Investigación de Mercado

La pregunta de Diego no es una: son tres

Cuando se sienta a escribirlo, Diego descubre que "¿saco el descafeinado?" esconde tres preguntas distintas, y cada una se responde con una herramienta distinta:

• "¿Por qué compraría alguien un descafeinado de especialidad? ¿Qué le pasa por la cabeza?" No sabe ni el vocabulario. Esto es exploratorio.
• "¿Cuántos son y cuánto compran al año?" Ya sabe qué preguntar; ahora quiere dimensionarlo. Esto es descriptivo.
• "Si lo pongo en la web, ¿vende de verdad?" Quiere saber si la causa produce el efecto. Esto es causal.

La secuencia lógica es esa misma: exploras para generar hipótesis, describes para dimensionarlas y experimentas para probar causalidad. El error caro es saltarse etapas. Si Diego monta el test A/B directamente, testeará la hipótesis que se le ocurrió en la ducha en vez de la que le habrían dado sus clientes; y si decide el lanzamiento entero con dos focus groups, estará usando una herramienta que genera hipótesis para probarlas.

Ojo con la palabra "causal". El 78% de los que compran descafeinado también compran infusiones; eso es correlación y no autoriza a concluir nada. Solo el experimento —repartir a la gente al azar entre dos mundos— permite decir que el cambio es lo que movió la venta.

Antes de gastar un euro: lo que ya existe

Diego dedica una tarde a mirar lo que otros ya han medido. Los informes del sector sitúan el descafeinado en torno al 20% del café que se consume en los hogares españoles, aunque ese dato incluye cápsulas y soluble de gran consumo, que no son su cliente. El Panel de Consumo Alimentario y el INE le dan estructura de hogares y gasto medio. Y el más barato de todos: el buscador interno de su propia tienda, que en seis meses registró 214 búsquedas de "descafeinado" sobre 120.000 visitas — un 0,18%, y esas 214 personas no encontraron nada y se fueron.

Eso son fuentes secundarias: información que ya existe, recogida por otro y con otro propósito. Informes sectoriales, censos, datos de la competencia, Google Trends, tus propios registros de ventas. Son rápidas y casi gratis, pero rara vez responden exactamente tu pregunta: el 20% del mercado doméstico no dice nada sobre gente que paga 12,90 € por 250 gramos. Las fuentes primarias son las que generas tú, a medida: entrevistas, encuestas, experimentos. Caras y lentas, pero responden lo que necesitas saber.

Las 214 búsquedas son el mejor dato secundario que tiene Diego y aun así son ambiguas: son pocas para justificar 8.000 €, pero son conducta real, no opinión. Le sirven para lo que sirve lo secundario: decidir qué merece la pena preguntar en lo primario, que es donde se va el presupuesto.

Regla práctica: empieza siempre por lo secundario, y comprueba tres cosas antes de fiarte de un informe — quién lo pagó (un estudio sobre el auge del café de especialidad financiado por una tostadora no es neutral), de qué año son los datos y a qué población se refieren exactamente.

Nueve conversaciones que cambiaron la pregunta

Diego llama a nueve clientes habituales y les regala una bolsa a cambio de media hora por teléfono. No les pregunta si comprarían descafeinado: les pregunta qué café tomaron ayer, a qué hora y qué pasó. En la sexta entrevista deja de aparecer nada nuevo —eso se llama saturación y es la señal de que puedes parar—. Tres hallazgos que él no habría escrito nunca:

• La palabra "descafeinado" les suena a café malo de sobremesa de restaurante. Uno lo dijo literalmente: "el descafeinado es lo que pides cuando ya no te apetece café".
• El momento de uso no es la mañana: es a partir de las seis de la tarde, cuando les apetece el ritual pero no quieren no dormir.
• Dos entrevistadas llegaron por embarazo y lactancia, y describieron el problema como "quiero seguir con mi café, no cambiar de bebida".

Eso es investigación cualitativa: pocas personas, mucho detalle, y sirve para entender motivaciones, lenguaje, objeciones y contexto de uso. Nueve personas no son el mercado y sus porcentajes no se proyectan a nada — pero de aquí sale la hipótesis buena, que ya no es "¿saco un descafeinado?" sino "¿hay mercado para un café de tarde sin cafeína que no se llame descafeinado?". La investigación cuantitativa (encuestas, paneles, experimentos) viene después: muchas personas, poco detalle, y sirve para medir cuántos, qué porcentaje y con qué frecuencia. Bien muestreada, sí generaliza.

