Un análisis nunca es mejor que los datos sobre los que se apoya. Si los datos se recogieron mal —con preguntas sesgadas, sobre una muestra que no representa a nadie, o vulnerando la privacidad de los clientes— ninguna técnica posterior podrá arreglarlo. En esta lección aprenderás de dónde salen los datos (fuentes primarias y secundarias), cómo diseñar encuestas y cuestionarios que midan lo que de verdad quieres medir, cuándo conviene un censo y cuándo una muestra, los principales métodos de muestreo (probabilísticos y no probabilísticos), los sesgos que acechan en cada paso y las obligaciones éticas y legales del trabajo con datos personales. El hilo conductor será un encargo real de Marta: diseñar la encuesta anual de satisfacción de NovaMarket.

1. El encargo: la encuesta anual de satisfacción
2. Fuentes primarias y secundarias
3. Diseño de encuestas y cuestionarios
4. Censo o muestra
5. Muestreo probabilístico
6. Muestreo no probabilístico
7. Sesgos: los enemigos silenciosos
8. Representatividad y tamaño muestral: nociones intuitivas
9. Ética y protección de datos

Lunes por la mañana. Marta convoca al equipo:

«Dirección quiere conocer la satisfacción de nuestros clientes este año: con las tiendas, con el e-commerce y con el Club Nova. Necesito que diseñéis el estudio completo: qué datos usamos, a quién preguntamos, qué preguntamos y cómo garantizamos que los resultados sean fiables y legales. Presupuesto limitado, como siempre.»

Este encargo contiene, comprimidas, todas las decisiones de esta lección. Vamos a desmontarlo pieza a pieza.

La primera decisión: ¿recogemos datos nuevos o aprovechamos los que ya existen?

• Fuentes primarias: datos que recoges tú, expresamente para tu estudio. La encuesta de satisfacción que vas a diseñar es una fuente primaria: no existía y la creas a medida de tu pregunta.
• Fuentes secundarias: datos que ya existen, recogidos por otros o con otro propósito. Para NovaMarket: los tickets de compra (se generan para cobrar, no para analizar), los registros de entregas, las altas del Club Nova, y también fuentes externas como las estadísticas del INE sobre consumo de los hogares o estudios sectoriales de la distribución.

En la práctica profesional se combinan: para el encargo de Marta, los tickets (secundaria) dirán qué hacen los clientes (cuánto gastan, si repiten, si abandonan), pero solo la encuesta (primaria) dirá qué opinan y por qué. Regla de oro: agota primero las fuentes secundarias — son baratas y a menudo responden media pregunta — y recoge datos primarios solo para lo que falte.

Diseñar un cuestionario parece trivial («son solo preguntas») y es de lo más difícil de hacer bien: cada palabra puede alterar las respuestas.

• Cerradas: el encuestado elige entre opciones predefinidas. Fáciles de analizar (producen variables nominales u ordinales limpias). Ejemplo: «¿Con qué frecuencia compra en NovaMarket? ☐ Varias veces por semana ☐ Semanalmente ☐ Quincenalmente ☐ Con menor frecuencia».
• Abiertas: respuesta libre («¿Qué mejoraría de su tienda habitual?»). Ricas en matices, pero costosas de analizar. Úsalas con moderación: una o dos al final.
• Semicerradas: opciones más un «Otro: ______».

La herramienta estrella para medir actitudes. Se presenta una afirmación y el encuestado indica su grado de acuerdo en una escala ordenada, típicamente de 5 puntos:

«Los productos frescos de NovaMarket tienen buena calidad.» 1 = Totalmente en desacuerdo · 2 = En desacuerdo · 3 = Ni de acuerdo ni en desacuerdo · 4 = De acuerdo · 5 = Totalmente de acuerdo

Buenas prácticas con escalas Likert:

• Etiqueta todos los puntos (no solo los extremos), para que todos los encuestados interpreten igual la escala.
• Decide con criterio si incluyes punto neutro (escala impar) o fuerzas a posicionarse (par). Lo habitual es incluirlo.
• Mantén la misma dirección en todo el bloque (que 5 sea siempre «lo mejor»), o si alternas afirmaciones positivas y negativas para detectar respuestas automáticas, recuerda invertir los códigos antes de analizar.
• Recuerda de la lección anterior: una Likert produce una variable ordinal; tratar sus valores como números es una convención que hay que manejar con cuidado.

Consejo profesional: haz siempre una prueba piloto (10-20 personas) antes del lanzamiento. Detectarás preguntas ambiguas, opciones que faltan y cuánto se tarda en responder (más de 8-10 minutos dispara el abandono).

