Tú abres una app de comida rápida y ves: "9 de cada 10 usuarios recomiendan este burrito". ¿Crees que ese dato surgió del vacío? No. Hay detrás una categorización precisa, decisiones sobre qué contar y cómo. El tema es simple: si no entiendes cómo se genera ese número, puedes ser manipulado por él. Y es exactamente ahí donde comienza la diferencia entre alguien que consume información y alguien que la diseña.
¿Qué son los datos y por qué no todos valen lo mismo?
Un dato no es solo un número. Puede ser un color, una emoción, una fecha, un sonido. Lo que importa no es su forma, sino cómo lo tratamos. La clasificación en cuatro tipos no es caprichosa: surge de décadas de trabajo en estadística, ciencia de datos y metodología de investigación. Y aunque muchos piensan que "dato es dato", la realidad es más matizada. No puedes promediar el color de ojos de una población, pero sí contar cuántos tienen ojos verdes. Esa diferencia aparentemente obvia es, en esencia, el corazón del asunto.
La distinción básica: cualitativos vs. cuantitativos
Los datos cualitativos describen cualidades. No se miden con números, sino con categorías. Ejemplo: el tipo de música que escuchas (rock, pop, clásica), tu nivel de satisfacción (muy insatisfecho, neutro, muy satisfecho), el sabor de un café (amargo, ácido, dulce). Aquí no hay magnitud, solo clasificación. Son comunes en encuestas, entrevistas, estudios de mercado. La gente no piensa suficiente en esto, pero estos datos requieren análisis distintos: no puedes calcular una media, pero sí una moda (el valor más repetido).
Los datos cuantitativos, en cambio, son numéricos. Puedes sumarlos, restarlos, promediarlos. Ejemplos: tu salario mensual, la temperatura en Lima, el número de hijos. Aquí entra lo concreto, lo que se puede graficar en un histograma o analizar con regresiones. Pero ojo: no todos los cuantitativos son iguales. Y es aquí donde la clasificación se divide aún más.
Entre lo discreto y lo continuo: la frontera que muchos ignoran
Imagina que cuentas cuántas tazas de café tomas al día. El resultado siempre será un número entero: 1, 2, 5… nunca 3.47. Esto es un dato discreto. Es contable, con saltos definidos. No hay valores intermedios. El número de clics en un anuncio, los goles en un partido, los errores de tipeo en un texto: todos discretos. Y aunque parezca menor, esta limitación es potente. Porque si intentas forzar un modelo continuo sobre datos discretos, te equivocarás. Y no de forma leve: tu predicción puede desviarse un 30%, como ocurrió en un estudio de tráfico web en 2021 que subestimó el crecimiento de engagement en TikTok por usar modelos inadecuados.
¿Por qué los datos discretos limitan lo que puedes predecir?
Los modelos estadísticos asumen continuidad. Pero la realidad no siempre coopera. Por ejemplo, una empresa de logística quiere predecir cuántos paquetes llegan dañados por semana. La respuesta no puede ser 4.3. O son 4, o son 5. Entonces, usar una distribución normal (asociada a datos continuos) aquí es un error conceptual. Mejor usar una de Poisson, diseñada para eventos raros y discretos. Eso lo cambia todo. De ahí que los analistas experimentados elijan herramientas según el tipo de dato, no por comodidad o por lo que enseñaron en la universidad.
Datos continuos: cuando lo infinito se mide con precisión finita
Un dato continuo puede tomar cualquier valor dentro de un rango. No hay saltos. El tiempo que tardas en responder un correo, la altura de una persona, la cantidad de azúcar en sangre: todos son continuos. Podrías decir que alguien mide 1.75 m, 1.753 m, o 1.75321 m si tu instrumento lo permite. Aquí entra el tema de la precisión del instrumento, que es un límite práctico, no teórico. Y es curioso: muchos piensan que medir más cifras significativas mejora automáticamente el dato. Pero no siempre. A veces introduces ruido. Como en un estudio en Madrid donde midieron el pH de ríos con sensores de 4 decimales, pero el margen de error del equipo era de 0.2. Basta decir: estaban lejos de eso.
