responsabilidad. No es recomendación.
  8. 08AcciónCambiar de hecho una práctica, un proceso, un recurso o una regla. No es intención.
  9. 09ResultadoLa respuesta de la realidad a la acción. No es prueba de éxito.
  10. 10AprendizajeLo que se preserva de la comparación entre lo esperado y lo realizado. No es memoria de alguien.
  11. 11ValorLa utilidad generada: margen, eficiencia, menos riesgo, más confianza. No es solo dinero.
  12. 12CapacidadLa habilidad que permanece después del uso y se repite. No es resultado puntual.
  13. 13Activo estratégicoDato, regla o aprendizaje confiable, gobernado y reutilizable. No es dato solo por existir.

El valor no está en poseer datos.
Está en lo que la organización puede hacer con ellos. Una y otra vez.

Casos que la teoría usa

Tres historias. Tres eslabones de la cadena.

Los casos iluminan un principio, no prometen el mismo resultado. Cada uno trae la fuente y el tipo de registro.

Moto de entrega estacionada en una calle mojada por la noche, con focos de estadio brillando al fondo

Caso reportado Eslabón: señal → aprendizaje

El juego que sacaba repartidores de la calle.

iFood tiene un modelo que predice si habrá repartidor disponible para cada pedido. Un día, el propio modelo mostró una relación que nadie había preguntado: cuando Flamengo o Corinthians jugaban, muchos repartidores salían de la plataforma. Paraban la moto para ver el juego.

El aprendizaje entró en el modelo. Los repartidores comenzaron a informar su equipo y la tabla de campeonatos se convirtió en dato. En día de juego, el sistema llama a quienes siguen otro equipo.

A veces la señal llega antes que la pregunta.

Fuente: relato de Diego Barreto (iFood), Flow Podcast.

Escuchar este segmento 3:07

Caso reportado Eslabón: dato → activo estratégico

Crédito por el trabajo, no por el historial.

El pequeño restaurante que ningún banco atiende deja rastros todos los días: si vende más o menos, si pasa la inflación, si los clientes gustan, si entrega a tiempo. iFood transformó esos datos en capacidad de otorgar crédito.

“No lo evalúo por su historial de crédito. […] Evalúo el trabajo del tío.”

Según Barreto, la cartera ya supera los 1.000 millones de R$, con plazo promedio de 18 meses.

El otro lado. El modelo asume que el restaurante no saldrá de iFood. El mismo activo que otorga crédito a quienes los bancos rechazan también aumenta la dependencia de quienes lo reciben. El dato también es poder.

Fuente: relato de Diego Barreto (iFood), Flow Podcast.

Escuchar este segmento 8:56

Caso documentado Eslabón: acción sin gestión por desviación

45min

Cuando la automatización corre sin que nadie mire.

El 1 de agosto de 2012, un error de implementación hizo que el sistema de negociación de Knight Capital enviara más de 4 millones de órdenes en 45 minutos. Cada orden era una señal de que algo estaba mal. No había mecanismo para darse cuenta y parar.

La pérdida superó los US$ 460 millones.

La automatización acelera todo. Incluso los errores.

Fuente: SEC, Comunicado 2013-222 (16/10/2013).

La pregunta correcta

Elige una frase que ya hayas oído en una reunión.

“Los lunes se vende menos.”

¿Cómo lo sabes?

Qué necesitaríamos observar para descubrir:

  • Ventas por día de la semana, de varios meses, no solo de una semana.
  • ¿Ingresos o margen? ¿Local o entrega?
  • Feriados y promociones en el medio.
  • ¿El lunes vende menos o la tienda abre más tarde?

“Ese cliente se fue porque le pareció caro.”

¿Cómo lo sabes?

Qué necesitaríamos observar para descubrir:

  • Qué dijo y qué hizo antes de irse.
  • Clientes similares que siguieron pagando el mismo precio.
  • Quejas sobre servicio, plazo o calidad.
  • Cuándo cambió el precio y cuándo aumentaron las salidas.

“La obra se retrasó por culpa de la lluvia.”

¿Cómo lo sabes?

Qué necesitaríamos observar para descubrir:

  • Cuántos días llovió realmente y en cuáles frentes.
  • Atrasos que sucedieron en días secos.
  • Entrega de materiales, equipo, cambios de proyecto.
  • Qué asumía el cronograma sobre el clima.

La intuición no es enemiga. Abre la investigación.
El error es dejar que la hipótesis se disfraze de evidencia.

¿Y la Cultura Data-Driven? ¿Cómo lo sabemos?

¿Las empresas orientadas por datos funcionan mejor?

Sería incoherente pedirte evidencia y responder con opinión. Entonces fuimos a la investigación: un estudio econométrico, tres metaanálisis y dos estudios que midieron la propia cultura.

  1. Estudio · 179 empresas

    5–6%

    más productividad

    Las grandes empresas que llevaban datos hasta la decisión producían 5 a 6% más de lo esperado, incluso considerando sus otras inversiones en tecnología.

    Brynjolfsson, Hitt & Kim, 2011 →
  2. Metaanálisis

    125

    estudios · 26 países

    Analytics está vinculado a mejor desempeño operacional, financiero y de mercado. Las personas, la gestión y la cultura pesaron más en valor que la tecnología.

    Oesterreich, Anton & Teuteberg, 2022 →
  3. Metaanálisis

    107

    estudios

    Los factores técnicos y sociales importan. Los humanos y la estructura organizacional predominan.

    Oesterreich et al., 2022 →
  4. Estudio · Turquía

    132

    empresas

    La cultura data-driven hace el puente entre tener capacidad analítica y tener desempeño operacional y financiero.

