De la fe a la evidencia: gestión con datos
Creado el: 26 de septiembre de 2025
“En Dios confiamos; todos los demás deben aportar datos.” — W. Edwards Deming
Un lema nacido de la calidad
Para empezar, la sentencia de Deming no es un eslogan ingenioso sino un principio operativo forjado en el taller y la sala de juntas. Tras la Segunda Guerra Mundial, su trabajo impulsó la revolución de la calidad en Japón, al vincular resultados con medición rigurosa y mejora sistemática. En Out of the Crisis (1986) y en sus 14 puntos, insistió en que la excelencia no se decreta: se demuestra. En esa tradición, lo que no se mide permanece como opinión; lo que se mide se puede mejorar.
De opiniones a pruebas medibles
Luego, la transición del parecer al saber ocurre con ciclos disciplinares como PDSA (Plan-Do-Study-Act), la evolución del PDCA de Shewhart. Un hospital, por ejemplo, que sospecha demoras en urgencias, reemplaza debates con datos de tiempos reales, estratificados por turno y gravedad. Al cerrar el ciclo con aprendizaje explícito, las mejoras dejan de ser anécdotas para convertirse en capacidad repetible. Así, la evidencia no silencia la experiencia: la enfoca.
La variación como enemigo invisible
A continuación, Deming enseñó a distinguir causas comunes y especiales de variación, núcleo del control estadístico de procesos heredado de Shewhart (1931). Un gráfico de control evita sobrerreaccionar a ruido y, a la vez, activa una respuesta rápida ante señales verdaderas. Toyota aplicó este enfoque para estabilizar procesos antes de optimizarlos, demostrando que sin comprender la variación cualquier intervención depende de la suerte. Primero control, después mejora: ése es el orden.
Experimentos y modelos al servicio de decisiones
Asimismo, cuando la observación no basta, se experimenta. Desde Fisher (1935) sabemos que la aleatorización reduce sesgos y crea comparables; hoy, A/B tests y ensayos controlados randomizados guían productos, salud pública y política. George Box recordó en 1976 que todos los modelos son incorrectos, pero algunos son útiles: por eso se validan con datos nuevos y se revisan con humildad. La evidencia se gana, no se asume.
Cuando los números engañan
Sin embargo, medir mal también extravía. La ley de Goodhart advierte que una métrica convertida en objetivo deja de ser buena métrica; el promedio de tiempos puede mejorar a costa de ignorar los casos críticos. Paradojas como la de Simpson ocultan relaciones opuestas al agrupar datos, y la crisis de reproducibilidad (Open Science Collaboration, 2015) mostró cómo el p-hacking erosiona la confianza. La salida combina pre-registro, análisis causal (Pearl, 2009) y revisión por pares.
Ética, sesgo y confianza pública
Además, aportar datos implica custodiar derechos. La privacidad (GDPR, 2018), la equidad y la explicabilidad son parte del contrato social que legitima el uso de información. Casos como el de COMPAS analizado por ProPublica (2016) revelan sesgos algorítmicos que amplifican desigualdades si no se monitorean. La transparencia metodológica y las auditorías periódicas convierten la rendición de cuentas en hábito, no en excepción.
Cultura de aprendizaje continuo
Por último, el espíritu de Deming florece donde hay curiosidad y respeto por el gemba, el lugar real del trabajo. Equipos que formulan hipótesis, miden, aprenden y comparten hallazgos convierten la confianza ciega en confianza informada. Se trata de unir criterio y evidencia: escuchar a las personas, pero pedirles datos; y, con esos datos, mejorar el sistema para todos.