La ilusión de la precisión en datos continuos
Estoy convencido de que la sociedad moderna adora los decimales. Ver un número como 37.654°C suena más científico que "alrededor de 38°C". Pero esa precisión puede ser falsa. Lo que explica esto es un fenómeno llamado "precisión ilusoria". Un termómetro digital puede mostrar 23.81°C, pero si el margen de error es ±0.5°C, los dos últimos dígitos no significan nada. Y aun así, se usan en informes oficiales. ¿Por qué? Porque dar un número largo parece más riguroso. Es un poco como usar corbata en una reunión técnica: no mejora el contenido, pero da sensación de seriedad.
¿Y los datos ordinales? La confusión más común en análisis
¿El nivel de educación (primaria, secundaria, universitaria) es cualitativo o cuantitativo? Parece cualitativo, pero tiene un orden. Eso lo complica todo. Estos se llaman datos ordinales y son un subtipo de cualitativo con jerarquía. No puedes decir que "universitaria" es el doble que "secundaria", pero sí que es mayor. Aquí es donde muchos cometen errores graves. Por ejemplo, promediar respuestas de encuestas tipo Likert (del 1 al 5). Hacer eso asume que la distancia entre 1 y 2 es igual que entre 4 y 5, lo cual no está demostrado. Los expertos no se ponen de acuerdo, pero hay consenso: esos promedios son, como mínimo, arriesgados.
Cuando mezclas tipos de datos: el error silencioso
Una encuesta en Chile sobre satisfacción laboral usó un índice promediando puestos jerárquicos (1=ayudante, 2=supervisor, 3=gerente) como si fueran datos continuos. El resultado fue un "índice de jerarquía promedio" de 1.8. ¿Qué significa eso? Nada. No puedes tener 0.8 de gerente. El problema persiste en miles de informes corporativos. Y es que automatizar el análisis sin entender los tipos de datos es como conducir a 120 km/h con los ojos cerrados: todo parece bien hasta que chocas.
Cuantitativo discreto vs. continuo: ¿cuál usar y cuándo?
Si estás midiendo el número de fallas en una máquina por turno, es discreto. Si es el tiempo entre fallas, es continuo. Son dos caras de la misma moneda, pero exigen enfoques distintos. Para el primero, distribuciones binomiales o de Poisson. Para el segundo, exponenciales o normales. Y porque no todos los software lo hacen bien, debes verificar. Una herramienta como Excel no te pregunta "¿es continuo o discreto?". Simplemente grafica. Y si tú no sabes, el software no lo sabrá por ti.
Preguntas Frecuentes
¿Puedo convertir datos cualitativos en cuantitativos?
Sí, pero con cuidado. Asignar números a categorías (1=rojo, 2=azul) no los hace cuantitativos. Puedes contar frecuencias, pero no calcular medias. Sin embargo, técnicas como el análisis factorial o escalas de Likert permiten tratar algunos cualitativos como numéricos, con limitaciones. Honestamente, no está claro hasta qué punto esta conversión es válida, sobre todo en contextos culturales donde las categorías no son universales.
¿Un dato puede ser de más de un tipo?
Depende del uso. La edad es continua, pero si la agrupas en rangos (18-25, 26-35), se vuelve categórica. El mismo dato, dos tipos. Eso explica por qué el contexto es clave. No existen tipos puros, solo tipos en uso. Y porque el análisis depende del propósito, una misma variable puede transformarse según la necesidad.
¿Por qué los gráficos a veces engañan sobre el tipo de dato?
Porque muchos programas usan gráficos de línea para datos discretos. Mostrar el número de muertes diarias con una línea suave sugiere continuidad, como si hubiera "transiciones" entre días. Eso distorsiona la percepción. Un histograma o gráfico de barras sería más honesto. Seamos claros al respecto: la visualización también toma partido.
La conclusión
Los cuatro tipos de datos no son una lista académica más. Son una lente. A través de ella, distingues entre lo que puedes sumar y lo que solo puedes contar, entre lo que puedes promediar y lo que debes categorizar. Encuentro esto sobrevalorado: que bastan las herramientas modernas para analizar bien los datos. Sin las bases, incluso Python o R te llevarán al desastre. No se trata de tecnología, sino de comprensión. Y aunque los datos aún escasean sobre errores metodológicos en medios, lo que sí sabemos es que los errores de tipo son comunes, costosos y casi invisibles. La próxima vez que veas un gráfico en las noticias, pregúntate: ¿qué tipo de dato es este? Porque si no lo sabes, no estás informado. Estás siendo informado. Y eso, eso lo cambia todo.