manual tse para la recolección de datos

Técnicas en Soluciones
Empresariales
Georgetown University – CIED
manual tse para la recolección de datos
Propósito
El propósito de este manual es ofrecerte un proceso para recolectar datos y
explicar la lógica de este proceso de una forma que puedas diseñar tu propia
recolección de datos.
Proceso
En este manual, presentaremos el proceso que hemos diseñado para recolectar
datos. Aunque es especial a TSE, la estructura no varia de lo que
tradicionalmente se entiende como la recolección de datos y el método científico.
El proceso que seguiremos para recolectar datos es el siguiente. Te ayudará si
lo memorizas.
1)
2)
3)
4)
5)
6)
Formular una hipótesis
Crear la definición operativa
Definir las variables
Diseñar los instrumentos y procesos
Ejecutar el plan de recolección de datos
Analizar los datos recolectados para rechazar o confirmar la hipótesis
Tabla de contenido
1
A.
¿Por qué recolección de datos?
Toma de decisiones: experiencia vs. ciencia
Recolectar datos te ayudará probar las suposiciones
Recolectar datos te ayudará a fijar metas de mejora
B.
¿Qué es la recolección de datos?
¿Qué es la recolección de datos?
¿Qué son datos?
¿Qué son variables?
Datos históricos vs. datos nuevos
¿Cuáles son los tipos de variables?
Categórico, discreto y continuo
Independiente vs. dependientes
Variables de aproximación
C.
1)
2)
3)
4)
5)
6)
3
3
4
5
7
7
7
7
8
8
9
11
14
¿Cómo recolectar los datos?
15
Formular una hipótesis
Crear la definición operativa
Definir las variables
Diseñar los instrumentos y procesos
Ejecutar el plan de recolección de datos
Analizar los datos
16
17
22
25
27
29
Glosario de Términos
30
Bibliografía
31
2
A. ¿Por qué recolección de datos?
Toma de decisiones: experiencia vs. ciencia
Hay dos maneras básicas de como tomamos decisiones: basada en experiencia
y basada en lógica. Ambas maneras son válidas y útiles para tomar decisiones.
Muchos de nosotros estamos más acostumbrados a tomar decisiones usando
nuestra experiencia. Un ejemplo de usar la experiencia para tomar decisiones
es: “la última vez que toqué la llama, me quemé el dedo”. El dato (“Me quemé el
dedo”) es predecible de lo que pasaría si escogemos repetir la acción (tocar la
llama).
Esta es una buena manera de tomar decisiones cuando (a) nunca tenemos que
aprender nuevas conductas o destrezas y (b) las condiciones del ambiente en
las cuales operamos se quedan iguales. No obstante, si necesitamos aprender
nuevas destrezas o si el entorno está cambiando, necesitamos aprender a tomar
decisiones basadas en la lógica.
Seamos más específicos: cuando tomamos decisiones basadas en la lógica,
pensamos así:
0 Cuando Marta tocó la llama, se quemó el dedo.
A. Si toco la llama, me quemaré el dedo.
B. Entonces, deduzco que no tocaré la llama.
Note que para que sepamos que no debemos tocar la llama, solo tenemos que
observar a Marta - no tenemos que pasar por la experiencia de quemarnos. El
dato (mirando a Marta quemarse) nos ayuda a mejorar nuestro proceso de tomar
decisiones. No tuvimos que primero tocar la llama – y luego aprender de la
manera más difícil. Podemos predecir que pasaría basados en el dato que
recolectamos.
Este es el objetivo para conducir una recolección científica de datos: conseguir
datos que nos permitan entender por qué las cosas suceden de la forma en que
suceden y predecir cómo las cosas ocurrirán en el futuro. El entender cómo las
cosas pasan y cómo predecir qué pasará son dos principios esenciales en la
administración:
el Principio de la causalidad – poder explicar con datos por qué sucede algo

el Principio de predicción– poder predecir qué sucedería si se hiciera cierta
acción

3
Recolectar datos te ayudará a probar las suposiciones
Dado que la tarea de tu equipo será resolver un problema, la habilidad de
entender qué está causando el problema y qué sucederá cuando se implemente
la solución propuesta al problema es clave. La recolección de datos es la base
desde donde tú y tu equipo podrán contestar estas dos preguntas.
