La gestión de indicadores, los benchmarks y la Inteligencia Artificial (IA) no siempre explican los desafíos de su organización. Durante décadas, las organizaciones han invertido recursos significativos para aumentar su capacidad de comprender su propio desempeño.
Elementos como los estudios de mercado, el analytics y, más recientemente, la IA han pasado a ocupar un papel central en los procesos de toma de decisiones.
Esta evolución ha traído beneficios innegables. Hoy logramos consolidar grandes volúmenes de información, identificar patrones, monitorear resultados en tiempo real y respaldar decisiones con un nivel de velocidad y precisión que habría sido impensable hace solo unos años.
Sin embargo, existe una cuestión que, aunque obvia, rara vez surge cuando discutimos sobre indicadores, rendimiento o Inteligencia Artificial:
- Una aseguradora no enfrenta los mismos desafíos que una empresa del sector retail;
- Una fintech no opera bajo las mismas condiciones que una empresa industrial;
- Un Centro de Servicios Compartidos enfrenta desafíos completamente diferentes de aquellos presentes en estructuras descentralizadas u organizadas en silos departamentales.
Entonces, ¿por qué tantas organizaciones continúan utilizando prácticamente los mismos indicadores, benchmarks y referencias para evaluar su desempeño?
La pregunta puede parecer meramente provocativa, pero merece una reflexión.
A lo largo de los últimos años, las organizaciones han comenzado a adoptar benchmarks, mejores prácticas y modelos de referencia como instrumentos para acelerar su evolución. Esta es una práctica saludable y necesaria.
El problema surge cuando estas referencias dejan de utilizarse como instrumentos de comparación para la evaluación y pasan a ser tratadas como verdades universales.
Cuando el benchmark se convierte en el objetivo final
Es muy probable que usted ya haya participado en alguna reunión donde se hizo una pregunta similar:
- ¿Cuál es el benchmark del mercado?
- ¿Cuál es el promedio del sector?
- ¿Cómo lo están midiendo las empresas líderes?
Estas son preguntas legítimas. El problema comienza cuando se deja de formular la siguiente pregunta:
¿Estos indicadores realmente explican los desafíos de nuestra operación y nos ayudan a definir metas que generen resultados y crecimiento en el mercado?
Estudio de caso: la trampa del crecimiento sin sostenibilidad
Un caso real: recientemente, la dirección estratégica de una cadena de retail de alimentación contrató directores ejecutivos enfocados en crecimiento y expansión. Se realizaron estudios de benchmarking y el proyecto se puso en marcha.
Un año después, se habían abierto varias tiendas y los indicadores de crecimiento y facturación eran satisfactorios.
La expansión fue un éxito, al menos según los indicadores, benchmarks y estrategias de marketing adoptados. Sin embargo, los directores fueron despedidos al cabo de un año.
Esta decisión se tomó debido a que el grupo cerró el año en números rojos y el endeudamiento aumentó, lo que resultó en la falta de distribución de dividendos y generó dudas sobre la sostenibilidad financiera del grupo.
Los benchmarks ayudan a las organizaciones a aprender de experiencias exitosas, mitigar riesgos y diseñar estrategias. Por ello, siguen siendo una herramienta sumamente valiosa.
Sin embargo, un benchmark representa una referencia de mercado, no un caso para copiar ni una estrategia organizacional. Son únicamente datos que, si no se utilizan correctamente, pueden generar problemas.
La importancia de contextualizar los datos a la realidad operacional
Imagine, por ejemplo, que un estudio indique que el 30% de las conciliaciones contables de un determinado sector aún se realizan manualmente.
¿Qué significa esta información? Depende.
Para una empresa que procesa unos pocos cientos de asientos al mes, tal vez no signifique mucho. Para una cadena de retail que procesa miles de transacciones diarias, puede significar exactamente lo contrario.
En este caso, la pregunta relevante no es: ¿estoy mejor o peor que el benchmark?
Las preguntas correctas tal vez sean: ¿este benchmark representa la realidad operacional que debo gestionar? ¿El benchmark ayuda a comprender mi mercado?
Aun así, no sustituye la necesidad de comprender la propia operación.
El caso del NPS: el indicador correcto utilizado para las preguntas equivocadas
Tal vez uno de los mejores ejemplos de esta discusión sea el indicador NPS. En los últimos años, se ha vuelto común encontrar artículos, videos y publicaciones decretando la “muerte del NPS”.
Pero ¿realmente el problema radica en el indicador? Probablemente no.
El NPS sigue siendo extremadamente eficiente para responder a la pregunta específica para la cual fue creado: ¿cuál es la probabilidad de que un cliente recomiende su empresa?
Lea más: Satisfacción de los clientes: ¿Cómo realizar su monitoreo?
El riesgo de distorsionar el propósito original de la métrica
El problema comienza cuando intentamos transformarlo en la respuesta a preguntas para las que nunca fue diseñado, tales como:
- De 0 a 10, ¿qué calificación le da a nuestro desempeño y atención?
- Considerando el esfuerzo realizado por nuestro equipo, ¿qué nota le otorga a la atención recibida?
- De 0 a 10, ¿qué calificación le da al operador? (pregunta hecha habitualmente cuando la atención presenta un resultado satisfactorio para el cliente).
La limitación no es de la herramienta, sino de la aplicación
En ese momento, no estamos evaluando el NPS. Estamos distorsionando un resultado que nunca prometió entregar ni medir, buscando una respuesta simple para una evaluación compleja.
La limitación no está en el indicador, sino en la manera en que decidimos utilizarlo. Lo mismo ocurre con diversos indicadores corporativos.
