Módulo 6: Fundamentos de Investigación Cuantitativa

Números que hablan: complementando la historia cualitativa

Tiempo estimado: 2 - 2.5 horas

Índice de Contenidos

  1. Introducción: ¿Por qué los números importan en UX Research?
  2. Encuestas vs. Entrevistas: Cuándo usar cada método
  3. Diseño de preguntas sin sesgo
  4. Fundamentos de A/B Testing y Analytics
  5. Mixed Methods: Combinando Qual + Quant
  6. Ejercicio práctico
  7. Referencias y recursos

Objetivos de Aprendizaje

Al finalizar este módulo, serás capaz de:

  • Distinguir cuándo usar encuestas versus entrevistas según el objetivo de investigación.
  • Diseñar preguntas de encuesta minimizando sesgos cognitivos y culturales.
  • Comprender los fundamentos de A/B testing, heatmaps y funnels de conversión.
  • Aplicar metodologías mixtas (Mixed Methods) para obtener insights más robustos.

1. Introducción: ¿Por qué los números importan?

Por formación y por gusto personal tengo un sesgo de preferencia por los métodos cualitativos: testeos moderados, entrevistas, observación directa.

Pero con el tiempo (y varios proyectos donde tuve que defender mis hallazgos ante stakeholders), aprendí algo crucial: los datos cuantitativos no reemplazan a los cualitativos, los complementan. Y cuando los combinas bien, tienes una historia mucho más potente.

"Las conversaciones con usuarios te dicen el POR QUÉ. Los datos cuantitativos te dicen el CUÁNTO y QUÉ TAN FRECUENTE. Juntos, cuentan la historia completa."

Como dice Adaptive Path en su guía de Experience Mapping: los datos cuantitativos pueden ayudar a validar lo que aprendes en estudios cualitativos, priorizar el foco de tus entrevistas, y hacer que los stakeholders se sientan más cómodos con un tamaño de muestra más grande.

¿La clave? Saber cuándo usar cada enfoque y cómo combinarlos estratégicamente.

2. Encuestas vs. Entrevistas: Cuándo usar cada método

Esta es probablemente la pregunta que más me hacen los researchers junior: ¿Hago entrevistas o una encuesta? La respuesta corta es: depende. La respuesta larga... aquí vamos.

2.1 Entrevistas: El poder del "por qué"

Las entrevistas son tu herramienta cuando necesitas profundidad. Cuando quieres entender motivaciones, emociones, contexto, frustraciones... todo ese mundo interno del usuario que no aparece en métricas.

Usa entrevistas cuando:

  • Estás explorando un problema nuevo y no sabes qué preguntas hacer
  • Necesitas entender el "por qué" detrás de un comportamiento
  • El tema es sensible y requiere rapport (ej: finanzas personales, salud)
  • Quieres capturar historias y narrativas del usuario
  • Tu población es pequeña o difícil de alcanzar (ej: B2B, expertos)

2.2 Encuestas: El poder del "cuántos"

Las encuestas brillan cuando necesitas escala. Cuando ya tienes hipótesis claras y quieres validarlas con una muestra más grande, o cuando necesitas datos que puedas generalizar.

Usa encuestas cuando:

  • Ya entiendes el problema y quieres cuantificar su magnitud
  • Necesitas datos representativos de una población grande
  • Quieres priorizar features o pain points
  • Los stakeholders necesitan números para tomar decisiones
  • Tienes presupuesto o tiempo limitado para investigación

2.3 Tabla comparativa

Aspecto Entrevistas Encuestas
Objetivo Explorar, comprender profundidad Validar, cuantificar, generalizar
Tamaño de muestra 5-15 usuarios (por segmento) 30+ para estadística básica; 100+ para análisis robusto
Tipo de datos Cualitativo (narrativas, citas) Cuantitativo (números, %)
Flexibilidad Alta (puedes explorar temas nuevos) Baja (preguntas predefinidas)
Costo/tiempo Alto por participante Bajo por participante
Análisis Codificación temática, síntesis Estadística descriptiva, inferencial

"En mi experiencia, el error más común es saltar directo a encuestas sin haber hecho entrevistas primero. Terminas haciendo las preguntas equivocadas a mucha gente."

3. Diseño de Preguntas sin Sesgo

Aquí es donde muchos proyectos se van al carajo (perdón por el lenguaje, pero es verdad xD). Una encuesta con preguntas mal diseñadas te da datos que no valen nada. Y lo peor es que no te das cuenta hasta que es muy tarde.

