Una empresa reduce el tiempo medio de atención al cliente de ocho minutos a tres.
Un centro educativo aumenta el porcentaje de estudiantes que aprueban sus exámenes.
Una plataforma digital consigue que sus usuarios pasen un 40 % más de tiempo conectados.
Un hospital reduce la duración media de las estancias.
Los cuatro resultados pueden ser correctos.
Sin embargo, ninguno demuestra por sí solo que el servicio haya mejorado, que los estudiantes comprendan mejor, que los usuarios estén más satisfechos o que la atención sanitaria sea más eficaz.
La dificultad no está necesariamente en los cálculos.
Está en la relación entre el indicador elegido y la realidad que pretendemos evaluar.
Un indicador puede mejorar sin que mejore el objetivo que justificó su creación.
Esta posibilidad plantea una pregunta fundamental para la estadística, la educación, la gestión y el razonamiento matemático:
¿Por qué una organización puede alcanzar sus objetivos numéricos y, al mismo tiempo, alejarse de lo que realmente quería conseguir?
Para responder, necesitamos examinar no solo los datos, sino también los incentivos, las definiciones, los comportamientos y las decisiones que intervienen en su producción.
1. El primer error: creer que medir algo equivale a comprenderlo
Imaginemos una escuela que quiere mejorar la calidad del aprendizaje.
La dirección necesita una manera de evaluar el progreso.
Decide utilizar el porcentaje de estudiantes que aprueban.
La decisión parece razonable. Aprobar un examen puede proporcionar información sobre determinados conocimientos o capacidades.
Pero aparece una distinción esencial.
El porcentaje de aprobados es un indicador. La calidad del aprendizaje es un concepto más amplio.
Ambos pueden estar relacionados.
No son idénticos.
Si aumenta el porcentaje de aprobados, existen varias explicaciones posibles.
Los estudiantes pueden haber aprendido más.
Las preguntas pueden haberse vuelto más fáciles.
Puede haber cambiado el criterio de calificación.
Quizá hayan participado estudiantes con una preparación inicial diferente.
O puede haberse dedicado más tiempo a practicar exclusivamente los tipos de ejercicios que aparecerían en el examen.
Algunas de estas situaciones representan mejoras educativas reales.
Otras no permiten afirmar lo mismo.
El dato necesita un contexto y una interpretación.
¿Qué es una variable sustitutiva?
En numerosos campos se utilizan indicadores observables para aproximarse a fenómenos que no pueden medirse directamente de manera sencilla.
Por ejemplo, la satisfacción, la comprensión, la calidad o la productividad.
Estos indicadores pueden ser muy útiles.
El problema surge cuando dejamos de tratarlos como aproximaciones y empezamos a considerarlos equivalentes perfectos del fenómeno.
Un estudiante puede resolver muchos ejercicios sin comprender por qué funciona el procedimiento.
Una persona puede pasar mucho tiempo en una plataforma porque el contenido le resulta interesante, pero también porque no encuentra lo que necesita.
Una llamada breve puede indicar una solución rápida o una atención insuficiente.
El mismo indicador puede corresponder a mecanismos distintos.
2. Cómo una mejora numérica puede ocultar un deterioro
Consideremos una empresa que presta asistencia técnica.
Durante el primer trimestre recibe 1.000 solicitudes.
Resuelve satisfactoriamente 850.
La proporción de casos resueltos es:
[
\frac{850}{1000}\times100=85%
]
En el trimestre siguiente recibe 1.200 solicitudes.
Su equipo resuelve satisfactoriamente 900.
La proporción es:
[
\frac{900}{1200}\times100=75%
]
La empresa ha resuelto más solicitudes en términos absolutos: 900 frente a 850.
Sin embargo, la proporción de casos resueltos ha disminuido del 85 % al 75 %.
¿Ha mejorado o empeorado?
Depende de qué aspecto queramos evaluar.
Si necesitamos conocer el volumen de trabajo completado, el número absoluto resulta relevante.
Si queremos evaluar la proporción de problemas resueltos respecto de los recibidos, el segundo indicador ofrece otra perspectiva.