Resolver el problema que has escogido requerirá aprender de nuevas
habilidades. Por lo tanto, tú y tu equipo necesitarán desarrollar o reforzar sus
habilidades de tomar decisiones basados en datos: las decisiones acerca de lo
que las causas del problema son y qué pasará cuando apliques ciertas
soluciones. Este tipo de toma de decisiones es basado en pruebas y en aprobar
o rechazar tus suposiciones respecto a dos preguntas:
-
¿qué está causando el problema?
¿qué pasará cuando apliquemos nuestra solución?
Para contestar cada una de estas preguntas, formularás una suposición y la
probarás. El objetivo de probarla deberá confirmar o rechazar tu suposición. El
método científico le da el nombre de “hipótesis” a una suposición de porqué algo
ocurre o si en el futuro, cómo ocurriría esta hipótesis. Una hipótesis es una
adivinanza basada en información.
Definición de la hipótesis
Hipótesis – una suposición que se hace sobre por qué sucede algo o qué
pasaría si sucediera algo; una adivinanza basada en información – adivinas
según lo que sabes
El usar el método científico ayuda a llegar a estar más consciente de la manera
de como pensamos. En la vida, siempre estamos haciendo varias hipótesis y
luego las estamos probando. Si estás saliendo con alguien y parece como que
realmente le gustas, puedes hacer la hipótesis de que si tratas de besarlo/a
é/ella no te abofeteará. Entonces podrías probar esta hipótesis tratando de
besarlo/a. Los datos que recibes te habilitarán a rechazar o confirmar tu
hipótesis. Si él/ella te abofetea, tu hipótesis es rechazada. Si é/ella no te
abofetea, entonces tu hipótesis es confirmada.
Presentamos otro ejemplo de cómo usas y pruebas hipótesis todos los días de
tu vida. Te levantas en la mañana. Para decidir si te llevas el paraguas o no,
tienes que formar una hipótesis: o está lloviendo o no lo está. Basado en los
datos de que el cielo está oscuro, escoges formar la hipótesis de que sí está
4
lloviendo. Para probar tu hipótesis, sales afuera. Al salir de la casa, te das
cuenta de que no está lloviendo. Así que se rechaza tu hipótesis.
Para investigar donde te equivocaste, buscas tu despertador. Te das cuenta de
que solo son las 4 de la mañana. ¿Qué sucedió? Asumiste que ya eran las
ocho de la mañana por que siempre te levantas a las ocho de la mañana.
Ahora, ¿ven el peligro de tomar las decisiones basadas exclusivamente en la
experiencia? Un beneficio importante de recolectar datos y usar el método
científico es el de desenmascarar algunas de las suposiciones en que se basa tu
hipótesis. No es malo basar una hipótesis en algunas suposiciones. Por
ejemplo, puedes suponer que el sol aparecerá todos los días. Lo que sí es
peligroso es no estar consciente de lo que estás suponiendo.
Aplicación: Escribe un ejemplo de tu vida, en donde creaste una hipótesis y la
probaste recolectando datos.
Hay tres puntos en TSE en donde harás hipótesis importantes. Estas hipótesis
tomarán la forma de estas tres preguntas:
Punto 1: ¿Cuál es la magnitud y la frecuencia del problema? (Harás una
suposición que debe ser probada verificando los datos acerca del problema.)
Punto 2: ¿Cuáles son las causas raíces del problema? Harás ciertas
suposiciones y luego las probarás: (Hacer hipótesis y pruebas reuniendo los
datos acerca de las causas raíces).
Punto 3: ¿Qué solución/es erradicarán estas causas raíces, resolviendo o
reduciendo así el impacto negativo del problema? (Hipótesis: pensamos que la
solución x funcionará. Necesitas probar la hipótesis/suposición para ver si tu
hipótesis es correcta al probar la solución y los datos reunidos).
Métete este proceso en la cabeza. ¿Cuándo dices que algo es de cierta
manera, pregúntate "¿sé que esto ser verdad?" o "¿es ésta una suposición?"
Recolectar datos te ayudará a fijar metas realistas
Entonces, la recolección de datos puede ser una manera útil de probar nuestras
suposiciones. Otra manera en la cuál la colección de datos puede ser útil es al
proporcionar una línea como base para medir el mejoramiento. Por ejemplo, si
quiero mejorar la rapidez del servicio en mi restaurante, tengo que saber cuánto
5
tiempo tiene que esperar el cliente ahora. Si el cliente normalmente tiene que
esperar 25 minutos para su comida, tal vez reducir este tiempo a 30 segundos
no sea realista. Digamos que después de mi proyecto “solo” he reducido el
tiempo a 20 minutos. Esta es una mejora de 20%; también podría decir que
reduje el tiempo promedio que el cliente tiene que esperar en un 20% -- algo
significativo a cualquier persona que haya trabajado en un restaurante. Si no
hubiera establecido que el tiempo original era 25 minutos, no se vería el
mejoramiento. Recolectar datos al comienzo sirve para establecer esta base de
información preliminar. Los proyectos de mejoramiento solo se pueden medir
según el estado actual al comienzo del proyecto. El beneficio de conseguir
datos al comienzo será poder demostrar en una forma cuantitativa e impactante
el valor que tú y tu equipo habrán proveído a la empresa en noviembre.