Ya tienes el cuestionario. ¿A quién se lo mandas? Recuerda la lección 01-01: la población objetivo del encargo son los clientes de NovaMarket (empezaremos, siendo realistas, por los 380.000 socios del Club Nova, de quienes tenemos contacto). Dos opciones:

• Censo: preguntar a todos. Elimina el error de muestreo, pero es caro, lento y a menudo innecesario. Tiene sentido con poblaciones pequeñas y accesibles: por ejemplo, encuestar a los 42 directores de tienda.
• Muestra: preguntar a una parte bien elegida. Con unos pocos miles de respuestas bien seleccionadas se estima la satisfacción del club con precisión más que suficiente para decidir.

Un matiz que sorprende: un censo mal ejecutado puede ser peor que una buena muestra. Si envías la encuesta a los 380.000 socios y responden 9.000 (los que quieren, normalmente los muy contentos y los muy enfadados), no tienes un censo: tienes una muestra autoseleccionada enorme y sesgada. Mejor una muestra de 2.000 socios elegidos al azar con un buen seguimiento (recordatorios, incentivo) que logre alta tasa de respuesta.

Decisión para el encargo: muestra. Ahora, ¿cómo elegirla?

Un muestreo es probabilístico cuando todas las unidades de la población tienen una probabilidad conocida y no nula de ser elegidas, y la selección la hace el azar, no una persona. Es la única familia de métodos que permite, más adelante, calcular márgenes de error con fundamento (Módulo 5). Requiere un marco muestral: la lista completa de la población (aquí, la base de datos del Club Nova — una ventaja enorme).

Cada socio tiene la misma probabilidad de salir, como en un sorteo. Operativamente: se numeran los 380.000 socios y un generador de números aleatorios elige, por ejemplo, 2.000.

• Ventaja: es el patrón oro conceptual, simple e insesgado.
• Inconveniente: puede, por puro azar, infrarrepresentar grupos pequeños (quizá salgan poquísimos clientes exclusivamente online).

Se elige un punto de partida al azar y luego se toma 1 de cada \( k \), donde \( k \) es el intervalo de salto:

\[ k = \frac{N}{n} = \frac{380.000}{2.000} = 190 \]

Se sortea un número entre 1 y 190 (sale, por ejemplo, el 37) y se seleccionan los socios 37, 227, 417, 607… de la lista. Muy cómodo con listas largas. Precaución: si la lista tiene un patrón periódico que coincida con \( k \), la muestra se sesga (raro, pero compruébalo).

Se divide la población en estratos (grupos homogéneos y relevantes para el estudio) y se muestrea al azar dentro de cada uno. Para NovaMarket, un estrato natural es el canal de compra. Con afijación proporcional (cada estrato pesa en la muestra lo que pesa en la población):

• Ventaja: garantiza que todos los grupos importantes están representados y mejora la precisión; además permite dar resultados por estrato.
• Cuándo usarlo: cuando la población tiene grupos claramente distintos en lo que mides (la satisfacción del cliente online seguramente difiere de la del de tienda) y conoces a qué estrato pertenece cada unidad. (Si un estrato pequeño interesa mucho, puede sobremuestrearse y luego reponderarse; quédate solo con la idea.)

Se divide la población en conglomerados (grupos que son «mini-poblaciones» internamente variadas, típicamente definidos por cercanía física), se sortean unos cuantos conglomerados completos y se estudia dentro de ellos. Ejemplo: para encuestar presencialmente a clientes a pie de tienda, en vez de desplazar encuestadores a las 42 tiendas, se sortean 8 tiendas y se encuesta en ellas.

• Ventaja: gran ahorro logístico.
• Inconveniente: menos precisión para el mismo \( n \) (los clientes de una misma tienda se parecen entre sí), lo que exige muestras algo mayores.

Estratos y conglomerados se confunden a menudo. La clave:

Cuando no hay marco muestral, ni tiempo, ni presupuesto — o el objetivo es exploratorio — se recurre a métodos donde el azar no gobierna la selección. Son legítimos si se usan sabiendo lo que no permiten: generalizar con márgenes de error.