3.1 El proceso cognitivo del respondiente

Antes de escribir preguntas, necesitas entender cómo el cerebro procesa una encuesta. Según Tourangeau, Rips y Rasinski, hay cinco etapas que el respondiente atraviesa:

  1. Percepción: "¿Qué es esto?" - Ven o escuchan el estímulo
  2. Comprensión: "¿Qué me están preguntando?" - Interpretan la pregunta
  3. Recuperación: "¿Qué sé sobre esto?" - Buscan en su memoria
  4. Juicio: "¿Cuál es mi respuesta?" - Formulan una opinión
  5. Respuesta: "¿Cómo lo reporto?" - Traducen al formato de la encuesta

Importante: El orden de las preguntas activa información en la memoria que afecta las respuestas siguientes. ¡El priming es real!

3.2 Preguntas cerradas vs. abiertas

Preguntas cerradas (con opciones predefinidas):

  • Más fáciles de analizar
  • Menor esfuerzo cognitivo para el respondiente
  • Riesgo: puedes omitir opciones importantes o forzar respuestas

Preguntas abiertas (respuesta libre):

  • Capturan perspectivas que no anticipaste
  • Más difíciles de analizar (requieren codificación)
  • Menor tasa de respuesta (más esfuerzo)

3.3 Sesgos comunes y cómo evitarlos

Sesgo de aquiescencia

La tendencia a estar de acuerdo con todo. Solución: alterna la dirección de las preguntas.

❌ Mal: "¿Está de acuerdo en que nuestro producto es fácil de usar?"

✅ Mejor: "¿Qué tan fácil o difícil le resulta usar nuestro producto?" (escala balanceada)

Sesgo de deseabilidad social

Responder lo que creen que es "correcto" socialmente. Común en temas sensibles.

❌ Mal: "¿Con qué frecuencia hace ejercicio?" (todos van a exagerar)

✅ Mejor: "En una semana típica, ¿cuántos días hace al menos 30 minutos de actividad física?"

Preguntas doble-cañón

Preguntar dos cosas en una. El respondiente no sabe qué responder.

❌ Mal: "¿Qué tan satisfecho está con el precio y la calidad del producto?"

✅ Mejor: Separar en dos preguntas distintas.

Sesgo de primacía/recencia

En listas largas, las opciones al inicio y al final se seleccionan más. Solución: rotar opciones o usar escalas visuales.

3.4 Consideraciones culturales para Latinoamérica

Este tema es crucial si trabajas en nuestra región. La investigación no es simplemente traducir materiales del inglés.

  • Tú vs. Usted: Afecta el tono y la comodidad del participante
  • Preguntas sobre ingresos: Pueden ser consideradas intrusivas en México y otros países
  • Alternativa para NSE: Preguntar número de focos/luces en casa o acceso a servicios
  • Modismos: El español de Chile ≠ Argentina ≠ México

"Una muestra perfectamente calculada es inútil si la calidad de los datos es pobre por falta de sensibilidad cultural."

4. Fundamentos de A/B Testing y Analytics

OK, ahora entremos al mundo de los datos de comportamiento. Esta es la parte donde muchos UX Researchers se sienten fuera de su zona de comfort, pero es más accesible de lo que crees. No necesitas ser data scientist para entender estos conceptos :)

4.1 ¿Qué es A/B Testing?

El A/B testing (o split testing) es una metodología de optimización que compara dos o más versiones de un elemento digital para determinar cuál funciona mejor según métricas predefinidas.

Ejemplo clásico:

  • Versión A (control): Botón azul que dice "Registrarse"
  • Versión B (variante): Botón verde que dice "Empieza gratis"
  • Métrica: Tasa de conversión (% de usuarios que hacen clic)

Conceptos clave:

  • Tasa de Conversión Base: Tu métrica actual (ej: 3% de visitantes se registran)
  • MDE (Minimum Detectable Effect): El cambio mínimo que quieres detectar (ej: +10% relativo)
  • Potencia Estadística: Probabilidad de detectar un efecto real (típicamente 80%)
  • Nivel de Confianza: Qué tan seguro estás del resultado (típicamente 95%)

4.2 Herramientas de Analytics

Heatmaps (Mapas de calor)

Visualizaciones que muestran dónde hacen clic los usuarios y cómo interactúan con la página. Los colores cálidos (rojo, naranja) indican mayor actividad.

Tipos de heatmaps:

  • Click maps: Dónde hacen clic
  • Scroll maps: Hasta dónde bajan en la página
  • Move maps: Dónde pasan el cursor (atención visual)

Herramientas: Microsoft Clarity (gratis), Hotjar, Crazy Egg

Clickstreams (Flujos de clics)

El recorrido secuencial que hacen los usuarios a través de tu sitio. Te muestra los caminos más comunes y dónde abandonan.

Funnels de conversión

Embudos que muestran el % de usuarios que completan cada paso de un proceso. Identifican puntos de fuga donde se pierden usuarios.