El costo vs. el beneficio de recolectar datos
Hemos visto tres buenas razones para recolectar los datos. Pero, cuando
tomamos la decisión de recolectar o no los datos, deberíamos mirar el costo así
como también el beneficio. Solo porque puede haber un beneficio no significa
necesariamente que ese beneficio pese más que los costos. Recolectar datos
toma tiempo y dinero. ¿Cuándo te preguntas "¿vale la pena recolectar los
datos?", la respuesta se basará en las respuestas a estas preguntas:
1)
2)
3)
4)
¿es la recolección de datos factible?
¿tendremos suficiente tiempo para hacer una recolección adecuada?
¿serán confiables los datos que conseguimos?
¿tenemos una opción razonable de éxito para lograr el propósito por el cual
recolectamos los datos en primer lugar?
Si las respuestas a estas preguntas son sí, entonces puedes proseguir y hacer
una recolección de datos.1 Además, hay maneras más efectivas y menos
efectivas de reunir los datos. Por ejemplo, es posible que en Washington,
Elizabeth puede hacer una recolección de datos que rinde la misma calidad de
resultados como la que hace Alex, pero Elizabeth sólo tuvo que gastar $100
para reunir sus datos y Alex tuvo que gastar $500 para juntar los suyos. Si la
calidad y la aplicabilidad de ambos grupos de datos es el mismo, entonces
obviamente la recolección de datos hecha por Elizabeth fue más rentable. La
preparación de un plan sólido puede mejorar la eficiencia de tu recolección de
datos. Ve sección C para más información acerca de cómo escribir un plan de
recolección de datos.
1
Cuando decimos “proseguir y hacer una recolección de datos”, estamos suponiendo que hay
un deseo genuino para resolver un problema o mejorar el estatus quo.
6
B. ¿Qué es la recolección de datos?
La recolección de datos es la recolección planificada de información según
las variables definidas y los requisitos del método científico para probar o
rechazar cierta hipótesis. Según esta definición, para que sea una recolección
de datos, se necesitan:
1) un plan
2) que se realice según los requisitos del método científico
3) que se recolecte la información acerca de las variables que se definen en el
plan
4) que haya una hipótesis que guíe el esfuerzo
¿Qué son datos? Datos son información acerca de una variable. Nota que los
datos no son solo información. Para que algo sea llamado "un dato" tiene que
ser información acerca de una variable. Por ejemplo, el número “3” no es un
dato, pero “3 gatos” son datos, si la variable es el promedio de gatos por cada
casa en la Florida.
¿Qué es una variable?
Definición de una variable
Una variable es un factor, el fenómeno o característica que tiene más de un
valor o categoría, ya sea cuantitativa o cualitativa.
Por ejemplo, el # de gatos por cada casa en la Florida es una variable. El valor
verdadero que nos dice el número de gatos es el dato. Otro ejemplo de una
variable es "el tiempo en que el sol sale todos los días." Si ésta es la variable, un
dato podría ser "6:00 AM". Cuándo la información "6:00 AM" no está
acompañada de la variable ("el tiempo en que el sol sale todos los días"), "6:00
AM" es sólo información-- no es un dato. Recuerda, los datos son información
acerca de una variable.
Nota: si alguna característica que piensas que es una variable sólo tiene un valor
entonces se llama una constante. Una constante es diferente de una variable.
Por ejemplo, digamos que estamos reuniendo datos acerca de cierto grupo de
gente. Queremos que una variable sea el género de la gente. Sin embargo,
nosotros sabemos que toda la gente son hombres. Lo qué sería una variable
"(género)" llega a ser una constante-- el valor del género es siempre hombres,
nunca mujeres.
