Trabajar con datos imperfectos: límites y oportunidades
En datos de personas, la perfección es rara. El riesgo es usar "faltan datos" como excusa para no decidir o, al revés, usar datos imperfectos como si fueran certeza.
El punto medio es método: supuestos explícitos, límites claros y utilidad para la decisión.
Tipos de imperfección
Datos faltantes, definiciones inconsistentes, errores de carga, cambios de sistema, sesgos de selección (solo respondieron algunos). Cada tipo requiere una respuesta distinta: limpiar, segmentar, declarar límites o no usar para decisiones sensibles.
- Identifica la fuente del error.
- Evalúa cuánto afecta la decisión.
- No todo error invalida todo uso.
Supuestos explícitos
Cuando faltan datos, siempre asumimos algo (aunque no lo digamos). Hacerlos explícitos aumenta credibilidad. Ej.: "asumimos que el patrón de ausencias faltantes es aleatorio".
- Escribe supuestos en el reporte.
- Define qué evidencia los podría refutar.
- Evita "certeza por silencio".
Utilidad según irreversibilidad
Decisiones irreversibles (promociones, despidos) exigen más calidad. Decisiones reversibles (pilotos, ajustes) permiten empezar con evidencia mínima.
- Clasifica decisión: reversible/irreversible.
- Ajusta el estándar de evidencia.
- Siempre registra aprendizaje.
Ejemplo aplicado
Regla práctica: si el dato tiene 20% de faltantes, puede servir para detectar tendencias agregadas, pero no para decisiones individuales.