Ejemplo de funnel de e-commerce:

Etapa Usuarios Tasa
Visita página producto 10,000 100%
Agrega al carrito 2,000 20%
Inicia checkout 800 8%
Completa compra 300 3%

En este ejemplo, el mayor punto de fuga está entre "Visita producto" y "Agrega al carrito". ¿Por qué? Ahí necesitas investigación cualitativa para entender el "por qué".

4.3 Limitaciones del A/B Testing

Antes de que salgas corriendo a hacer A/B tests de todo, un disclaimer importante:

  • Necesitas tráfico suficiente: Sin volumen, no hay significancia estadística
  • Te dice QUÉ funciona, no POR QUÉ funciona
  • Solo optimiza dentro del paradigma actual (no encuentra soluciones radicalmente nuevas)
  • El ganador estadístico puede no ser el ganador de experiencia

5. Mixed Methods: Combinando Qual + Quant

Llegamos a lo que considero el nivel más alto de UX Research: saber combinar metodologías cualitativas y cuantitativas de manera estratégica.

5.1 ¿Por qué mezclar métodos?

Como mencioné al inicio, los métodos cualitativos y cuantitativos responden preguntas diferentes:

  • Cualitativo: ¿Por qué? ¿Cómo? ¿Cuál es la experiencia?
  • Cuantitativo: ¿Cuántos? ¿Con qué frecuencia? ¿Qué tan grande?

Cuando los combinas, obtienes triangulación: múltiples puntos de vista sobre el mismo fenómeno, lo que aumenta la validez de tus hallazgos.

5.2 Patrones de diseño Mixed Methods

Patrón 1: Exploración → Validación (Secuencial)

Flujo: Entrevistas → Encuesta

Primero exploras el problema con entrevistas (descubres temas, hipótesis, lenguaje de usuarios). Luego diseñas una encuesta para validar y cuantificar esos hallazgos.

Ejemplo: "En entrevistas descubrimos que 6/8 usuarios mencionaron frustración con el proceso de pago. Diseñamos encuesta para validar con n=500 y confirmar que 72% tiene este problema."

Patrón 2: Cuantificación → Profundización (Secuencial)

Flujo: Analytics/Encuesta → Entrevistas

Primero identificas patrones en datos (ej: 80% abandona en paso 3 del funnel). Luego haces entrevistas para entender el por qué.

Ejemplo: "Los datos muestran que usuarios jóvenes convierten 3x más que mayores. Hacemos entrevistas con ambos grupos para entender la diferencia."

Patrón 3: Convergente (Paralelo)

Flujo: Entrevistas + Encuesta simultáneamente

Recolectas ambos tipos de datos al mismo tiempo y comparas/contrastar resultados al final.

5.3 Ejemplo práctico: Proyecto de Experience Map

Siguiendo la guía de Adaptive Path, así se vería un proyecto real de Experience Mapping con Mixed Methods:

  1. Desk Research: Revisar analytics existentes, investigaciones previas, datos de NPS
  2. Encuesta exploratoria: Identificar segmentos y priorizar touchpoints
  3. Entrevistas en profundidad: 8-12 usuarios por segmento, usando storytelling dirigido
  4. Síntesis: Crear journey map con datos cuali + cuanti
  5. Validación: Encuesta para confirmar puntos de dolor principales

"Customer conversations and observations are your primary tool to learn, identify patterns, and capture the richness of human experience. But quantitative data validates and prioritizes." - Adaptive Path

6. Ejercicio Práctico

Situación: Tu equipo está rediseñando el flujo de onboarding de una app de finanzas personales. Los datos de analytics muestran que 65% de usuarios abandona antes de completar el registro.

Parte 1: Planifica tu Mixed Methods

  1. ¿Qué datos cuantitativos necesitas revisar primero? (pista: funnels, heatmaps)
  2. ¿Qué hipótesis generarías a partir de esos datos?
  3. ¿Cómo diseñarías las entrevistas para profundizar?
  4. ¿Qué encuesta de seguimiento propondrías?

Parte 2: Diseña 5 preguntas de encuesta

Redacta 5 preguntas para una encuesta post-abandono. Incluye al menos:

  • 2 preguntas cerradas (escala o selección múltiple)
  • 1 pregunta abierta
  • Evita los sesgos discutidos en la sección 3

Parte 3: Propón un A/B test

Basándote en una hipótesis sobre el abandono, diseña un A/B test. Define:

  • Variable a testear (qué cambias)
  • Métrica de éxito (qué mides)
  • Cómo interpretarías los resultados

7. Referencias y Recursos

Lecturas recomendadas

Herramientas mencionadas

Recursos en español

También puedes explorar la Calculadora de Muestra que hemos desarrollado para ayudarte a determinar tamaños de muestra para encuestas y A/B testing en el contexto latinoamericano.

¡Nos vemos en el siguiente módulo! :)