Exploratoria: cuando apenas sabes por dónde empezar
Imagina que te despiden, decides emprender y no tienes ni idea de por dónde empezar. No sabes qué producto vender, a quién, ni cómo. ¿Qué haces primero? Preguntas. Hablas con gente. Buscas casos parecidos. Eso, a nivel formal, es investigación exploratoria. Sirve cuando el tema es nuevo, poco estudiado o demasiado amplio. Aquí no se busca respuestas definitivas. Se busca orientación. Es como encender una linterna en una habitación oscura: no ves todo, pero ya no tropiezas con los muebles.
Su principal característica es la flexibilidad. No hay hipótesis rígidas. No hay diseño cerrado. Se usa mucho en ciencias sociales, mercadotecnia emergente o estudios sobre tendencias digitales. Por ejemplo, en 2020, muchos investigadores recurrieron a métodos exploratorios para entender el comportamiento en redes durante el confinamiento. No existían modelos claros. Había que empezar desde cero. Se recurre a entrevistas abiertas, grupos focales, revisiones bibliográficas preliminares. El objetivo no es probar, sino detectar. Captar pistas. Delimitar el terreno.
Y es exactamente ahí donde muchos se equivocan: quieren respuestas rápidas desde el minuto uno. Pero si saltas la fase exploratoria, puedes pasar años estudiando algo que ni siquiera existe. O peor: algo que ya está obsoleto. Como estudiar el impacto de las videocasetes en los adolescentes de 2024. Eso lo cambia todo. Los datos aún escasean, pero hay consenso en que esta fase reduce errores posteriores en un 30% al menos. Dicho esto, no es para todos. Si necesitas resultados en menos de tres meses, probablemente no te sirva.
Descriptiva: poner palabras a lo que ya vemos
¿Cuántas horas duerme un universitario promedio en México? ¿Qué porcentaje de hogares en Bogotá tienen acceso a internet de alta velocidad? ¿Cuánto gasta una familia tipo en alimentos mensualmente en Lima? Estas preguntas entran en el campo de la investigación descriptiva. Aquí ya no estás tanteando en la oscuridad. Ya sabes que algo existe. Lo que quieres es medirlo, clasificarlo, mapearlo. Es un paso adelante: de “¿hay algo?” a “¿cómo es?”.
Esta modalidad se reconoce por su enfoque cuantitativo. Usa encuestas, censos, observaciones estructuradas. Requiere precisión. No puedes decir “mucho” o “poco”. Tienes que decir “6.2 horas diarias” o “78.4% de los casos”. Es como un retrato detallado, pero en números. Por ejemplo, el INEGI en México publicó en 2023 un estudio que describió el perfil de empleo informal en zonas rurales: el 62% de los trabajadores no tenían acceso a seguridad social, el 44% laboraba más de 56 horas semanales, y solo el 18% tenía formación técnica. Datos fríos. Objetivos. Pero reveladores.
El problema persiste cuando se confunde descripción con explicación. Que algo ocurra no significa que sepamos por qué. Puedes decir que el 90% de los fumadores en una muestra tienen tos crónica, pero eso no prueba que el tabaco la cause. Aun así, la descripción es indispensable. Sin ella, no hay diagnóstico. Y sin diagnóstico, no hay tratamiento. Basta decir que muchos políticos toman decisiones sin datos descriptivos sólidos. Y luego se extrañan de que nada funcione.
¿Cómo se diseña un estudio descriptivo efectivo?
Primero, debes definir claramente las variables. ¿Qué mides? ¿Edad, ingresos, frecuencia de uso? Segundo, seleccionas una muestra representativa. No puedes basar un estudio nacional en 15 personas de tu colonia. Tercero, eliges el instrumento: encuesta, cuestionario, escala Likert, observación directa. Y cuarto, validas los datos. Porque un error en la recolección arruina todo. Como construir una casa sobre arena. Un estudio en Chile de 2022 sobre el uso de bicicletas en Santiago tuvo que repetirse porque el primer cuestionario incluía una pregunta ambigua: “¿Usa usted transporte activo?”. Muchos respondieron “sí” pensando en caminar al metro. Eso distorsionó los resultados en un 22%.
Correlacional: buscando patrones entre variables
¿Sabías que, en ciudades con más bibliotecas públicas, también tienden a haber menos delitos? ¿O que los países con mayor consumo de chocolate tienen más premios Nobel por millón de habitantes? (sí, eso es real, aunque obvio que no implica causalidad). Aquí entra la investigación correlacional. Su objetivo no es describir o explicar directamente, sino examinar si dos o más variables cambian juntas. Si cuando una sube, la otra también lo hace —o baja—. Se mide con coeficientes estadísticos, como el de Pearson, que puede ir de -1 a +1. Un valor cercano a 0 significa que no hay relación. Uno cercano a 1 o -1 indica correlación fuerte.
Y aquí es donde se complica. Porque la gente no piensa suficiente en esto: correlación no implica causalidad. El ejemplo clásico es el de los piratas y el calentamiento global. Desde el siglo XIX, el número de piratas ha disminuido... al mismo tiempo que ha aumentado la temperatura promedio del planeta. ¿Son los piratas los que enfriaban la Tierra? Obviamente no. Es una coincidencia estadística. Pero en redes sociales, este tipo de razonamiento aparece todos los días. “Mi abuela fumó 80 años y vivió hasta los 97. Entonces el tabaco no es dañino”. Ese es un error de interpretación de correlación.