• Por conveniencia: se encuesta a quien resulta fácil alcanzar. Ejemplo: preguntar a los clientes que pasan el martes por la mañana por la tienda de Madrid-Centro. Rápido y barato; muestra probablemente sesgada (¿quién compra un martes por la mañana? Poca gente que trabaja en horario de oficina).
• Por cuotas: versión «disciplinada» de la conveniencia: se fijan cuotas que imitan la población (por ejemplo, 60 % mujeres / 40 % hombres, tantos por tramo de edad) y el encuestador rellena cada cuota con quien encuentra. Mejora la apariencia de representatividad, pero dentro de cada cuota sigue eligiendo el encuestador, no el azar.
• Bola de nieve: cada participante recluta a otros. Útil para poblaciones difíciles de localizar sin lista — por ejemplo, si NovaMarket quisiera entrevistar a clientes celíacos para diseñar su gama sin gluten, empezaría con unos pocos identificados y les pediría contactos de otros.

¿Cuándo usar cada familia?

Para el encargo de Marta, la decisión razonada es: muestreo estratificado por canal sobre la base del Club Nova, con envío por correo electrónico, recordatorios y un pequeño incentivo (cupón) para elevar la tasa de respuesta.

Un sesgo es un error sistemático: empuja los resultados siempre en la misma dirección, y —a diferencia del error aleatorio del muestreo— no se arregla aumentando la muestra. Los tres más peligrosos:

La forma de elegir la muestra excluye o infrarrepresenta a parte de la población. Ejemplos en nuestro encargo:

• Encuestar solo a socios del Club Nova deja fuera a los clientes sin tarjeta (quizá los menos fieles y más críticos). Conclusión honesta: los resultados hablan «de los socios», no «de los clientes».
• Encuestar solo por email excluye a socios sin correo registrado (a menudo de más edad).

Aunque la selección sea perfecta, quienes responden difieren de quienes no. Si responde el 25 %, y los descontentos responden más (quieren quejarse) o menos (ya se han ido a la competencia), la satisfacción media medida se desvía de la real. Defensas: cuestionario corto, recordatorios, incentivos, y comparar el perfil de los respondientes con el de la población (¿coinciden en edad, canal, gasto? — si no, mala señal, y en parte puede corregirse reponderando).

La gente tiende a responder lo que queda bien. Preguntado cara a cara por un encuestador con chaleco de NovaMarket, un cliente suavizará sus críticas; preguntado «¿compra usted productos saludables?», exagerará su virtud. Defensas: anonimato real (y comunicarlo), autocumplimentación (web mejor que cara a cara para temas sensibles), redacción neutra que legitime todas las respuestas.

Otros sesgos que conviene conocer de nombre: el de supervivencia (analizar solo a los clientes actuales olvidando a los que se fueron — los tickets solo contienen a quienes siguen comprando) y el de cobertura (el marco muestral no coincide con la población, como el caso del email).

Una muestra es representativa cuando reproduce, a pequeña escala, la composición y diversidad de la población en lo relevante para el estudio. Dos ideas clave, ambas contraintuitivas:

1. La representatividad depende de CÓMO se elige, no de cuántos son. Una muestra aleatoria de 1.500 socios informa mejor sobre el club que 40.000 respuestas voluntarias autoseleccionadas. El tamaño no cura el sesgo: solo hace que midas el valor sesgado con más precisión.
2. Lo que importa es el tamaño absoluto, no el porcentaje de la población. Para una precisión dada, se necesitan aproximadamente los mismos encuestados para estimar la satisfacción de 380.000 socios que la de 4 millones. Por eso las encuestas nacionales funcionan con 1.000-2.500 entrevistas.

Sobre el tamaño, tres intuiciones que desarrollaremos formalmente en la lección Errores, Potencia y Tamaño Muestral:

• Más muestra ⇒ más precisión (menos margen de error), pero con rendimientos decrecientes: para duplicar la precisión hay que cuadruplicar la muestra, no duplicarla.
• Si quieres resultados fiables por subgrupos (por canal, por región), cada subgrupo necesita su propio tamaño suficiente — es lo que más encarece los estudios.
• Órdenes de magnitud orientativos: con unas 400 respuestas aleatorias, el margen de error de un porcentaje ronda el ±5 %; con unas 1.100, el ±3 %. (De dónde salen estos números lo verás en el Módulo 5; por ahora, úsalos como referencia de bolsillo.)

Con esto, el equipo propone a Marta: 2.000 invitaciones estratificadas por canal, objetivo de al menos 800-1.000 respuestas, con resultados globales y por canal.

