La pregunta antes que la herramienta

La propuesta llega con una solución bastante definida: construir un modelo que permita reducir los tiempos de espera en una red de oficinas. La institución dispone de registros de atención, horarios, personal asignado y características de los trámites. También tiene un tablero que muestra diferencias entre sedes. Parece el momento de aprovechar los datos.

Durante la primera reunión, sin embargo, aparecen necesidades distintas. La dirección quiere saber dónde se concentran las demoras. Los responsables operativos necesitan anticipar qué oficinas se saturarán. El área financiera pregunta si contratar más personal resolvería el problema. Todos hablan de mejorar la atención, pero esperan respuestas diferentes.

El caso es hipotético. Podría ocurrir en una empresa de servicios, una institución pública o una organización que atiende solicitudes. Su dificultad es habitual: un acuerdo sobre el problema general puede ocultar desacuerdos sobre lo que realmente se necesita conocer. Si el equipo comienza por elegir una técnica, esa diferencia quizá solo aparezca cuando el informe esté terminado.

Lo que parece una sola pregunta

«Queremos entender los tiempos de espera» es un punto de partida, aunque todavía deja abiertas varias decisiones. Podemos describir cómo se distribuyen las demoras, intentar predecirlas o estimar qué ocurriría al cambiar la organización del servicio. Cada propósito exige revisar los datos desde un ángulo distinto.

Hernán et al. (2019) distinguen tres tareas de la ciencia de datos: descripción, predicción e inferencia causal. La clasificación ayuda a precisar qué información, supuestos y procedimientos requiere cada tarea. También obliga a reconocer que estimar un efecto causal y comprender todos los mecanismos que lo producen son logros diferentes.

En nuestra red de oficinas, describir las demoras permitiría localizar un problema. Predecir la saturación podría ayudar a organizar la jornada siguiente. Evaluar el efecto de un refuerzo de personal serviría para juzgar una intervención. Las tres investigaciones podrían utilizar parte de los mismos registros, pero no entregarían evidencia intercambiable.

Esta distinción tiene consecuencias para el presupuesto, la organización del trabajo y las expectativas sobre el producto final. Una institución que necesita decidir si amplía su plantilla debería saber, desde el comienzo, si el estudio contratado podrá responder esa pregunta o si ofrecerá un diagnóstico previo.

El problema empieza antes del modelo

El equipo revisa los registros y descubre que el tiempo de espera solo se calcula para las personas que completaron la atención. Quienes retiraron un turno y se marcharon antes de ser atendidos no aparecen en el indicador.

Una oficina podría mostrar una espera relativamente moderada porque parte de sus usuarios abandonó la fila. El registro describe la experiencia de quienes permanecieron, mientras que la dirección pretendía conocer la de todas las personas que solicitaron atención. Antes de discutir el modelo, hace falta resolver esa diferencia.

La pregunta descriptiva ya contiene decisiones de investigación: qué población interesa, qué se entiende por espera, cuándo comienza y termina su medición, y qué experiencia queda fuera del sistema. Si la institución conserva la hora de llegada y la de inicio de atención, podría medir una parte del proceso. Si solo guarda la duración del trámite una vez iniciado, estaría observando otra cosa.

Lundberg et al. (2021) proponen definir explícitamente el estimando: la cantidad que se quiere conocer mediante el análisis. Su argumento sitúa esa definición antes de la elección de un modelo estadístico. Precisar el objetivo permite examinar después si los datos disponibles y los supuestos adoptados ofrecen una vía razonable para estimarlo.

En términos cotidianos, el equipo tendría que poder explicar a quién describe el resultado y qué representa. Esa precisión puede revelar que el trabajo más urgente consiste en modificar el registro de atención, incorporar los abandonos o recoger información que todavía no existe.

Anticipar una demora es otra tarea

Supongamos que la institución mejora sus registros y ahora quiere identificar, al inicio de la jornada, qué oficinas tendrán dificultades para atender la demanda. El análisis debe utilizar información disponible en ese momento: citas programadas, personal previsto, solicitudes pendientes y otros antecedentes pertinentes.

La hora de cierre de cada trámite podría estar muy relacionada con la demora final, pero aún no se conoce cuando se necesita emitir la alerta. Incorporarla durante el desarrollo del modelo daría acceso a información del futuro. El desempeño aparente podría ser excelente y, aun así, resultar imposible de reproducir en la operación diaria.

La evaluación predictiva necesita respetar el momento real de uso. Si se pretende anticipar jornadas futuras, una comprobación pertinente sería entrenar con un período anterior y evaluar en otro posterior, manteniendo separada la información utilizada para ajustar el procedimiento de la empleada para examinar su desempeño.

Shmueli (2010) explica que los objetivos explicativos y predictivos conducen a decisiones diferentes a lo largo del proceso de modelización. Un modelo útil para interpretar relaciones no obtiene automáticamente buen desempeño al predecir nuevas observaciones. La calidad debe juzgarse según el propósito para el que fue construido.

Yarkoni y Westfall (2017), al discutir estas diferencias en psicología, destacan la importancia de evaluar la predicción fuera de los datos utilizados para desarrollar el modelo. Sus argumentos ayudan a comprender por qué un ajuste convincente sobre información conocida puede acompañarse de una capacidad limitada para anticipar casos nuevos.

