Datos cuantitativos y cualitativos: cómo combinarlos para decidir mejor

Hay dos perfiles de PM que coexisten en el mundo, o en un equipo, el que vive en los dashboards (los datos lo dicen todo, no necesito hablar con nadie) y el que vive de hablar con clientes (los datos te despistan, lo que importa es lo que la gente te dice). Los dos tienen razón a medias y los dos están equivocados.

La buena noticia es que esto no es una elección, los datos cuantitativos y los cualitativos no son polos opuestos: son dos caras de la misma decisión, y los PMs que mejor decidan son los que sepan combinarlos.

En este artículo te cuento por qué los datos solos no bastan, la diferencia entre ser data-driven y data-informed (que parece tonta pero cambia decisiones), y dos trucos concretos para combinar información cuantitativa y cualitativa en tu día a día.

Por qué los datos cuantitativos solos no bastan

Tu funnel de activación dice que el 50% de los usuarios nuevos abandonan en el paso 3. La gráfica es clara, el dato no engaña, pero no te dice por qué.

¿Es un bug que rompe el formulario en algún navegador? ¿Es un texto confuso que asusta al usuario? ¿Es un paso que en realidad sobra y nadie había dicho nada?

Los cuatro escenarios producen el mismo dato cuantitativo y exigen acciones distintas. Si arreglas el bug pero el problema era el texto, no se mueve la curva. Si reescribes el texto pero el problema era el bug, igual. Solo escuchando al usuario distingues entre causas que la gráfica iguala.

Por eso en producto se repite tanto la idea de que «el cuantitativo te dice el qué, el cualitativo te dice el por qué». No es una frase bonita, es una regla que hay que tener en cuenta para entender tu producto. Cada vez que mires un dato relevante, pregúntate también qué cualitativos tienes (o necesitas) para entender qué hay detrás.

Data-informed vs data-driven: la diferencia que cambia decisiones

Hay dos formas de relacionarte con los datos, y se confunden todo el tiempo.

Data-driven es hacer lo que dicen los datos. Si el A/B test favorece la opción A, lanzo A. Si el clic sube con el botón rojo, botón rojo. Si el funnel mejora cortando un paso, lo corto. Suena perfecto, en la práctica, lleva a optimización local y a decisiones tontas. Ya habéis visto medios serios que se vuelven clickbait porque el CTR sube, productos que recortan onboarding y luego no retienen a 30 días, equipos que persiguen métricas vanidosas porque son las que mejor se mueven.

Data-informed es usar los datos como una capa más de evidencia, junto con la conversación con clientes, el criterio del equipo y el contexto de negocio. Los datos pesan, pero no votan solos.

La diferencia no es semántica, cambia la postura mental con la que miras una gráfica, un PM data-driven tiende a obedecer el dato, un PM data-informed lo interroga Al data-driven le hace ruido la palabra criterio, al data-informed le hace ruido la palabra «obedecer». Yo llevo años intentando escribir desde el lado data-informed, y todavía me pillo a veces empujando una decisión solo porque «el dato lo dice», sin haber preguntado al usuario, es lo más cómodo.

Dos formas prácticas de combinar cuantitativo y cualitativo

Sabiendo que necesitas las dos miradas, hay dos rutinas concretas que cambian cómo decides. Las dos consisten en empezar por una mirada y usarla para enfocar la otra.

Forma 1: usar el dato cuantivo para elegir a quién preguntar

En lugar de hacer «entrevistas a diez clientes» elegidos al tuntún, deja que los datos te digan a quién hablar. La conversación es 10 veces más útil cuando vas con un patrón identificado y un perfil concreto.

Algunos ejemplos prácticos:

• Power users: Identifica con datos a quienes más usan tu producto (más sesiones por mes, más funcionalidades distintas, más profundidad). Entrevístalos para entender qué les engancha y qué casos de uso reales tienen, a veces descubres que tu producto se usa para algo que tú ni habías pensado, ya te lo confirmo yo.
• Inactivos: Usuarios que se registraron y no volvieron en X días. Una llamada o una encuesta in-app rápida («¿qué te frenó?») te da más señal que un mes de dashboards.
• Abandonos en un paso concreto: El usuario que no completó el paso 3 de tu activación. Pregúntale qué pasó ese día.
• Beta testers de una funcionalidad nueva. Los datos te dicen quiénes la han probado de verdad. Habla con esos, no con el resto.