Recoger datos de personas conlleva obligaciones éticas y legales. En España y la UE, el marco es el RGPD (Reglamento General de Protección de Datos) y la LOPDGDD. Principios que todo analista debe interiorizar:

• Minimización: recoge solo lo necesario para el fin declarado. Si la encuesta no analizará por ingresos, no preguntes ingresos.
• Finalidad e información: el encuestado debe saber quién recoge los datos, para qué, y dar su consentimiento cuando proceda. Los datos del Club Nova solo pueden usarse para fines compatibles con los aceptados al darse de alta.
• Anonimización y seudonimización: siempre que el análisis lo permita, separa las respuestas de la identidad. Anonimizar es romper irreversiblemente el vínculo con la persona; seudonimizar es sustituir la identidad por un código (reversible con la tabla de correspondencia, que debe custodiarse aparte). Ojo: quitar el nombre no basta — la combinación código postal + edad + tienda habitual puede reidentificar a alguien en un municipio pequeño. Con grupos muy pequeños, agrega (por ejemplo, no publiques resultados de estratos con menos de un umbral de respuestas).
• Seguridad y acceso: los microdatos (respuestas individuales) se guardan cifrados y con acceso restringido; lo que circula por la empresa son agregados.
• Conservación limitada: define cuánto tiempo se guardan las respuestas y borra después.

Advertencia importante: esta sección ofrece principios generales de buena práctica estadística, no asesoramiento jurídico. Antes de lanzar cualquier recogida de datos personales reales, el diseño (textos de consentimiento, base legal, plazos de conservación) debe revisarlo el delegado de protección de datos o un profesional de compliance/RGPD de tu organización. En NovaMarket, Marta no lanza ninguna encuesta sin el visto bueno del DPO — haz tú lo mismo.

• Creer que una muestra enorme compensa un mal muestreo. Es el error conceptual número uno. Sesgo grande + muestra grande = conclusión equivocada con mucha (falsa) seguridad.
• Preguntas dobles o inductoras. Revisa cada pregunta buscando la conjunción «y» y los adjetivos valorativos («nuestro excelente servicio…»).
• Ignorar la no respuesta. Informa siempre de la tasa de respuesta y de si los respondientes se parecen a la población; un 15 % de respuesta sin análisis de sesgo debería hacer sonar todas las alarmas.
• Confundir estratos con conglomerados. Recuerda: estratos = grupos homogéneos, entran todos, se sortea dentro; conglomerados = grupos heterogéneos, se sortean algunos completos.
• Generalizar desde muestras de conveniencia. «Preguntamos en la tienda de Madrid-Centro» puede valer para explorar ideas, nunca para titular «el 80 % de nuestros clientes opina que…».
• Descuidar la privacidad. Publicar tablas con celdas de 2-3 personas identificables o guardar respuestas con nombre en una hoja de cálculo compartida son incidentes graves. Ante la duda, pregunta al DPO.
• Consejo profesional: documenta el diseño (población, marco, método de muestreo, tasa de respuesta, texto del cuestionario) en una ficha técnica, como hacen los institutos de opinión. Es la garantía de calidad de tu estudio y te protege cuando alguien cuestione los resultados meses después.

Clasifica el método de muestreo de cada escenario de NovaMarket (aleatorio simple, sistemático, estratificado, por conglomerados, conveniencia, cuotas o bola de nieve) y justifica en una frase:

1. Para auditar la calidad de los datos de tickets, se toma 1 ticket de cada 500 de la base de datos del mes, empezando por uno sorteado entre los 500 primeros.
2. Para un test rápido del nuevo cuestionario, se pide opinión a 15 empleados de las oficinas centrales que estaban en la cafetería.
3. Para estimar la satisfacción con las entregas, se divide a los clientes online en «zona urbana» y «zona rural» y se sortean 300 de cada grupo.
4. Para estudiar la experiencia de compra presencial, se sortean 6 de las 42 tiendas y se encuesta a todos los clientes que aceptan a la salida de esas 6 tiendas durante una semana.
5. Para entrevistar a clientes que abandonaron el Club Nova hace años y ya no constan con contacto válido, se pide a los primeros localizados que faciliten el contacto de otros antiguos socios que conozcan.

Este borrador de pregunta se ha colado en el cuestionario de satisfacción:

«¿No está de acuerdo en que los precios y la variedad de productos de NovaMarket han mejorado gracias a nuestro esfuerzo? ☐ Sí ☐ No»

Identifica al menos tres problemas de redacción y reescribe el bloque correctamente (puedes convertirlo en más de una pregunta y cambiar el formato de respuesta).