Si deseamos conocer la experiencia del cliente, todavía necesitamos información adicional: tiempo de espera, dificultad de los casos, calidad de las soluciones y posibles solicitudes repetidas.
No existe una contradicción matemática. Existen preguntas diferentes.
El error aparece cuando una organización selecciona el dato más favorable y lo presenta como respuesta a todas ellas.
3. Cuando el indicador se convierte en objetivo
Supongamos que una empresa establece una meta:
«Cada agente deberá atender al menos 60 solicitudes diarias».
Inicialmente, el número de solicitudes atendidas puede guardar relación con la productividad.
Pero cuando se convierte en el criterio principal de evaluación, cambia el comportamiento de los trabajadores.
Algunos podrían intentar cerrar solicitudes antes de resolverlas completamente.
Otros podrían dedicar menos tiempo a los casos complejos.
También podría ocurrir que la organización simplificara procesos de manera legítima y aumentara la productividad real.
No podemos anticipar cuál de estas situaciones sucederá sin observar el funcionamiento del sistema.
Lo importante es que la propia decisión de medir y recompensar un indicador puede modificar aquello que se está midiendo.
El mecanismo detrás de la ley de Goodhart
La llamada ley de Goodhart suele resumirse mediante la idea de que una medida puede perder valor como indicador cuando se convierte en objetivo.
Pero no debemos tratarla como una explicación mágica.
Conviene identificar el mecanismo concreto.
Primero, se elige un indicador porque parece representar un resultado deseable.
Después, se vinculan recompensas, sanciones o decisiones al valor del indicador.
Los participantes adaptan su comportamiento.
Finalmente, la relación original entre el indicador y el resultado puede cambiar.
La consecuencia no es inevitable.
Depende de cómo esté diseñado el sistema, de los incentivos, de las posibilidades de manipulación y de la existencia de otros criterios de evaluación.
Por eso, el análisis de indicadores también exige comprender el comportamiento humano.
4. Más tiempo conectado no significa necesariamente más valor
Las plataformas digitales suelen medir el tiempo de permanencia, las visitas, las interacciones y la frecuencia de uso.
Son datos útiles para estudiar el comportamiento de los usuarios.
Sin embargo, no siempre representan satisfacción, aprendizaje o bienestar.
Imaginemos una plataforma educativa.
Antes de una modificación, sus estudiantes necesitan 20 minutos para encontrar una explicación y resolver una duda.
Después de la modificación, necesitan 35 minutos.
La plataforma registra un aumento del 75 % en el tiempo dedicado a esa actividad.
¿Es una mejora?
Podría serlo si el tiempo adicional corresponde a una exploración voluntaria más profunda.
Pero también podría significar que la navegación se ha vuelto confusa.
La diferencia no puede establecerse únicamente a partir de la duración.
Tiempo, esfuerzo y resultado
Una actividad más larga no siempre es mejor.
Una actividad más corta tampoco.
El valor del tiempo depende de la tarea.
En algunos procesos educativos, dedicar más tiempo a un problema complejo puede favorecer una comprensión profunda.
En otros, una explicación clara permite alcanzar el mismo objetivo con menos esfuerzo innecesario.
Por eso conviene distinguir entre tiempo productivo, tiempo necesario y tiempo perdido.
No son categorías que puedan determinarse automáticamente mediante un cronómetro.
Requieren información sobre la actividad y sus resultados.
5. La paradoja de la eficiencia: producir más no siempre significa crear más valor
Una empresa fabrica 500 unidades al día.
Tras una reorganización, produce 650.
La producción aumenta un 30 %.
Pero imaginemos que la proporción de unidades defectuosas pasa del 2 % al 15 %.
Antes, el número esperado de unidades no defectuosas era:
[
500\times0{,}98=490
]
Después:
[
650\times0{,}85=552{,}5
]
En términos de valores esperados, la producción no defectuosa aumenta, aunque mucho menos que la producción total.
No sería correcto concluir que el resultado final necesariamente empeoró.
Sin embargo, tampoco sería correcto describir una mejora del 30 % en producción como una mejora equivalente en calidad o valor económico.