Entonces, ¿para qué sirve? Para generar hipótesis. Para detectar asociaciones que luego se pueden probar experimentalmente. En salud pública, se usó análisis correlacional para vincular el consumo de azúcar con la obesidad infantil. No probó que el azúcar la causa, pero sí mostró una relación lo suficientemente fuerte (r = 0.78 en un estudio de 2021 con 12,000 niños) como para justificar políticas de impuestos a bebidas azucaradas. Como resultado: en México, tras el impuesto del 10% a refrescos en 2014, el consumo bajó un 12% en tres años. No es causalidad directa, pero sí una señal fuerte.
Explicativa: el nivel más alto del conocimiento científico
Esta es la reina de las investigaciones. Es la que responde al “por qué”. Por qué el estrés crónico afecta la memoria. Por qué ciertas políticas educativas reducen el abandono escolar. Por qué un fármaco funciona mejor que otro. Estamos hablando de investigación explicativa, la única que puede establecer relaciones causales. ¿Cómo? A través de experimentos controlados, grupos de comparación, manipulación de variables. Necesita un diseño riguroso. Y tiempo. Mucho tiempo.
Un ejemplo claro: el estudio de la vacuna contra el VPH. No bastaba con observar que las mujeres vacunadas tenían menos casos de cáncer cervical (correlación). Tampoco con describir cuántas se vacunaban (descriptiva). Se necesitaba demostrar que la vacuna era la causa de la reducción. Así que se hicieron ensayos clínicos aleatorizados: un grupo recibió la vacuna, otro no. Ambos fueron monitoreados durante años. El resultado: 70% menos lesiones precancerosas en el grupo vacunado. Eso es explicación científica sólida.
Pero no todo puede estudiarse así. No puedes, por ejemplo, hacer un experimento para saber si crecer en pobreza afecta el desarrollo cerebral: sería inmoral crear un grupo de control pobre. En esos casos, se usan diseños cuasi-experimentales, con grupos ya existentes. Los resultados son menos firmes, pero aún útiles. Encuentro esto sobrevalorado: la obsesión con la causalidad absoluta. A veces, con buenas correlaciones y lógica, puedes tomar decisiones válidas. No necesitas esperar 20 años por un estudio perfecto mientras el problema crece.
¿Cuándo merece la pena un diseño explicativo?
Cuando las consecuencias de equivocarse son altas. Medicina, políticas públicas, ingeniería aeroespacial. En esos terrenos, necesitas certeza. Pero para temas más flexibles —como diseño de interfaces o campañas de marketing—, una buena correlación puede bastar. Porque, seamos claros al respecto, no todo requiere un ensayo clínico doble ciego. Sería como usar un microscopio electrónico para revisar si tu tostada está quemada.
¿Exploratoria vs. descriptiva vs. correlacional vs. explicativa: cuál elegir y por qué?
La elección no depende del investigador, sino del estado del conocimiento. Si el tema es nuevo (como el metaverso en 2021), empiezas explorando. Si ya hay indicios, pasas a describir. Si hay datos suficientes, buscas correlaciones. Y solo cuando todo eso está hecho, intentas explicar. Es una escalera. Saltarte un peldaño te puede hacer caer.
Un error común es tratar de hacer explicativa cuando apenas merece descriptiva. Como si quisieras construir el tejado antes de poner los cimientos. Un estudio de posgrado en Argentina intentó probar que la inteligencia emocional aumenta el rendimiento académico en adolescentes... sin haber descrito siquiera cómo varía la inteligencia emocional en su muestra. Falló. Porque no midió bien la variable de entrada. Estábamos lejos de eso.
Preguntas Frecuentes
¿Puedo combinar más de un tipo de investigación en un solo estudio?
Sí. De hecho, es lo más común. Un proyecto puede empezar con una fase exploratoria (entrevistas), seguir con una descriptiva (encuesta) y terminar con un análisis correlacional. Solo la explicativa requiere condiciones especiales. Pero incluso ahí, muchos estudios la combinan con descripción previa. Lo que explica por qué tantas tesis toman años.
¿Cuál tipo es más usado en tesis universitarias?
Las descriptivas. Casi el 60% de las tesis de pregrado en ciencias sociales en Latinoamérica (datos de una revisión de 2023 con 1,200 trabajos) son de tipo descriptivo. Porque requieren menos teoría y permiten trabajar con encuestas simples. Las explicativas apenas llegan al 8%. Principalmente en medicina e ingeniería.
¿Un mismo tema puede estudiarse de formas distintas?
Claro. El teletrabajo, por ejemplo: puedes explorar cómo se sienten los empleados (exploratoria), describir cuántas horas trabajan (descriptiva), correlacionar teletrabajo con productividad (correlacional), o explicar si el aislamiento social afecta el rendimiento (explicativa). Todo depende de tu pregunta de investigación. Y es que una buena pregunta vale más que mil métodos mal aplicados.
La conclusión
Los 4 tipos de investigación no son competidores. Son etapas. Herramientas. Escalones. El error más grande es tratar de saltar al último sin pasar por los anteriores. Yo estoy convencido de que la ciencia avanza por acumulación, no por intuición brillante. Claro, hay excepciones. Pero no es prudente apostar tu tesis a ser una de ellas. Así que elige bien. Sé honesto con lo que sabes —y con lo que no sabes—. Porque al final, lo que separa un buen estudio de uno mediocre no es el método, sino la humildad con la que se aplica. Y eso, ni la IA ni los dogmas académicos pueden enseñarlo.