La encuesta se envió por email a 2.000 socios (estratificados por canal) y respondieron 640. Al comparar perfiles se observa: los respondientes tienen una media de edad de 51 años frente a los 44 de la población del club, y el 78 % de los que puntúan son socios con más de 5 años de antigüedad (que son el 45 % del club). La satisfacción media resultó 8,1.

1. ¿Qué tasa de respuesta se obtuvo?
2. ¿Qué sesgos concretos amenazan la cifra de 8,1? Nombra al menos dos usando la terminología de la lección.
3. ¿Aumentar el envío a 20.000 socios resolvería el problema? ¿Por qué?

Solución 1

1. Sistemático: intervalo fijo (1 de cada 500) con arranque aleatorio.
2. Conveniencia: se elige a quien está a mano; válido solo como piloto exploratorio.
3. Estratificado: grupos homogéneos definidos a priori (urbano/rural) y sorteo dentro de cada uno; además, con 300 por estrato es afijación no proporcional, pensada para poder comparar grupos.
4. Por conglomerados: se sortean unas cuantas tiendas completas (grupos heterogéneos definidos por logística) y se estudia dentro de ellas. Error frecuente: responder «estratificado»; la pista es que solo algunas tiendas entran en la muestra. (Fíjate además en que «los clientes que aceptan» añade un componente de autoselección dentro de cada tienda.)
5. Bola de nieve: cada localizado recluta a los siguientes; adecuado porque no existe marco muestral de esa población.

Solución 2

Problemas (bastan tres):

1. Pregunta doble: mezcla precios y variedad en una sola pregunta.
2. Redacción inductora: «gracias a nuestro esfuerzo» y el marco «¿No está de acuerdo en que…?» empujan hacia la respuesta afirmativa (y activan deseabilidad social).
3. Negación confusa: «¿No está de acuerdo…?» hace ambiguo qué significa contestar «No».
4. Formato de respuesta pobre: un Sí/No no capta grados; conviene una escala.

Reescritura posible:

«Indique su grado de acuerdo con las siguientes afirmaciones (1 = Totalmente en desacuerdo, 2 = En desacuerdo, 3 = Ni de acuerdo ni en desacuerdo, 4 = De acuerdo, 5 = Totalmente de acuerdo): a) Los precios de NovaMarket son adecuados. 1 · 2 · 3 · 4 · 5 b) La variedad de productos de NovaMarket es adecuada. 1 · 2 · 3 · 4 · 5»

Solución 3

1. Tasa de respuesta: \( 640 / 2.000 = 0,32 \), es decir, el 32 %.
2. Principalmente sesgo de no respuesta: los respondientes no se parecen a la población (mayores y mucho más antiguos/fieles: 78 % frente a 45 %); si los socios veteranos están más satisfechos, el 8,1 estará inflado. Puede señalarse también el sesgo de cobertura/selección de origen: solo socios con email válido, además de que todo el estudio habla de socios del club, no de clientes en general.
3. No. Ampliar el envío multiplica las respuestas pero no cambia quién tiende a responder: el desequilibrio (mayores, veteranos) se reproduciría a mayor escala. El sesgo es sistemático y el tamaño no lo corrige; las vías correctas son elevar la tasa de respuesta (recordatorios, incentivos, cuestionario corto), reponderar los resultados según el perfil poblacional conocido y complementar el canal email. Error frecuente: creer que «más datos» es siempre la solución — es exactamente la confusión entre error aleatorio (que sí disminuye con \( n \)) y sesgo (que no).

Has cerrado el módulo introductorio aprendiendo el paso previo a todo análisis: conseguir buenos datos. Ya sabes combinar fuentes secundarias (baratas, ya existentes) con fuentes primarias diseñadas a medida; redactar cuestionarios con preguntas limpias y escalas Likert bien construidas; decidir entre censo y muestra; elegir con criterio entre los muestreos probabilísticos (aleatorio simple, sistemático, estratificado, por conglomerados) y los no probabilísticos (conveniencia, cuotas, bola de nieve); reconocer los sesgos de selección, no respuesta y deseabilidad social, con la lección grabada de que el tamaño no cura el sesgo; y trabajar con datos personales bajo los principios del RGPD, siempre con revisión de un profesional de protección de datos. La encuesta de satisfacción de NovaMarket ya está diseñada y en el campo; cuando lleguen las respuestas —junto con los tickets, las entregas y el resto de datos de la empresa— habrá que resumirlas y darles sentido. De eso trata el Módulo 2, que empieza con las Medidas de Tendencia Central: la media, la mediana y la moda, y el arte de saber cuál contar a Marta en cada ocasión.