El aumento de defectos puede generar costes de devolución, reparación, desperdicio o pérdida de confianza.
Para evaluar el resultado completo necesitaríamos conocer esos costes y la finalidad del proceso.
¿Qué optimizamos exactamente?
Podemos optimizar la velocidad.
La cantidad.
El coste unitario.
La calidad.
La fiabilidad.
La experiencia del usuario.
Pero estas dimensiones no siempre evolucionan en la misma dirección.
Optimizar una sola puede perjudicar a otra.
La matemática permite representar esas relaciones, pero no decide por sí sola qué objetivo debe tener prioridad.
Esa decisión requiere criterios explícitos.
6. Por qué una media puede ocultar a las personas que más necesitan ayuda
Supongamos que un programa educativo evalúa a diez estudiantes antes y después de una intervención.
La puntuación media aumenta.
La dirección considera que el programa ha funcionado.
Pero imaginemos que la mejora se concentra en los estudiantes que ya obtenían resultados elevados, mientras que los estudiantes con mayores dificultades no progresan.
La media puede mejorar sin que se reduzca la desigualdad de resultados.
Esto no invalida la mejora observada.
Significa que debemos formular dos preguntas diferentes.
¿Ha aumentado el rendimiento medio?
¿Ha mejorado la situación de los estudiantes que necesitaban mayor apoyo?
La respuesta puede ser afirmativa para la primera y negativa para la segunda.
La distribución importa
Un promedio resume un conjunto de valores.
Pero no muestra necesariamente cómo se distribuyen.
Para comprender una intervención educativa podemos necesitar analizar:
- la mediana;
- la dispersión;
- los resultados iniciales;
- la evolución individual;
- la proporción de estudiantes que alcanzan objetivos definidos;
- las diferencias entre grupos relevantes.
No se trata de acumular estadísticas por acumularlas.
Se trata de seleccionar la información necesaria para responder a la pregunta real.
7. ¿Puede aumentar la tasa de éxito mientras disminuye el número de personas beneficiadas?
Sí.
Consideremos un programa de formación.
En el primer año participan 500 personas y 350 completan el programa.
La tasa de finalización es:
[
\frac{350}{500}\times100=70%
]
En el segundo año participan 200 personas y 170 lo completan.
La tasa de finalización aumenta al 85 %.
Pero el número de personas que completan el programa disminuye de 350 a 170.
Ambos resultados son matemáticamente correctos.
La tasa mejora.
El alcance absoluto disminuye.
¿Es una señal positiva o negativa?
Depende de la finalidad.
Si el programa busca mejorar la probabilidad de finalización entre quienes se inscriben, el porcentaje es relevante.
Si pretende ofrecer formación a un mayor número de personas, la reducción del alcance también debe considerarse.
Si se restringió el acceso únicamente a candidatos con mejores condiciones iniciales, la mejora de la tasa podría deberse parcialmente a una selección diferente.
Sin información sobre los criterios de admisión, no podemos atribuir automáticamente el cambio a una mejor metodología.
8. El problema del denominador invisible
Muchas afirmaciones estadísticas parecen completas porque incluyen un porcentaje.
Por ejemplo:
«El riesgo se redujo un 50 %».
Pero ¿desde qué nivel inicial?
Una reducción de 2 casos por cada 1.000 a 1 por cada 1.000 representa una reducción relativa del 50 %.
La reducción absoluta es de 1 caso por cada 1.000.
En cambio, pasar de 200 casos por cada 1.000 a 100 por cada 1.000 también representa una reducción relativa del 50 %.
Pero la reducción absoluta es de 100 casos por cada 1.000.
Los dos porcentajes son correctos.
Las magnitudes prácticas son muy diferentes.
Por qué necesitamos valores absolutos y relativos
Los cambios relativos permiten comparar proporciones.
Los cambios absolutos muestran cuántas unidades o casos están implicados.
La importancia de cada medida depende de la decisión.
En información sanitaria, educativa, financiera o comercial, comunicar solo el cambio relativo puede provocar una impresión desproporcionada del efecto.