Cuidado con el focus group, la herramienta más usada y la peor entendida. Sirve para escuchar el idioma del cliente y descubrir dimensiones que no habías considerado; no sirve para "votar" conceptos, porque en una sala de ocho personas mandan el que habla más y la deseabilidad social —nadie dice delante de desconocidos que le parece caro pagar 12,90 € por café— y comprar es un acto privado.

El error de los 8.000 seguidores

El atajo evidente: Diego tiene 8.000 seguidores en Instagram. Sube una encuesta a stories, "¿comprarías un Tostado descafeinado?", y en dos horas tiene 620 respuestas con un 71% de síes: 440 personas dispuestas a comprar, casi 5.700 € que cubren tres cuartas partes del lote. Y no vale nada. Tres motivos, que son los tres sesgos que arruinan más estudios:

• Sesgo de selección. Sus 8.000 seguidores son gente que ya le quiere, y solo 380 le han comprado alguna vez (un 4,75%). Para saber si hay mercado, quien importa es justamente el que no le sigue: preguntar solo a tus clientes actuales para estimar demanda potencial deja fuera de la muestra, sistemáticamente, a los que quieres entender.
• Sesgo de no respuesta. Aunque el reclutamiento fuera perfecto, contesta quien quiere. De los 8.000 respondieron 620: un 7,75%. Quien contesta una encuesta de café es el más entusiasta, o el más enfadado, o el que tiene tiempo. El 92% silencioso puede opinar lo contrario y nunca lo sabrás.
• Sesgo de supervivencia. Diego vende a 12 cafeterías y piensa preguntarles a las doce. Pero empezó con 17: cinco lo dejaron. Las respuestas útiles —por qué el café de especialidad no cuaja en una cafetería de barrio— están en las cinco que se fueron, no en las doce que aguantan.

Como casi nunca puedes preguntar a todo el mercado, preguntas a una muestra y proyectas. Para que la proyección valga, la muestra tiene que ser representativa de la población que te interesa, y eso se consigue con muestreo probabilístico: cada persona tiene una probabilidad conocida de acabar en la muestra (aleatorio simple, estratificado por cuotas de edad o comunidad, por conglomerados). Frente a eso, el muestreo por conveniencia —a quien tengo a mano, mis seguidores, los que pasan por la puerta— y la bola de nieve son no probabilísticos: valen para explorar, no para estimar cuántos. La encuesta de stories representa a los seguidores de Diego que estaban en Instagram un martes a las siete. Nada más.

Lo que Diego acaba haciendo: contrata a través de un panel una muestra de 400 personas que hayan comprado café de especialidad en los últimos seis meses, con cuotas por edad y comunidad, por unos 600 €. Es más pequeña que sus stories y mil veces mejor en representatividad, que es la única dimensión que decide si el resultado se puede proyectar.

Las mismas preguntas, escritas de dos maneras

Diego escribe el primer borrador del cuestionario en veinte minutos. Un amigo que trabaja en investigación se lo devuelve entero tachado: cinco preguntas, cinco errores clásicos, y las cinco inflaban el resultado en la misma dirección, la que él quería oír.

Por qué distorsiona cada uno. La inductora mete la respuesta deseada dentro de la pregunta: mide educación, no opinión. El doble cañón junta dos cosas y luego no sabes a cuál contestaron: un "no" puede significar que el precio es alto o que el café no le gusta, y son decisiones opuestas. La escala desbalanceada ofrece tres casillas positivas contra una negativa y sube la media sola. La intención es el error más caro: decir "sí" es gratis, y la intención declarada sobreestima la compra real de forma sistemática. Y el efecto orden contamina: si Diego pregunta primero por Tostado, cuando llegue a las demás marcas su cliente ya tiene el marco puesto.

El cuestionario final tiene 11 preguntas, empieza por conducta pasada y solo al final, cuando ya no puede contaminar nada, enseña el concepto de producto. Resultado: el 34% de los 400 dice que lo compraría y solo el 9% ha comprado descafeinado alguna vez en los últimos seis meses. Ese hueco entre el 34% de intención y el 9% de conducta no es una contradicción: es el dato que Diego necesitaba, y le dice que la cifra real estará mucho más cerca del 9.

