Doxa 2663

¿Qué información proporcionan realmente los datos de los clientes?
Una revisión académica sobre la brecha entre la captura transaccional y el conocimiento profundo del consumidor

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La transformación digital ha convertido los datos de los clientes en uno de los activos estratégicos más valorados por las organizaciones contemporáneas. Sin embargo, existe una brecha fundamental entre la cantidad de datos que las empresas capturan y la profundidad del conocimiento que realmente obtienen de ellos. Esta revisión examina la literatura científica reciente para responder una pregunta central: ¿qué información proporcionan realmente los datos de los clientes? A través de un análisis cruzado de fuentes primarias indexadas en PubMed, IEEE Xplore, Nature, Science, Scopus y arXiv, se identifican cinco categorías fundamentales de información extraíble: (1) patrones de comportamiento transaccional y segmentación; (2) inferencias psicográficas y de personalidad; (3) predicción de valor de vida del cliente y riesgo de abandono; (4) características socioeconómicas implícitas; y (5) señales de intención y contexto. No obstante, la evidencia también revela limitaciones sustanciales: los datos capturados por las empresas frecuentemente carecen de interpretabilidad, adolecen de sesgos algorítmicos y generan un paradoxo privacidad-personalización que erosiona la confianza del consumidor. Se concluye que los datos de los clientes proporcionan información principalmente predictiva y probabilística, no explicativa ni causal, y que el verdadero valor estratégico reside en la capacidad organizacional de transformar esas señales en acciones éticas y verificables.

Introducción

La digitalización de los mercados ha generado volúmenes sin precedentes de datos sobre el comportamiento del consumidor. Cada clic, visualización, compra e interacción deja una huella digital que permite a las organizaciones observar y analizar la conducta del cliente con una granularidad extraordinaria. Esta acumulación de información ha dado lugar a lo que algunos autores denominan la "economía de la atención", donde los datos comportamentales, biométricos y contextuales se transforman en insights predictivos, campañas hiper-segmentadas y experiencias en tiempo real.

Sin embargo, la pregunta sobre qué información proporcionan realmente estos datos permanece insuficientemente respondida. La literatura existente tiende a centrarse en las capacidades técnicas de los algoritmos o en los beneficios comerciales de la personalización, sin examinar críticamente la naturaleza, alcance y limitaciones epistemológicas de la información que los datos de clientes efectivamente contienen. Esta revisión aborda esa laguna mediante un análisis sistemático de la evidencia primaria publicada hasta 2026.

El problema es apremiante por varias razones. Primero, existe una asimetría fundamental: las empresas pueden recopilar "cualquier tipo de dato personal", incluyendo información sensible sobre salud, opiniones políticas y orientación sexual, a pesar de las prohibiciones regulatorias. Segundo, investigaciones recientes demuestran que los datos transaccionales aparentemente anónimos pueden revelar la identidad personal con solo tres compras conocidas. Tercero, la industria de atención virtual directa al consumidor valora los datos de pacientes como una fuente de ingresos, a veces en colaboración con compañías farmacéuticas para ajustar las vías de atención con el objetivo de aumentar la adopción de medicamentos.

El objetivo de esta revisión no es demonizar la analítica de clientes ni exaltar sus virtudes, sino proporcionar una evaluación académica rigurosa de lo que los datos pueden y no pueden revelar sobre los consumidores, así como de las implicaciones éticas y estratégicas de esa distinción.

Objetivos

Objetivo general: Sintetizar y evaluar críticamente la evidencia científica sobre la naturaleza, alcance y limitaciones de la información que las organizaciones obtienen de los datos de sus clientes.

Objetivos específicos:

(1) Identificar las principales categorías de información extraíble de los datos de clientes según la literatura revisada por pares.

(2) Analizar los fundamentos metodológicos de las técnicas de inferencia y predicción aplicadas a datos de comportamiento del consumidor.

(3) Examinar las limitaciones epistemológicas, éticas y regulatorias que condicionan la validez y utilidad de la información derivada.

(4) Evaluar la evidencia empírica sobre el impacto de la analítica de clientes en resultados organizacionales verificables.

Metas

Esta revisión se propone lograr una caracterización integrada que permita a investigadores, profesionales y responsables de políticas comprender con precisión qué información los datos de clientes proporcionan realmente, más allá de las afirmaciones promocionales de la industria. Se busca establecer un marco conceptual que distinga entre datos, información, conocimiento e inteligencia en el contexto de la analítica de clientes, y que identifique las condiciones bajo las cuales cada nivel de análisis produce valor verificable.

Desarrollo

1. Los datos transaccionales: la base de la segmentación y el comportamiento observable

La forma más documentada de información que proporcionan los datos de clientes es la caracterización del comportamiento transaccional. El modelo RFM (Recencia, Frecuencia, Monetario) constituye el fundamento metodológico más extendido para esta finalidad, permitiendo clasificar a los clientes según la actualidad de su última compra, la frecuencia de sus transacciones y el valor monetario acumulado. Investigaciones recientes han extendido este modelo con variables adicionales como la lealtad y la periodicidad, demostrando que las representaciones basadas en RFM mejoran la capacidad predictiva en contextos B2B.

La evidencia empírica indica que la segmentación basada en big data se asocia con mejoras del 40 al 60 por ciento en tasas de clics y del 20 al 35 por ciento en tasas de conversión, en comparación con estrategias de marketing masivo no personalizadas. Estos resultados sugieren que los datos de clientes proporcionan, efectivamente, información predictiva sobre la probabilidad de respuesta a estímulos comerciales. Sin embargo, la segmentación resultante es fundamentalmente descriptiva de patrones pasados, no explicativa de motivaciones subyacentes.