7
Datos históricos vs. datos nuevos
No siempre necesitas recolectar datos para tener datos. A veces los datos están
ahí ya. Datos que ya están presentes son conocidos como datos históricos. A
veces, en el pasado la gente ha realizado recolecciones de datos. Esa es la
razón que hay datos históricos. Otras veces, los procesos normales y los
sistemas del negocio recolectan ciertos datos. Estos datos pueden ser
históricos también. Ya que los datos son información acerca de una variable,
para que la información histórica sea considerada datos históricos, debes saber
la variable conque los datos se relacionan. Recuerda, a pesar del tiempo
tomado en que los datos se recogieron, esto es sólo un dato cuando se
relaciona a cierta variable o un conjunto de variables.
¿Cuáles son los diferentes tipos de variables y por qué nos importan?
Hay variables categóricas, discretas y continuas. Quizás esos nombres suenen
raros, lo que quieren decir es muy sencillo.
Variables categóricas
Las variables categóricas son las variables cuyo valor es una categoría.
Los datos para variables categóricas son siempre de una cierta categoría, como
masculino o femenino. Estas variables separan los datos según categorías
específicas que son categorías excluyentes. ¿Qué quiere decir “excluyente?”
Bueno, en el ejemplo de arriba, si el valor del dato es “hombre” y no “mujer”,
obviamente no puede ser “mujer” también. Todos los seres humanos son
hombres o mujeres. Estas son categorías excluyentes: si eres hombre, no
puedes ser mujer – no puedes pertenecer a la categoría de mujeres. Otros
ejemplos de variables categóricas son: nacionalidad, restaurante preferido y
partido político. Es posible asignarles números a estas variables, pero el valor
de cada número no tiene significado en sí. Por ejemplo, podemos decir en una
encuesta que vamos a distinguir todos los hombres con un cero y todas las
mujeres con un uno. Las diferencias entre cero y uno no nos dicen nada sobre
las diferencias entre hombres y mujeres. Solo escogemos asignarles números
para facilitar la computación de los datos.
Aplicación - Piensa en un ejemplo de una variable categórica y escríbela abajo:
8
Variables discretas y continuas
Variables discretas separan los datos en categorías excluyentes, pero también
tienen una escala con varios valores distintos que significan algo diferente.
Ejemplos de variables discretas incluyen: edad, número de llamadas telefónicas
recibidas cada día, o número de empleados en la empresa. Cuando decimos
que la escala significa algo, queremos decir que todo el mundo entiende lo que
37 años de edad quiere decir o 600 empleados en toda la empresa. El hecho de
que son excluyentes quiere decir que puede que haya 600 empleados en la
empresa o puede que haya 601 empleados en la oficina, pero no es posible que
haya 600 y 601 empleados en total en la empresa a la misma vez. Anoten que
alguien no puede tener 37.5 años—o tienes 37 o tienes 38 años.2 Las medidas
son discretas: o 37, o 38, pero nada entre 37 y 38. Por eso, se llaman variables
“discretas” – porque sus medidas son discretas, no continuas. Tiene que “saltar”
al próximo valor, de 37 a 38, sin pasar por 37.1, 37.2, 37.3 etc.
Para que una variable sea discreta, tienes que poder contarla. Por ejemplo, el
número de botellas de cervezas no abiertas que hay en un six pack (“media
docena”) será entre zero y seis. Es imposible que sea 1.5 botellas no abiertas.
Entonces, la variable “el número de botellas de cerveza no abiertas en un six
pack” es discreta.
Aplicación - Escribe en este espacio un ejemplo de una variable discreta:
Variables continuas
Variables continuas son como las variables discretas con una diferencia
importante: las medidas son continuas—no discretas. Cuando las medidas son
continuas y no discretas nunca tienes que “saltar” al próximo valor. Si sube de
3.0 a 3.2 está bien. Puedes recordar 3.2. Si la variable fuera discreta, o sería 3
o sería 4. Si la edad fuera una variable continua, podrías tener 30.11156 años,
30.11157 años, 30.11158 años, etc. Jamás habría el punto donde tendrías que
“saltar” a la próxima medida del valor de la variable. Variables continuas son
excluyentes y su escala tiene valor. Ejemplos de variables continuas incluyen:
2
Claro que cientificamente podemos medir si alguien tiene 37.5 años de edad. Inclusive,
podríamos medir hasta el segundo por cuánto tiempo has estado vivo. Sin embargo, por
conveniencia, todo el mundo entiende que o tienes 37 o tiene 38 años. El hecho de que hay
que “saltar” de 37 a 38 hace que sea una variable discreta—porque no hay valores entre 37 y
38.
