Análisis de impulsores clave (key driver analysis)

El análisis de impulsores clave (key driver analysis, KDA) identifica qué atributos de un producto, un servicio o un lugar de trabajo están más ligados a un resultado general, como la satisfacción, la probabilidad de recomendar o el compromiso de los empleados. Te muestra dónde una mejora tiene más posibilidades de mover el indicador principal, para que ordenes qué arreglar primero.

Los datos salen de una sola encuesta: una pregunta de resultado (por ejemplo, la pregunta de 0 a 10 del NPS) y la evaluación de varios atributos por parte de las mismas personas, como soporte, precio, facilidad de uso o rapidez de entrega. En recursos humanos se usa el mismo método para encontrar los factores de compromiso.

Importancia declarada e importancia derivada

Puedes preguntar directo «¿Qué tan importante es el precio para ti?». Esa es la importancia declarada, y suele marcar casi todo como importante. El análisis de impulsores usa la importancia derivada: mide qué tanto se mueve cada atributo junto con el resultado entre los encuestados. Las dos suelen no coincidir. La importancia derivada se basa en cómo te evalúa la gente en la práctica, no en lo que dice que le importa, y por eso el KDA la usa para fijar prioridades.

Métodos, de simples a avanzados

Correlación

Calcula la correlación entre cada atributo y el resultado. Usa la r de Pearson para puntajes que tratas como de intervalo y la rho de Spearman para rangos o escalas ordinales cortas. Es rápida y fácil de explicar, pero cuando dos atributos se superponen (rapidez y calidad del soporte), ambos se llevan todo el crédito. Revisa análisis de correlación.

Regresión múltiple

Haz una regresión del resultado sobre todos los atributos a la vez y compara los coeficientes estandarizados (betas). La regresión considera la superposición, pero si los atributos están muy correlacionados entre sí (multicolinealidad), las betas se vuelven inestables y hasta pueden salir negativas para un atributo que claramente ayuda. Revisa análisis de regresión.

Métodos de importancia relativa

Los pesos relativos de Johnson (Johnson, 2000) y la regresión con valores de Shapley (Lipovetsky y Conklin, 2001) reparten la varianza explicada del modelo (R²) entre los atributos. Cada peso es positivo y la suma da el R², así que se leen con más facilidad y son más estables cuando los impulsores están correlacionados. Para calcularlos necesitas un programa estadístico o un script breve.

Ejemplo

Una empresa de software encuesta a 400 clientes (números ilustrativos, no son datos reales). Cada persona responde la pregunta de recomendación de 0 a 10 y evalúa cinco atributos del 1 al 5.

Grafica la importancia (r) contra el desempeño (evaluación media) y divide el gráfico en los promedios de ambos ejes, aquí r ≈ 0,39 y evaluación ≈ 3,5. Los cuatro cuadrantes se leen así:

• Importancia alta, desempeño bajo: arreglar primero. Aquí, velocidad y estabilidad.
• Importancia alta, desempeño alto: fortalezas que cuidar. Soporte y facilidad de uso.
• Importancia baja, desempeño bajo: temas secundarios. Relación precio-calidad e integraciones.
• Importancia baja, desempeño alto: posible sobreinversión.

Este gráfico también se conoce como matriz de importancia y desempeño, y combina bien con el análisis de brechas.

Cuántas respuestas necesitas

Green (1991) propuso una regla práctica muy citada para la regresión: al menos 50 + 8k encuestados para probar el modelo completo y 104 + k para probar cada predictor, donde k es el número de atributos. Con 5 atributos son 90 y 109. Si quieres impulsores por segmento, cada segmento necesita esa cantidad por sí solo.

Errores frecuentes

• Leer los impulsores como causas. El KDA muestra asociación. Los clientes a quienes les gusta tu soporte quizá simplemente valoran todo lo tuyo (efecto halo). Confirma las decisiones grandes con un experimento o con más investigación.
• Atributos superpuestos. «Soporte rápido» y «soporte útil» miden casi lo mismo y se reparten el crédito. Revisa la superposición con un análisis factorial o agrupa los ítems parecidos.
• Ignorar el desempeño. Un atributo muy importante con evaluación perfecta no necesita acción. Lee siempre la importancia junto con la evaluación media.
• Pocas respuestas o demasiados atributos para la muestra, lo que hace que el orden cambie de una medición a otra.
• Tratar r = 0,47 y r = 0,49 como distintos. Las diferencias pequeñas entre impulsores suelen estar dentro del ruido. Agrupa los impulsores en niveles en lugar de un orden exacto.

Cómo hacer un análisis de impulsores con datos de encuesta

1. Pregunta el resultado y la evaluación de los atributos en la misma encuesta, con la misma escala para todos los atributos. Una pregunta de matriz los mantiene compactos; revisa pregunta de matriz.
2. Haz que la lista de atributos cubra toda la experiencia y que cada ítem hable de una sola cosa.
3. Exporta las respuestas. SurveyNinja exporta a CSV, XLSX y SPSS en todos los planes, incluido el gratuito.
4. Para una lectura rápida, pega el resultado y un atributo en la calculadora de correlación de Pearson y obtienes r, r² y el valor p, o usa la calculadora de correlación de Spearman para rangos. Para regresión o pesos relativos, usa un programa estadístico.
5. Arma el gráfico de importancia y desempeño y define responsables para el cuadrante «arreglar primero».