Por eso, siempre que sea pertinente, conviene presentar la base inicial, el valor final y la diferencia absoluta.
Un porcentaje sin referencia puede ser correcto y, al mismo tiempo, insuficiente.
9. El éxito de una campaña no se demuestra solo con clics
Una campaña digital consigue 100.000 visualizaciones.
Otra consigue 20.000.
¿La primera es cinco veces más eficaz?
No necesariamente.
Si el objetivo es aumentar el conocimiento de una marca, el alcance puede ser una medida relevante.
Si el objetivo es conseguir solicitudes de información, necesitamos conocer cuántas personas realizaron esa acción.
Si el objetivo es obtener clientes, debemos distinguir las solicitudes de las contrataciones reales.
Y si buscamos sostenibilidad económica, también importan los costes y los ingresos asociados.
El embudo no es una sola cifra
Podemos observar una secuencia:
Visualizaciones → visitas → consultas → inscripciones → alumnos que realmente comienzan.
Cada transición representa una pregunta diferente.
Una publicación puede atraer muchas visitas y pocas consultas.
Otra puede tener menos visitas y generar contactos mejor alineados con el servicio.
Ninguna de las dos situaciones permite afirmar por sí sola cuál es la mejor estrategia.
Hay que definir la finalidad y examinar las condiciones.
Qué ocurre con la búsqueda orgánica
En una estrategia de posicionamiento orgánico, las impresiones y los clics también son indicadores parciales.
Un artículo puede recibir tráfico sin que sus lectores encuentren una respuesta útil.
Otro puede atraer menos visitas, pero responder con precisión a una necesidad educativa y facilitar una consulta concreta.
Por eso, el análisis del contenido debería distinguir visibilidad, relevancia, comprensión y acciones posteriores.
El tráfico es una oportunidad de contacto, no una prueba automática de valor educativo ni de resultado comercial.
10. Cuando mejorar un indicador empeora la experiencia del cliente
Imaginemos un servicio de atención que busca reducir el tiempo medio de llamada.
Antes, cada conversación dura seis minutos.
Después de aplicar nuevas instrucciones, dura cuatro.
El indicador mejora un 33,3 % aproximadamente.
Pero supongamos que aumentan las llamadas repetidas porque las consultas no se resuelven durante el primer contacto.
En ese caso, la duración de una llamada individual puede disminuir mientras aumenta el tiempo total que el cliente dedica a resolver su problema.
La unidad de análisis cambia el resultado
Si medimos llamadas, obtenemos una perspectiva.
Si medimos problemas resueltos, obtenemos otra.
Si medimos el tiempo total del cliente, una tercera.
El error no consiste necesariamente en calcular mal la duración media.
Consiste en confundir la unidad medida con la experiencia completa.
Para estudiar la calidad del servicio debemos definir qué constituye una solicitud, cuándo se considera resuelta y qué costes de tiempo o esfuerzo soporta el usuario.
11. Por qué los rankings pueden cambiar sin que cambie la realidad
Una universidad obtiene 80 puntos en un ranking.
Al año siguiente obtiene 85.
¿Ha mejorado necesariamente?
No sabemos todavía.
El sistema de clasificación puede haber modificado sus criterios.
Las ponderaciones pueden ser diferentes.
Puede haberse incorporado una nueva fuente de información.
También pueden haber cambiado los resultados de otras instituciones.
Un ranking es una construcción basada en indicadores, métodos de normalización y decisiones sobre la importancia relativa de cada dimensión.
La puntuación depende del modelo
Supongamos que evaluamos una institución según dos criterios:
Resultados académicos: 90 puntos.
Apoyo individual: 50 puntos.
Si ambos reciben el mismo peso, la puntuación compuesta es:
[
0{,}5(90)+0{,}5(50)=70
]
Si el primer criterio recibe un peso del 80 %:
[
0{,}8(90)+0{,}2(50)=82
]
La institución no ha cambiado.
Ha cambiado la ponderación.
Esto no significa que los rankings sean inútiles.
Significa que su interpretación exige conocer cómo se construyen.
Una clasificación puede ayudar a comparar aspectos definidos.