9
-
promedio de ingresos por familia en un país dado
crecimiento de la natalidad expresado en %
Aplicación – Escribe un ejemplo de una variable discreta y un ejemplo de una
variable continua abajo:
Nos importa si nuestras variables son categóricas, discretas o continuas por que
la forma en que diseñamos nuestros instrumentos de recolección dependerá del
tipo de variables sobre las que estamos recolectando datos.
Si te es útil, llena la tabla a continuación para practicar la identificación de estos
tipos de variables:
Categórica
Discreta3
Continua
Tiempo que tarda para venir a la clase:
Velocidad de la pelota de tenis
Color de tus ojos
Población de una ciudad
Posición en la tabla de su equipo de deporte
favorito
Estado Civil
Número de libros leídos el año pasado
Tipo de libros leídos (novela, poemas, etc.)
Crecimiento de natalidad expresado en %
Minutos usados para terminar las tareas de
TSE
3
Variables discretas también se llaman variables ordinales, por si acaso alguién las conoce
con este término.
10
Cómo se usan las variables en la práctica: las variables dependientes e
independientes
Vimos que la razón por la cual nos importa el tipo de variable (categórica,
discreta o continua) es que el tipo de variable influye en el tipo de instrumento
que se generará para recolectar los datos. Recuerden, jamás queremos
recolectar datos sólo por recolectar datos. Solo recolectaremos datos para
contestar una pregunta. La pregunta podría ser “¿por qué pasa esto?” o “qué
sucedería si pasara esto?” Uno de los roles fundamentales de un gerente es
contestar estas preguntas. Para poder usar la recolección de datos como una
herramienta que nos ayude a contestar estos tipos de preguntas, hay que saber
usar las variables en la práctica.
Se usan las variables en la práctica para contestar las preguntas “¿por qué pasa
esto?”, y “¿qué sucedería si pasara esto?” Para contestar estas preguntas,
tienes que distinguir entre una variable dependiente y una variable
independiente. Una variable dependiente es lo que piensas que es el resultado
de la variable independiente. Asimismo, la variable independiente podría ser la
causa de la variable dependiente.
El propósito de la recolección de datos es establecer si la variable independiente
está causando la variable dependiente o no. Recordemos que la recolección de
datos puede contestar la pregunta “¿por qué suceden estas cosas?” Por
ejemplo, imaginémonos que queremos saber por qué nuestras ventas de carros
han bajado en un 30% durante los tres últimos meses. Queremos explicar por
qué ocurre la reducción en ventas. Entonces, la reducción en ventas sería la
variable dependiente. Para saber por qué pasa, tenemos que crear una
hipótesis. Digamos que en nuestro país, hay una gran recesión económica.
Nuestra hipótesis podría ser que aparentemente, la recesión está causando la
reducción de venta de carros. En este caso, tendríamos que fijar una variable
que expresara la “recesión.” Una variable podría ser los ingresos individuales
por mes. Entonces, la variable “ingresos individuales por mes” se convertiría en
la variable independiente en nuestra recolección de datos. Luego, podríamos
recolectar los datos para ver si hay una correlación entre reducción de ingresos
individuales y reducción de venta de carros.
Puede haber más de una variable independiente pero solo puede haber una
variable dependiente. Podemos recolectar datos sobre otras variables
independientes, que son otras posibles causas de la reducción de ventas. Por
ejemplos, otra variable independiente podría ser las tasas de interés en
préstamos de carros muy altos. Entonces, recolectaríamos datos sobre esta
variable independiente (“tasas de interés en préstamos para autos”) para ver si
aparentemente, las tasas altas están causando la reducción en ventas de carros.
11
Sin embargo, solo puede haber una variable dependiente—en este caso, la
reducción de venta de carros.
Aplicación – Describe un problema crónico en tu empresa o en tu país y procura
articular las variables independientes
Cuándo pienses acerca de cómo definir las variables, puede ser útil recordar
algunas medidas comunes. Todas estas medidas son ejemplos de variables que
la gente ha definido y sobre las que luego ha recolectado datos para rechazar o
confirmar una hipótesis.
Ejemplos de Mediciones Típicas:
- Tiempo para completar un paso o proceso
- Tiempo de entrega (en minutos, horas o días)
- Dimensión (peso, altura, anchura)
- Características de la superficie (brillo, color, durabilidad)
- Propiedades físicas (concentración, viscosidad, dureza)
- Número de productos esperando ser procesados
- Número de errores o defectos
- Número de quejas o preguntas de los consumidores
- Tiempo de utilización del equipo
Algunos de estos tipos de cosas son más desafiantes de medir. Por ejemplo,





Eficiencia de la comunicación
Eficiencia del liderazgo
Flexibilidad de un programa de capacitación
Actitud hacia la organización
Satisfacción en el trabajo
¿Qué pasa si lo que quieres estudiar no se puede expresar en variables
cuantificables?