    Karaboga et al., 2023 →
  5. Estudio · PYMEs

    149

    pequeñas y medianas

    Percibir cambios y analizar mejoraron el desempeño operacional. La cultura data-driven amplificó el efecto.

    Wong & Ngai, 2023 →
  6. Metaanálisis

    34

    estudios

    El efecto es positivo, y parte de él pasa por la agilidad: la empresa necesita poder reaccionar a lo que revela el análisis.

    Liu, Singh & Al Shibli, 2025 →

El patrón

  1. La tecnología sola no es suficiente.
  2. Analytics ayuda.
  3. Analytics + personas + gestión + cultura es donde aparece el valor.

El número que circula mal

“Las empresas data-driven son 19 veces más rentables.”

El origen es una investigación de McKinsey de 2013 con 400 ejecutivos sobre un tipo específico de análisis: customer analytics. Los usuarios más intensivos tenían 19 veces más probabilidades de reportar rentabilidad por encima del promedio. Es un dato fuerte, pero autodeclarado, comparando extremos y sin probar causalidad.

Lo que la investigación no dice

  • Que usar datos causa beneficio automáticamente.
  • Que comprar tecnología mejora el desempeño.
  • Que el efecto es igual para cualquier empresa. Ninguno de los estudios tiene muestra brasileña.
Lee el expediente completo →

Todo esto puede ayudar.

Pero ninguna de estas cosas es Cultura Data-Driven.

  • Un panel muestra una desviación. No garantiza que alguien decida.
  • Una automatización acelera un flujo. También acelera el error.
  • Una IA responde rápido. No garantiza que la pregunta tuviera sentido.
  • Un análisis entrega evidencia. No garantiza que atraviese a las personas.

La tecnología escala la cultura que ya existe. En cultura madura, amplifica la inteligencia. En cultura frágil, amplifica el ruido.

La pregunta sigue siendo:
¿qué cambió esta información?

Los dos motores

Ver no es suficiente. Necesitas no olvidar.

Motor de Inteligencia

Lee la realidad y la transforma en acción.

Percibir, registrar, construir evidencia, interpretar, comunicar, decidir, actuar, aprender.

Motor de Sostenimiento

Evita que la inteligencia se pierda.

Documentación, memoria, trazabilidad, patrones, responsabilidad, continuidad.

La inteligencia sin sustentación se convierte en episodio. La sustentación sin inteligencia se convierte en burocracia.

¿Sabes esa hoja de cálculo que solo una persona entiende?
¿El “todo el mundo sabe que es así” que nadie ha escrito nunca?
¿El prompt de IA que solo un colaborador sabe usar?

Esto tiene nombre: inteligencia cautiva.

El problema no es la persona que sabe. Es la organización que no sabe sin ella.

Del tamaño de cada realidad

La misma lógica. Tamaños diferentes.

El volumen de datos cambia. Las herramientas cambian. El contexto cambia. El viaje de la señal a la decisión sigue siendo el mismo.

Cuaderno abierto sobre el mostrador de una panadería, con marcas de conteo a lápiz
Una panaderíaLa panadería que anota y compara ya atraviesa la cadeia. No requiere escala: comienza en el registro.
Obra de construcción al amanecer, con varillas, encofrado de madera y un casco apoyado
Una obraEn la operación física la señal está en el mundo: plazo, desperdicio, parada. El desafío es registrar lo que no nace digital.
Sala de espera de un servicio público, con sillas vacías y tickets de papel en el piso
Un servicio públicoFila, plazo, demanda, reincidencia. El valor cambia de definición: eficiencia, transparencia, servicio. La cadeia vale igual.
Una plataforma digital

El dato ya nace digital y a escala. El desafío se convierte en gobernanza, activo y poder.

Una familia

Agenda, escuela, salud, dinero. La vida también produce señales, y mejores decisiones caben en casa.

Una panadería madura y un banco maduro no se parecen. La madurez no es el tamaño de la estructura de datos. Es la dosis correcta para la necesidad.

Escenarios ilustrativos Las imágenes en esta página fueron creadas para ilustrar señales cotidianas. No representan los casos mencionados.

Señal del mercado · Construcción civil

El cantero de obras comenzó a generar datos.

Robots de la empresa china BrightMaster Robotics llegaron a Brasil a través del Grupo Minas Brisa. Pintan, lijan, nivelan concreto, cargan hasta 420 kg y escanean la obra en 3D.

Antes de pintar o nivelar, el robot necesita ver. Escanea la obra, transforma la realidad en dato y solo entonces la inteligencia artificial decide qué hacer.

3D
escaneo de la obra en radio de hasta 400 m
420 kg
de material por viaje, en el robot de logística
3 a 4
personas de trabajo equivalente por robot, según Grupo Minas Brisa

Señal → dato → decisión → acción. El robot escanea, compara lo que fue construido con el proyecto, planifica la ruta y ejecuta. Y cada tarea genera nuevos datos: metros cuadrados, tiempo, material. El cantero comienza a medirse mientras se construye.

Lee el artículo completo →
Plano esquemático de un piso siendo escaneado Un escáner en el centro del plano barre las paredes y registra puntos. Una de las paredes aparece desplazada con respecto al proyecto, marcando una desviación. proyecto ejecutado desviación
Ilustración: el robot escanea el piso, compara lo ejecutado con el proyecto y señala dónde hay diferencia. En la teoría de Cultura Data-Driven, esto tiene nombre: gestión por desviación.

Película manifiesto

Algunas ideas necesitan ser vistas.

En producción

El Manifiesto Cultura Data-Driven.

La historia será contada aquí.

Mientras leías esta página,
tu empresa siguió produciendo señales.

¿Cuáles de ellos estás
dejando pasar?

Cultura Data-Driven por Gustavo Santos

Aprender a ver.
Aprender a preguntar.
Aprender a decidir.