No debe confundirse con una medida absoluta de todas las dimensiones de la calidad.
12. La trampa de los datos que faltan
Una organización analiza exclusivamente a los clientes que siguen utilizando su servicio.
Observa que la satisfacción media ha aumentado.
¿Significa que la experiencia general ha mejorado?
No necesariamente.
Tal vez algunos clientes insatisfechos abandonaron el servicio y dejaron de participar en las encuestas.
El promedio entre quienes permanecen puede mejorar aunque la organización esté perdiendo usuarios por problemas relevantes.
Este fenómeno está relacionado con el sesgo de supervivencia y con los problemas de selección de datos.
Los ausentes también importan
En educación, evaluar únicamente a quienes completan un curso puede producir una imagen incompleta.
Los estudiantes que abandonan pueden hacerlo por motivos personales, económicos, organizativos o educativos.
No debemos atribuir automáticamente cada abandono a un fracaso del programa.
Pero tampoco debemos ignorar a quienes dejan de participar.
La pregunta adecuada es si la población observada representa a aquella sobre la que queremos formular conclusiones.
Un conjunto de datos puede ser enorme y seguir siendo inadecuado para la pregunta.
13. Correlación, causalidad y decisiones equivocadas
Supongamos que una empresa descubre que los empleados que participan en más actividades formativas suelen obtener mejores evaluaciones.
La relación puede ser real.
Pero no demuestra por sí sola que aumentar las horas de formación produzca mejores resultados.
Es posible que los empleados más motivados participen en más actividades.
Quizá quienes tienen mejores condiciones laborales dispongan de más tiempo para formarse.
O puede que la formación tenga realmente un efecto positivo.
Para distinguir estas explicaciones necesitamos un diseño de investigación apropiado.
La decisión puede ir más allá de los datos
Si la dirección concluye que todos los empleados deben asistir obligatoriamente a más cursos, puede estar tomando una decisión basada en una relación que todavía no se ha establecido como causal.
La formación adicional podría ayudar.
Pero también podría desplazar tiempo necesario para otras tareas.
Antes de aplicar la medida conviene precisar qué habilidad se desea desarrollar, cómo se evaluará y qué alternativas existen.
La correlación puede orientar una investigación.
No sustituye la investigación.
14. La significación estadística no determina la importancia práctica
En estudios con muestras grandes pueden detectarse diferencias pequeñas con suficiente precisión estadística.
Un resultado puede ser estadísticamente significativo y tener un efecto práctico limitado.
También puede ocurrir que una diferencia potencialmente importante permanezca incierta debido a una muestra pequeña o a una variabilidad elevada.
Por eso no basta con clasificar un resultado como «significativo» o «no significativo».
Debemos considerar el tamaño del efecto, los intervalos de incertidumbre, el diseño del estudio y las consecuencias de una decisión.
Una pregunta que cambia el análisis
En lugar de preguntar únicamente:
«¿Existe evidencia estadística de una diferencia?»
También debemos preguntar:
«¿De qué magnitud es la diferencia y qué consecuencias tendría en este contexto?»
Las dos preguntas son necesarias.
Pero no son equivalentes.
15. ¿Qué sucede cuando los datos son correctos y la conclusión es exagerada?
Pensemos en estas afirmaciones:
«La participación aumentó».
«Los estudiantes están más motivados».
«El nuevo método ha demostrado ser superior».
La primera puede referirse a un cambio observable.
La segunda introduce una interpretación psicológica.
La tercera formula una conclusión comparativa y posiblemente causal.
No podemos pasar de una a otra sin justificación adicional.
Algo parecido ocurre con las expresiones:
«Está asociado con».
«Contribuye a».
«Es la causa de».
No tienen la misma fuerza.
En informes, artículos y materiales de comunicación profesional, una sustitución lingüística puede transformar una observación limitada en una promesa que los datos no sostienen.
La precisión matemática necesita precisión lingüística.
16. El problema de los objetivos múltiples
Una organización rara vez persigue una sola finalidad.
Una escuela puede querer mejorar el aprendizaje, mantener la accesibilidad económica y ofrecer atención individual.