En las oficinas, además, importa qué se hará con la alerta. Anticipar una saturación podría permitir reorganizar turnos, informar a los usuarios o activar apoyo. Si ninguna acción es viable, convendría revisar cuánto valor aporta la predicción y si responde a la necesidad que motivó el proyecto.

La variable que predice puede engañar al decidir

Al explorar los registros, el equipo encuentra que las oficinas con más personal suelen presentar tiempos de espera mayores. Una interpretación apresurada podría sugerir que ampliar la plantilla empeora la atención.

Pero la institución envía refuerzos precisamente a las sedes con dificultades. La asignación de personal responde al problema y queda asociada con él. Observar esa relación no permite establecer qué habría ocurrido en esas oficinas sin el refuerzo.

Para anticipar la saturación, la presencia de personal adicional podría contener información útil sobre una decisión operativa que ya reconoce un problema. Para decidir si conviene enviar ese refuerzo, la pregunta cambia: interesa comparar lo que sucedería con él y lo que sucedería sin él bajo condiciones pertinentes.

La distinción también afecta a la recomendación. La oficina con mayor riesgo de demora no tiene por qué ser aquella donde una persona adicional produciría la mayor mejora. Puede tener trámites bloqueados por fallas del sistema, autorizaciones pendientes o una distribución de funciones que el aumento de personal no resolvería.

Un modelo de riesgo ayuda a identificar dónde podría aparecer un resultado. Saber qué intervención lo modificaría requiere evidencia sobre la intervención. Esa separación permite utilizar la predicción con un propósito definido y reconocer qué investigación adicional hace falta para decidir cómo actuar.

Para evaluar el cambio hay que observar cómo se asigna

Si el objetivo es conocer el efecto de un refuerzo, convendría planificar cómo introducirlo y qué comparación sostendrá la evaluación. Cuando sea viable y apropiado, una asignación aleatoria entre oficinas o jornadas comparables podría ofrecer una estrategia. En otros contextos habría que examinar diseños distintos y explicitar sus supuestos.

La operación concreta del servicio importa. Trasladar personal desde otra sede puede mejorar una oficina y empeorar otra. Los usuarios pueden desplazarse hacia las sucursales que esperan encontrar menos congestionadas. Un cambio en la duración de los trámites podría reflejar una atención más rápida, pero también una revisión menos completa.

Por eso, evaluar la intervención exigiría definir qué mejora se busca y dónde se observarán sus consecuencias. Reducir la espera en una sede, disminuir el tiempo total de los usuarios y mejorar el funcionamiento de toda la red son objetivos relacionados que pueden conducir a balances diferentes.

Tampoco bastaría con conocer que una intervención funciona para comprender completamente por qué lo hace. Si interesa estudiar los mecanismos, la observación del proceso y las entrevistas al personal y a los usuarios podrían aportar información adicional. La clasificación entre descripción, predicción y causalidad orienta el análisis cuantitativo; no agota las preguntas de una investigación.

Qué cambia cuando el encargo se formula mejor

Después de revisar estas diferencias, la institución podría decidir que su necesidad inmediata es reconstruir la experiencia de espera, incluyendo a quienes abandonan. Tal vez descubra que cuenta con información suficiente para desarrollar una alerta, pero todavía necesita evaluar qué acciones deberían activarse. O podría organizar una intervención gradual que permita aprender sobre sus resultados antes de ampliarla.

Cada decisión daría lugar a un proyecto distinto. Cambiarían los datos por recoger, la participación del personal, el calendario, los criterios de evaluación y las afirmaciones que podrían aparecer en el informe. Aclararlo a tiempo permite que el esfuerzo técnico responda a una necesidad reconocible.

El problema surge cuando el encargo conserva esa ambigüedad hasta el final. Un diagnóstico termina presentado como explicación; una asociación se convierte en recomendación de cambio; una buena predicción se interpreta como prueba de qué política funcionará. Los cálculos pueden estar bien ejecutados y, aun así, existir una distancia importante entre la respuesta obtenida y la decisión que se desea tomar.

La primera decisión metodológica

La red de oficinas no necesitaba comenzar eligiendo entre una regresión y un algoritmo de aprendizaje automático. Necesitaba acordar qué quería saber sobre las demoras y qué haría con la respuesta. Solo entonces podía juzgar si sus registros eran suficientes, qué diseño resultaba pertinente y cómo reconocería un resultado útil.

Ese es el motivo para volver sobre una recomendación que, de tan repetida, puede parecer obvia: la pregunta antes que la herramienta. En la práctica, formularla bien exige precisar la población, el momento, el resultado y el cambio que se quiere examinar. También puede obligarnos a reconocer que la base disponible responde una pregunta más limitada que la que originó el estudio.

El criterio que defendemos en Ideas y Evidencia es que la elección técnica pueda justificarse desde ese propósito. Un análisis aporta cuando permite saber algo relevante con un alcance que se puede explicar y revisar. La primera decisión metodológica consiste en establecer qué necesitamos conocer; de ella depende que las siguientes tengan sentido.