¿Cómo podríamos medir este tipo de cuestiones? Si nosotros no podemos
medir, no podemos mejorar.
12
Frecuentemente, es más sencillo medir un proceso producción que un proceso
de servicio, porque las variables estudiadas son cuantitativas y objetivas, en vez
de ser cualitativas y subjetivas. Un ejemplo de una variable cuantitativa es la
cantidad de azúcar añadida a una galleta en una fábrica de galletas. Un ejemplo
de una variable cualitativa o subjetiva es la cantidad de amabilidad con que un
empleado trató a un cliente. En un mundo que fuera matemático y perfecto,
todas las variables serían objetivas y cuantitativas. Sin embargo, no vivimos en
ese mundo perfecto y sencillo. Nuestro mundo es complejo y muchos de los
datos que reuniremos se basarán en variables cualitativas o subjetivas. Para
gente que trabaja en industrias de servicio, generalmente, muchos de los datos
recolectados tienden a basarse en variables cualitativas o subjetivas.
¿Dónde está en el punto de influencia?
El seleccionar variables y datos que sean medibles, relevantes y obtenibles es la
clave para conseguir información que rechazará o confirmará tu hipótesis. En
las empresas de servicio, puede que sea imposible conseguir una medida
objetiva de la satisfacción del cliente. Sin embargo, en estas empresas se
pueden identificar procesos que por lo general tienden a hacer al cliente feliz.
Una variable subjetiva es “qué tan amistosa es la sonrisa de los empleados que
trabajan en la Recepción”. No obstante, existen varias variables medibles y
cuantitativas que pudieras estudiar para mejorar el servicio al cliente en la
recepción. ¿Cuáles son algunos ejemplos? (Reflexiona en algunos antes de
seguir leyendo…)
Algunos ejemplos en los que pensamos son:
-
número de minutos (o segundos) que un cliente tiene que esperar cuando
entra al área de recepción antes de ser atendido por el empleado/a de la
recepción
-
tiempo promedio que toma al cliente de ser registrado o marchado (hacer el
check-in o el check-out)
porcentaje de tiempo en que la impresora que imprime el recibo de visita
funciona perfectamente
número promedio de clientes en el área de recepción (el cual puede
influenciar el número promedio de minutos que el cliente tiene que esperar
antes de ser atendido.
-
Probablemente podríamos generar muchas más variables para estudiar. El
punto es, aunque es totalmente imposible medir en un 100% cuán feliz y
satisfecho se siente el cliente, es 100% posible medir si el departamento está
cumpliendo con los estándares de servicio.
13
Estos tipos de variables que creamos para aproximar o estimar el valor de algo
que no podemos medir se llaman variables de aproximación. Si no encuentras
la variable que te de la información que buscas, piensa en crear una variable de
aproximación.
Definir el problema es muy diferente de identificar el problema. Por ejemplo, el
problema identificado podría ser "mejorar la satisfacción al cliente en el área de
recepción." El problema definido podría ser "reducir la cantidad promedio de
tiempo que un cliente tiene que esperar hasta que sea asistido en el área de
recepción de 9 minutos a 3 minutos." Usando la recolección de datos y el
análisis, el problema identificado nunca se podría resolver en una manera
medible y significativa. Sólo el problema definido se puede resolver en una
manera medible y significativa.
Aplicación – abajo encontrarás algunos ejemplos de procesos o resultado que
sería difícil de medir. Trata de generar ejemplos de variables de aproximación.
Lo que se quiere medir
El sentimiento que tiene el pueblo
sobre los políticos
Posibles variables de aproximación
% de la población que pudo votar que
votó en la realidad (te indica algo sobre
el nivel de cinismo)
Satisfacción de los empleados de un
departamento dado
Ser un buen bailador de merengue
Nivel de innovación que tiene una
empresa
Para cerrar esta sección sobre ¿Qué es la recolección de datos?, te dejamos
con dos preguntas:

¿Cuál será el propósito específico de tu recolección de datos?

¿Cómo decidirás si has alcanzado este propósito?
Esperamos que la próxima sección—cómo planificar y ejecutar una recolección
de datos—te ayude a contestar estas dos preguntas.
C. ¿Cómo recolectar datos?
14