Un hospital puede buscar seguridad, calidad asistencial y uso responsable de recursos.
Una empresa puede perseguir rentabilidad, satisfacción del cliente y estabilidad del servicio.
Estos objetivos pueden entrar en tensión.
Optimizar no es simplemente maximizar
En matemáticas, un problema de optimización necesita una función objetivo y, frecuentemente, restricciones.
Si buscamos maximizar la cantidad producida, el modelo puede ofrecer una solución.
Si además imponemos requisitos de calidad, seguridad y coste, la solución puede cambiar.
No existe contradicción.
Hemos formulado otro problema.
En decisiones reales, la dificultad consiste en identificar qué objetivos deben considerarse y qué límites no pueden ignorarse.
Por eso, una organización puede alcanzar perfectamente el máximo de una métrica y seguir tomando una mala decisión respecto de su finalidad más amplia.
17. Un método para evaluar indicadores sin dejarse engañar por ellos
Antes de aceptar que una mejora numérica representa una mejora real, propongo examinar ocho cuestiones.
Primera: ¿qué objetivo humano, educativo, técnico o económico queremos alcanzar?
La finalidad debe definirse antes de seleccionar el indicador.
Segunda: ¿qué mide exactamente la métrica?
Es necesario distinguir el fenómeno de su representación cuantitativa.
Tercera: ¿cómo se obtienen los datos?
Hay que conocer definiciones, procedimientos, fuentes y posibles errores.
Cuarta: ¿qué queda fuera del indicador?
Toda medida simplifica la realidad.
Quinta: ¿puede alguien mejorar la métrica sin mejorar el resultado?
Esta pregunta permite detectar incentivos y mecanismos de distorsión.
Sexta: ¿qué otros indicadores podrían mostrar consecuencias no deseadas?
No para acumular cifras, sino para observar dimensiones relevantes.
Séptima: ¿qué explicaciones alternativas existen?
Especialmente cuando se atribuyen cambios a una intervención.
Octava: ¿qué decisión está realmente justificada?
La evidencia puede apoyar una conclusión limitada sin justificar automáticamente una política general.
El método no elimina la necesidad de conocimientos estadísticos especializados.
Sirve para estructurar el razonamiento antes de confiar en una cifra.
18. Cómo enseñar a interpretar métricas en matemáticas
Un estudiante puede saber calcular porcentajes y, aun así, no comprender qué significa una variación.
Puede obtener correctamente una media sin observar la distribución.
Puede resolver una ecuación sin comprobar si el modelo representa la situación.
Por eso, el aprendizaje matemático no debería terminar en el resultado numérico.
Un ejercicio diferente
Una academia anuncia:
«La tasa de aprobación ha aumentado del 60 % al 80 %».
Primera pregunta: ¿cuál es el aumento en puntos porcentuales?
Respuesta: 20 puntos porcentuales.
Segunda pregunta: ¿cuál es el aumento relativo?
[
\frac{80-60}{60}\times100%\approx33{,}3%
]
Tercera pregunta: ¿demuestra esto que la enseñanza ha mejorado?
Todavía no.
Necesitamos conocer el número de estudiantes, la comparabilidad de las evaluaciones, las condiciones de preparación y los criterios de aprobación.
Cuarta pregunta: ¿qué información adicional permitiría una evaluación más sólida?
Aquí comienza el razonamiento que conecta las matemáticas con la investigación.
La enseñanza debe ayudar a los estudiantes a distinguir entre un cálculo correcto y una interpretación justificada.
19. Matemáticas, ciencias y aprendizaje en otro idioma
El problema adquiere una dimensión adicional cuando un estudiante aprende matemáticas, física, biología o economía en una lengua que no domina completamente.
La dificultad puede encontrarse en el cálculo.
Pero también en el significado de expresiones como:
«Aumentó en un 20 %».
«Aumentó hasta el 20 %».
«Aumentó 20 puntos porcentuales».
O en la diferencia entre «se estima», «se observa» y «se demuestra».
Un estudiante puede aplicar correctamente una fórmula a una relación que ha interpretado mal.