Regla de oro: pregunta por conducta pasada y concreta ("¿cuántas bolsas compraste el mes pasado?") antes que por intención futura o abstracta. La gente reporta razonablemente bien lo que hizo y predice fatal lo que hará. Y si tienes que medir intención, pide compromiso real: dejar el correo, apuntarse a una lista de espera, adelantar 5 €. Cada escalón de coste filtra a los que solo estaban siendo amables.

El experimento que sí decide: partir el tráfico en dos

Diego monta una página de producto del descafeinado con foto, descripción y botón de compra, y la enseña en el menú de la tienda a la mitad de sus visitantes, elegidos al azar; a la otra mitad, no. Quien pulsa comprar ve un aviso honesto: "todavía no está listo, déjanos tu correo y serás el primero". Los dos grupos son iguales salvo en una cosa: para unos el descafeinado existe. Cualquier diferencia en lo que hagan después solo puede venir de ahí.

Eso es un test A/B: se reparte a los visitantes al azar en dos grupos, uno ve la versión A (control) y otro la B (con el cambio). La aleatorización es lo que lo vuelve causal: como los grupos son estadísticamente idénticos en todo lo demás —edad, hora, dispositivo, ganas de comprar—, la diferencia en resultados no puede atribuirse a otra cosa. Es la lógica del ensayo clínico aplicada a una página web, un precio o un asunto de correo. Reglas que Diego no puede saltarse:

• Una hipótesis por test. Si cambia a la vez el titular, la foto y el botón y B gana, no sabrá cuál de los tres movió la aguja — ni si uno estaba restando.
• La métrica de éxito se define antes. Aquí es "pedidos por visitante", no clics ni tiempo en página. Buscar a posteriori alguna métrica donde B gane garantiza falsos positivos: con veinte métricas, una sale significativa por puro azar.
• El tamaño de muestra se fija antes y se espera. Mirar cada día y parar en cuanto sale bonito tiene nombre —peeking— y es la forma más común de mentirse.
• Mínimo una semana completa, y mejor dos. Sus clientes no compran igual el martes que el domingo; un test de tres días mide el día, no el cambio.
• Comprueba el reparto. Si esperabas 50/50 y salen 10.400 contra 9.600 visitantes, algo está roto en la asignación (sample ratio mismatch) y el resultado no vale, gane quien gane.

Dos avisos sobre la preventa. Dejar el correo sigue siendo más barato que pagar, así que sobreestima: el filtro serio es cobrar de verdad y devolver el dinero si no sale. Y el efecto novedad hace que cualquier cosa nueva rinda por encima las primeras semanas y luego vuelva a su nivel, así que los tests cortos exageran.

Significancia: ¿es una señal o es la moneda?

Tres semanas después, el grupo B convierte un 2,2% y el A un 2,0%. Diego lo lee como "un 10% más de conversión" y ya está sacando la calculadora del lote. Pero antes tiene que responder a una pregunta incómoda: si hubiera enseñado la misma página a los dos grupos, ¿no habría salido también una diferencia parecida por pura casualidad? Eso, y solo eso, pregunta la significancia estadística.

La intuición es sencilla: cada medición trae ruido, y el ruido se encoge con la raíz del tamaño de muestra. La estadística calcula cuánto suele bailar la diferencia entre dos grupos idénticos por puro azar —el error estándar— y compara. Si la diferencia observada supera unas dos veces ese error estándar (z ≈ 1,96), la llamamos significativa al 95%: el azar solo produciría algo así menos de una vez de cada veinte. No significa "seguro que B es mejor"; significa "es poco probable que esto sea solo ruido". La cuenta de Diego, con 10.000 visitantes por variante (medio mes de su tráfico), A al 2,0% y B al 2,2%:

• EE(A) = √(0,02 × 0,98 / 10.000) ≈ 0,00140 → 0,14 pp
• EE(B) = √(0,022 × 0,978 / 10.000) ≈ 0,00147 → 0,147 pp
• EE(diferencia) = √(0,00140² + 0,00147²) ≈ 0,00203 → 0,203 pp
• z = 0,002 / 0,00203 ≈ 0,99. Muy por debajo de 1,96: no significativo.

Y aquí está la frase que casi todo el mundo dice mal. "No dio significativo" NO quiere decir "no hay diferencia": quiere decir "con estos datos no puedo distinguirlo del ruido". Míralo en el intervalo de confianza de la diferencia, 0,20 pp ± 1,96 × 0,203 pp, es decir de −0,20 pp a +0,60 pp. Traducido: los datos de Diego son compatibles con que B sea un 10% peor y también con que sea un 30% mejor. Lo único que ha demostrado es que su test era demasiado pequeño para saberlo. Ausencia de evidencia no es evidencia de ausencia.

