La pregunta que abre casi toda reunión de BI: "¿qué dashboard quieres?". Equivocada. La pregunta correcta es: "¿qué decisión necesitas tomar?". El dashboard es medio — la decisión es fin. Pero la industria de BI pasó 20 años vendiendo el medio como si fuera el fin, y el resultado está en todas las paredes del C-level: televisores con gráficos coloridos que nadie más mira.
Este texto es sobre cómo Tableau (o Power BI, o Looker — la herramienta importa menos de lo que parece) puede convertirse en lenguaje de decisión ejecutiva, no en vitrina. Y cuando se vuelve self-service mal gobernado, produce el problema opuesto: cada área con su versión del mismo número.
El costo invisible del dashboard de vanidad
Un dashboard de vanidad tiene tres marcas registradas:
- Muestra demasiado. Quince KPIs en la misma pantalla, tres colores, cuatro filtros, dos períodos. Todo "importante", nada accionable.
- No recomienda nada. Apunta números — ventas, churn, NPS. No dice qué hacer.
- Vive desactualizado. Fue creado para una pregunta de 2024. En 2026 el negocio cambió, nadie lo actualizó, todos fingen que aún lo usan.
El costo es triple: tiempo de quien lo construyó (visible), atención de quien debería decidir (invisible) y — peor — falsa sensación de gobernanza. Un directorio que mira un dashboard se convence de que es data-driven. No lo es. Está actuando ser data-driven.
Tres preguntas que todo dashboard debería responder
La regla que usamos para revisar BI antes de cualquier proyecto. Si el dashboard no responde una de las tres, probablemente no justifica existir.
- ¿Qué está pasando ahora que necesito decidir esta semana? Foco en accionable. No "ventas YTD", sino "qué 3 cuentas necesitan intervención hoy".
- ¿Cuál es la tendencia que afecta el próximo trimestre? Foco en direccional. No "churn por mes", sino "esta cohorte está saliendo en el patrón X y exige respuesta" — y eso depende de definir churn antes de modelar churn, error más común de lo que parece.
- ¿Dónde está equivocada mi intuición? Foco en contraintuitivo. No "muéstrame mis números", sino "muéstrame dónde mi modelo mental falla".
Un dashboard que no responde nada de eso es decoración.
El mejor dashboard ejecutivo es el que mata al próximo dashboard. Cada vista necesita ganar su espacio — no ocuparlo por inercia.
Anatomía de una vista que activa decisión
Cuando construimos analítica ejecutiva, seguimos un patrón simple:
Titular numérico, no gráfico
Lo primero en la pantalla es el número que importa — grande, sin decoración. Tipo: "3 cuentas estratégicas en riesgo de churn en las próximas 4 semanas". No un gráfico de barras. No una serie temporal. El número, en palabras claras, con período.
Contexto comparativo de una línea
Justo debajo: "vs. 1 cuenta en el trimestre anterior; vs. promedio de 1,8 en los últimos 4 trimestres". La comparación es lo que da significado al número. Sin comparación, un número es trivia.
Drill que termina en acción
Clics que abren detalles — cuentas afectadas, motivo probable, próximo paso recomendado. No solo datos. Próximos pasos. Quién tiene que hablar con quién, hasta cuándo, con qué oferta.
Tableau (y similares) entrega ese patrón bien cuando lo construyes. Pero la herramienta sola no lo hace — ese es el punto.
Lo que Tableau hace bien (y lo que no sustituye)
Tableau es excelente en tres cosas: exploración visual rápida sobre datos modelados, distribución de vistas por la organización, y personalización por persona/rol.
No sustituye:
- Modelado de datos. Modelo malo hace a Tableau bonito e impreciso. Invertí en el warehouse/dbt — donde la documentación es el truco real — antes de Tableau.
- Conversación de negocio. La vista solo ayuda si hubo discovery serio con quien va a decidir.
- Recomendación automatizada. Para eso entra ML/IA — Tableau visualiza, no piensa.
La combinación que funciona: warehouse limpio + modelo de negocio bien definido + Tableau como capa de lectura. Cada pieza en su lugar. Vale recordar: "limpio" acá significa bueno suficiente para el caso de uso, no limpio en lo absoluto — esperar perfección es la forma más rápida de nunca publicar el dashboard.
El dashboard final
La mejor métrica de calidad para un dashboard: cuántas decisiones reales salieron de él en el último trimestre. No accesos, no tiempo de pantalla. Decisiones. Si cero, mátalo y rehazlo. El mismo principio vale para métricas de producto que se vuelven "north dust" — el problema rara vez es la métrica, es el sistema alrededor.
Empresas que adoptan esta regla reducen 60–80% del número de dashboards y — no por casualidad — pasan a confiar en lo que sobra. Una consultoría de datos decente entrega eso, no reportes.