Por eso, el aprendizaje de asignaturas en otro idioma necesita integrar comprensión del enunciado, conceptos, razonamiento y explicación.
No basta con memorizar vocabulario técnico.
20. De la investigación a una necesidad concreta: clases individuales online
Comprender indicadores y resultados no es una habilidad reservada a especialistas en estadística.
Es útil para estudiantes que tienen dificultades con porcentajes, gráficos y problemas matemáticos.
También para quienes necesitan interpretar experimentos, resolver tareas de física, estudiar economía o preparar asignaturas en un sistema educativo extranjero.
En Levitin Language School organizamos clases individuales online de idiomas y de determinadas materias académicas, incluidas matemáticas y ciencias, según las necesidades del estudiante y la especialización del profesorado disponible.
El trabajo puede centrarse en la comprensión de problemas, el razonamiento matemático, la interpretación de datos, el análisis de gráficos y la explicación de resultados.
También es posible estudiar una asignatura a través de otro idioma cuando el objetivo académico y el perfil del docente lo permiten.
¿Cómo solicitar una clase individual?
Puede escribirme directamente. Soy Tymur Levitin, fundador y director de la escuela, y atiendo personalmente las consultas.
Puede contactar conmigo por WhatsApp, por Telegram o por correo electrónico: notification@levitintymur.com.
Para comenzar, indique qué materia necesita estudiar, la edad o el nivel académico del estudiante, el idioma de enseñanza y la dificultad concreta que desea resolver.
Por ejemplo:
«Necesito clases individuales de matemáticas para un estudiante de secundaria. Tiene dificultades con porcentajes, gráficos e interpretación de problemas. Preferimos clases online en español o inglés».
A partir de esa información podemos revisar la necesidad, valorar la disponibilidad de un profesor adecuado y acordar la organización de las clases.
No es necesario contratar un paquete ni elegir un programa sin haber explicado primero el objetivo.
Traducción y redacción de documentos con datos numéricos
Las dificultades de interpretación también aparecen en informes empresariales, materiales académicos, documentación técnica y textos multilingües.
En estos casos, una traducción o una edición puede modificar involuntariamente la relación entre una cifra y la conclusión que pretende respaldar.
A través de nuestros servicios profesionales de traducción y edición es posible consultar trabajos de adaptación lingüística, revisión y redacción de documentos.
Cuando un encargo exige una auditoría estadística o técnica independiente, ese alcance debe acordarse expresamente y no confundirse con la revisión lingüística.
También puede consultarme directamente por los canales indicados.
Conclusión. Mejorar una métrica no es lo mismo que mejorar una realidad
Los indicadores son necesarios.
Sin ellos, muchas decisiones dependerían únicamente de impresiones personales.
Pero una métrica no representa toda la realidad.
Una tasa de aprobación puede aumentar mientras cambian los criterios de evaluación.
La productividad puede crecer mientras se deteriora la calidad.
El tiempo de permanencia puede aumentar porque una plataforma se ha vuelto más difícil de utilizar.
La tasa de finalización puede mejorar mientras disminuye el número de personas que acceden a la formación.
Un ranking puede cambiar por una modificación de sus ponderaciones.
Nada de esto demuestra que las métricas sean inútiles.
Demuestra que deben interpretarse en relación con los objetivos, los procedimientos y los efectos que realmente importan.
Un indicador no se convierte en una medida del éxito simplemente porque podamos calcularlo con precisión.
Su utilidad depende de que exista una relación defendible entre lo que mide y lo que deseamos conseguir.
Por eso, antes de celebrar una mejora estadística, debemos formular una pregunta adicional:
¿Qué ha mejorado exactamente: el número que observamos o la realidad que queríamos transformar?
La respuesta exige algo más que aritmética.
Exige comprender el mecanismo que conecta los datos con las decisiones.
Autor: Tymur Levitin
Fundador y director de Levitin Language School. Docente, traductor y autor de investigaciones interdisciplinarias sobre lenguaje, educación, razonamiento matemático e interpretación de la información.
© Tymur Levitin · Levitin Language School