¿Cuánta muestra hacía falta? Detectar mejoras pequeñas sobre una base baja exige cifras que asustan. Con la conversión base del 2% de Tostado, al 95% de confianza y 80% de potencia:

Fíjate en el patrón: detectar una mejora la mitad de grande cuesta cuatro veces más muestra. Por eso una tienda del tamaño de Tostado solo puede testear cambios brutales —la página entera, el precio, la propuesta— y no el color del botón: para eso necesitaría dos años, y para entonces habrá cambiado hasta el logo.

El peeking, con números. Supón que Diego mira el panel cada mañana durante el mes de test y para en cuanto ve significativo. Aunque las dos versiones sean idénticas, cada mirada es una oportunidad nueva de que el azar cruce el umbral: la tasa de falsos positivos deja de ser el 5% prometido y se va por encima del 20%. Con monitorización continua y sin fecha de fin, la probabilidad de ver "significativo" en algún momento tiende al 100% aunque A y B sean literalmente la misma página. Mirar no está prohibido; parar por lo que has visto, sí.

Tres matices. El 95% es una convención, no una ley: si el coste de equivocarse son 8.000 € de lote, quizá quieras 99%; si es cambiar un titular, con 90% te vale. Sí existe una forma legítima de mirar cada día: los métodos secuenciales (p-valores siempre válidos, límites de gasto de alfa), que ajustan el umbral por el número de miradas — Kohavi, Tang y Xu los documentan en Trustworthy Online Controlled Experiments. Y significativo no es relevante: con muestras enormes, una mejora del 0,1% sale significativa y no paga ni la reunión para comentarla.

Simulador: test A/B y significancia

Ponle a Diego su realidad: baja los visitantes a 10.000, la conversión de A al 2% y deja la mejora en +10%, y mira cómo el veredicto se queda corto por mucho. Después sube el tráfico hasta que cambie. El simulador calcula las conversiones esperadas y un veredicto aproximado de significancia con el error estándar de la diferencia de proporciones y z ≈ 1,96. Las bandas del gráfico son el rango de incertidumbre de cada variante: si se pisan mucho, todavía no puedes distinguirlas del azar.

Y al final, ¿saca el descafeinado?

Junta Diego lo que tiene. Exploratorio: hay un momento de uso real (la tarde) y la palabra "descafeinado" juega en contra. Descriptivo: 34% dice que lo compraría, 9% lo ha comprado de verdad. Causal: la página de preventa recogió en tres semanas 118 correos y 41 personas que adelantaron 5 €.

Esas 41 preventas, a su cadencia de recompra de seis semanas, dan unas 355 bolsas al año frente a las 620 del punto muerto. No llega. Así que la decisión no es sí o no: es pedir al tostador un lote de 700 bolsas aunque salga a 5,20 € en vez de 4,50 €. El desembolso baja a 3.640 €, el margen por bolsa de 8,40 € a 7,70 €, y el punto muerto a 3.640 / 12,90 = 282 bolsas, que sí cubre con lo medido. Paga peor precio unitario a cambio de bajar el riesgo de 8.000 € a 3.640 €.

La lección de gestión: la investigación rara vez te dice "sí" o "no". Te dice cuánto puedes apostar sin arruinarte y qué tienes que ver para apostar más. Y le pone nombre al producto, que también salió de las entrevistas: en la bolsa no pone "descafeinado", pone "Tostado Tarde".

✍️ Ejercicios resueltos

Ejercicio 1 — ¿Cuánta precisión está comprando Diego? Su encuesta llega a 400 personas elegidas aleatoriamente de un panel y el 40% dice preferir Tostado frente a las marcas que le enseña. Estima el margen de error con la regla rápida (ME ≈ 1/√n al 95%), interprétalo y calcula cuánta gente necesitaría para reducirlo a la mitad. El panel cobra 1,50 € por respuesta completa.

Ejercicio 2 — ¿Ganó de verdad la versión B? Diego prueba una ficha de producto nueva durante tres meses: 30.000 visitantes por variante, A al 2,00% y B al 2,30%. Calcula las conversiones, el error estándar de la diferencia y el estadístico z, decide si es significativo al 95%, traduce el resultado a euros y responde a la pregunta trampa: ¿qué habría pasado si hubiera parado al primer mes?

Quiz — Investigación de Mercado

12 preguntas — se supera con 70% o más.