El patrón es siempre el mismo: los datos seleccionan, el cualitativo explica. Te recomiendo el libro The mom test si quieres aprender a hacer mejores preguntas a tus usuarios, evitar respuestas complacientes y descubrir información realmente útil.

Forma 2: usar el cualitativo para saber dónde mirar en los datos

A veces el flujo va al revés, llega a tu mesa una avalancha de feedback (peticiones de funcionalidades, comentarios en encuestas, tickets recurrentes) y la tentación es priorizar lo que más se repite, mal asunto.

Antes de moverte, contrasta el feedback con los datos de uso:

• «Mucha gente pide la funcionalidad X» → ¿los que la piden la han usado en otra herramienta o son usuarios que opinan sin haberla probado en ningún sitio?
• «Los clientes Enterprise se quejan de la integración Y» → ¿es un patrón en datos de uso o son tres cuentas ruidosas que se hacen oír más?
• «El nuevo onboarding genera quejas» → ¿se quejan los que lo completaron o los que lo abandonaron en el paso 2?

Cruzar frecuencia del feedback con uso real del producto evita dos errores típicos: priorizar para los que más se quejan en lugar de para los que más usan, y construir cosas que la gente cree que va a usar pero luego no usa.

Esto pasa mucho al principio y se paga caro, priorizas para quien más ruido hace o construyes algo que la gente dice querer, pero luego no usa.

Dónde vive cada tipo de dato en tu día a día

Tener claras las fuentes ayuda a no quedarse atrapado solo en una, una rutina sana de PM toca los dos tipos de datos, mínimo cada semana o cada mes.

Cuantitativo:

• Tu herramienta de analítica de producto (Mixpanel, Amplitude, PostHog, Pendo, Heap).
• Dashboards de salud del producto, lanzamiento y por equipo.
• Datos de negocio (CRM, facturación, churn) cruzados con uso.
• Funnels, paths, retención, métricas del ciclo de vida que vimos en el glosario.

Cualitativo:

• Entrevistas con clientes (descubrimiento, validación, follow-up).
• Encuestas in-app cortas (una pregunta, en el momento adecuado).
• NPS y CSAT, sobre todo el campo abierto, que casi nadie lee.
• Feedback de soporte y de ventas: lo que los clientes dicen cuando no estás tú delante.
• Sesiones grabadas (session replay) cuando algo no encaja.
• Reuniones de cliente, reuniones mensuales de equipos, demos…

Mi recomendación práctica: bloquea en tu calendario un par de horas semanales para mirar cualitativos sin tener todavía un dashboard delante. Es muy fácil que la analítica se coma todo tu tiempo de «leer producto» si no proteges el espacio para escuchar. Es más cómodo leer, que escuchar.

Resumen rápido

• El dato cuantitativo te dice el qué está pasando, el cualitativo te dice el por qué PUEDE estar pasando, no es opcional, las decisiones buenas combinan los dos.
• Data-driven y data-informed no son lo mismo, data-driven obedece al dato, data-informed lo interroga junto al criterio y al contexto.
• Dos rutinas que cambian cómo decides: del cuantitativo al cualitativo (los datos te dicen a quién hablar) y del cualitativo al cuantitativo (el feedback te dice dónde mirar en los datos).
• Ten claras las fuentes y bloquea tiempo cada semana para los cualitativos, si no, la analítica se come todo.

Siguiente paso

Tienes el qué y el por qué. Ahora la pregunta clave: ¿qué deberías medir tú en concreto en tu producto? Spoiler: no es «todo». En el siguiente artículo te cuento por qué rastrearlo todo es uno de los errores más comunes al empezar con analítica, y cómo enfocar tu estrategia para no terminar con dashboards llenos de eventos huérfanos.

Por qué «rastrearlo todo» es un error y cómo enfocar tu estrategia analítica →