Siguen siendo sumamente útiles, siempre y cuando comprendamos con claridad qué miden, cuáles son sus limitaciones y qué aspectos de la realidad permanecen fuera de su alcance.
Siga leyendo: Qué es SGC y cómo puede transformar su empresa
Inteligencia Artificial: el desafío de hacer las preguntas correctas
La Inteligencia Artificial ha aportado una capacidad extraordinaria para analizar datos e identificar patrones.
Sin embargo, existe un detalle importante. La IA aprende a partir de los datos, indicadores y referencias que elegimos utilizar, un principio fundamental cuando discutimos el concepto de data quality para IA.
En otras palabras, no corrige ni critica automáticamente una visión limitada de la realidad. Simplemente trabaja sobre ella.
Si la pregunta es incorrecta y los indicadores son insuficientes para representar los desafíos de la organización, existe una alta probabilidad de que los análisis generados también sean inadecuados o imprecisos para la toma de decisiones.
La tecnología logra identificar patrones con enorme precisión, pero sigue dependiendo de nuestra capacidad para decidir qué patrones merecen realmente ser observados.
Tal vez por ello una de las preguntas más importantes de la era de la Inteligencia Artificial no sea: ¿qué puede responder la IA?
La pregunta correcta que debemos hacernos es: ¿estamos haciendo las preguntas correctas?
Lo que encontramos en la práctica: por qué la tecnología por sí sola no basta
Esta discusión deja de ser teórica cuando observamos proyectos reales de transformación organizacional.
No es raro encontrar empresas que cuentan con:
- dashboards sofisticados;
- decenas de indicadores;
- procesos automatizados;
- elevados niveles de digitalización.
Y, aun así, siguen enfrentando problemas relacionados con:
- reprocesos;
- baja previsibilidad operativa;
- dificultades de integración entre áreas;
- cuellos de botella en la toma de decisiones;
- desalineación entre estrategia y ejecución;
- costos ocultos;
- quejas de clientes.
En estos casos, el problema rara vez radica en la tecnología.
En la mayoría de las situaciones, la dificultad está en la definición de los procesos que se automatizarán, en los indicadores que se utilizarán para monitorear resultados y, principalmente, en la comprensión de los factores que realmente influyen en el desempeño de la organización.
¿Cómo alinear tecnología, procesos y gobernanza?
Por esta razón, en iniciativas lideradas por Xcellence, la implementación de soluciones de gestión integrada y automatización suele estar precedida por el análisis de los procesos, la gobernanza y los mecanismos de medición que sustentan la operación.
Plataformas como SoftExpert Suite permiten integrar información, estructurar flujos de trabajo, automatizar controles, consolidar indicadores y ampliar significativamente la visibilidad sobre la operación de forma rápida y eficiente para responder a las preguntas correctas.
Por ello, la tecnología es solo una parte de la solución. Su efectividad depende de una gestión de indicadores estructurada, con la correcta definición de los procesos y criterios de seguimiento que reflejen las necesidades específicas de cada organización.
Al fin y al cabo, automatizar un proceso inadecuado solo permite ejecutar el error a mayor velocidad.
De la misma manera, monitorear indicadores poco relevantes solo vuelve más eficiente la observación de problemas que tal vez no sean los más importantes.
Consideraciones finales: ¿estamos midiendo las cosas correctas?
Los indicadores son importantes. Los benchmarks son importantes. La Inteligencia Artificial será cada vez más importante. El problema no reside en estos instrumentos.
El problema surge cuando comenzamos a creer que son capaces de explicar, por sí solos, la complejidad de su organización. Tal vez por eso una de las preguntas más relevantes para los líderes actuales siga siendo sorprendentemente simple: ¿estamos midiendo las cosas correctas?
Porque aquello que elegimos medir influye en lo que logramos ver. Y lo que logramos ver influye directamente en las decisiones que tomamos.
Tal vez por ello el mayor desafío en la gestión de indicadores no sea la cantidad de métricas que su organización monitorea, sino si realmente explican los problemas que necesita resolver.
FAQ – Preguntas frecuentes sobre gestión de indicadores
A continuación, se presentan algunas cuestiones comunes sobre la temática de este artículo:
Es el proceso estructurado de definición, monitoreo y actuación sobre métricas de desempeño alineadas con la estrategia del negocio. Ayuda a las organizaciones a conectar las operaciones del día a día con los objetivos a largo plazo y a respaldar la toma de decisiones basada en datos.
Una métrica es cualquier dato medible dentro de su negocio. En cambio, un Indicador Clave de Desempeño (KPI) es una métrica crítica, seleccionada específicamente para evaluar el progreso hacia sus objetivos estratégicos más importantes.
Los indicadores rezagados (lagging) miden resultados pasados, como la facturación mensual. Los indicadores de avance (leading) son métricas predictivas que señalan el desempeño futuro, como la satisfacción del cliente o la generación de prospectos (leads).
Los benchmarks representan datos promedio del mercado y no estrategias personalizadas. Cada sector enfrenta realidades únicas. Tratar un benchmark como una verdad universal, sin considerar el contexto operativo, puede llevar a errores estratégicos.
No, el NPS es altamente eficaz para medir la recomendación del cliente. El problema surge cuando las empresas intentan forzarlo a responder preguntas complejas de desempeño para las cuales nunca fue diseñado.
La IA es excelente para encontrar patrones, pero depende de los datos que le proporcionamos. Si elegimos indicadores incorrectos o contamos con una baja calidad de datos, la IA simplemente generará análisis imprecisos o limitados.
La tecnología solo acelera la ejecución. Automatizar procesos defectuosos o monitorear indicadores irrelevantes solo provoca que se cometan errores y se observen métricas equivocadas a un ritmo aún más rápido.