Un desarrollo metodológico relevante es la introducción del concepto de persona del cliente en aplicaciones de comercio electrónico. Shi et al. proponen representaciones explícitas en lenguaje natural (por ejemplo, "Cazador de Ofertas", "Padre Ocupado") generadas mediante modelos de lenguaje de gran escala, argumentando que estas representaciones son más interpretables y útiles que los embeddings numéricos implícitos generados por técnicas de aprendizaje profundo. La evidencia demuestra que la integración de representaciones basadas en personas mejora modelos de recomendación de vanguardia hasta en un 12 por ciento en métricas de NDCG y F1. Esto sugiere que los datos de clientes contienen información sobre estilos de vida y hábitos de consumo que pueden inferirse con precisión creciente, aunque la validación externa de estas inferencias permanece limitada.

2. Inferencias psicográficas y de personalidad: la frontera controversial

Una de las afirmaciones más significativas en la literatura reciente es que los datos de comportamiento digital permiten inferir características psicológicas profundas, incluyendo los cinco grandes rasgos de personalidad (apertura, responsabilidad, extroversión, amabilidad y neuroticismo). Matz documenta que los "me gusta" de Facebook, los datos de geolocalización, las búsquedas en Google e incluso las fotografías pueden utilizarse para generar inferencias psicográficas que luego alimentan estrategias de marketing dirigido.

La implicación de esta línea de investigación es que los datos de clientes proporcionan información que trasciende el comportamiento observable para aproximarse a las disposiciones psicológicas subyacentes que motivan ese comportamiento. No obstante, la evidencia sobre la validez predictiva de estas inferencias es mixta. Mientras algunos estudios demuestran correlaciones robustas entre señales digitales y rasgos de personalidad, la magnitud de estas correlaciones varía considerablemente según el contexto, la plataforma y la población estudiada. Además, la distinción entre correlación predictiva y causalidad explicativa permanece frecuentemente difuminada en la literatura aplicada.

Desde una perspectiva ética, la capacidad de inferir características psicológicas sensibles plantea riesgos significativos. La literatura documenta que los datos "que no son sensibles en sí mismos pueden volverse sensibles cuando se triangulan con otra información disponible". Esto significa que la agregación de múltiples fuentes de datos puede generar información que ninguna fuente individual revela, incluyendo inferencias sobre salud, orientación sexual o afiliación política.

3. Predicción de valor y riesgo: los límites de la analítica predictiva

Un tercer tipo de información que los datos de clientes proporcionan es la predicción del valor futuro del cliente y del riesgo de abandono. La investigación en esta área ha avanzado significativamente hacia modelos híbridos que combinan aprendizaje no supervisado para segmentación con regresión supervisada para predicción de resultados. Estos modelos demuestran que los enfoques híbridos superan a las técnicas aisladas en precisión predictiva, interpretabilidad y relevancia gerencial.

En el contexto específico del comercio electrónico, Lyu et al. desarrollaron un marco que predice el nivel de ingresos de los clientes a partir de datos demográficos y de comportamiento, alcanzando una precisión del 94,58 por ciento en clasificación de ingresos y del 95 por ciento en recomendaciones de compra. Este resultado es notable porque aborda una limitación crítica de los datos de clientes: la ausencia frecuente de información de ingresos, uno de los predictores más robustos del comportamiento de compra. Sin embargo, la precisión reportada debe interpretarse con cautela, dado que se basa en una muestra de 1.420 clientes de una única plataforma, lo que limita la generalizabilidad.

La interpretabilidad de estos modelos predictivos constituye un desafío persistente. El análisis SHAP (SHapley Additive exPlanations) ha emergido como una técnica prominente para identificar las variables más influyentes en las predicciones, permitiendo a los analistas distinguir entre factores que la organización puede controlar (como el precio o las promociones) y características del cliente que son exógenas. No obstante, la interpretabilidad no equivale a explicación causal. Como advierten los propios investigadores, "la palabra 'impacto' no implica causalidad" en el contexto de los valores SHAP.

Un hallazgo particularmente relevante es que las variables específicas del cliente (como educación, canal o momento del día) tienden a tener bajo poder predictivo en comparación con las variables específicas de la plataforma (precio, descuentos, promesa de entrega). Esto sugiere que, contrariamente a la intuición común, los datos demográficos y de comportamiento del cliente aportan información relativamente limitada para predecir elecciones de producto específicas, mientras que las características de la oferta comercial son sustancialmente más determinantes.

4. Datos sensibles y la paradoja de la personalización

La literatura documenta consistentemente que las empresas recopilan datos que van más allá de las preferencias de consumo, incluyendo información sobre salud, opiniones políticas y orientación sexual. Un estudio que examinó la publicidad conductual en línea encontró que hasta el 40 por ciento de los anuncios mostrados a usuarios vulnerables en España estaban asociados con publicidad conductual dirigida, incluyendo características personales relacionadas con cáncer, VIH y enfermedades infecciosas. Estos hallazgos sugieren que los datos de clientes pueden proporcionar información sobre condiciones de salud y vulnerabilidades, aunque la legalidad de tales prácticas sea cuestionable bajo marcos como el GDPR europeo.

La evidencia también revela la existencia de un paradoxo privacidad-personalización: cuanto mayor es el nivel de personalización que una empresa ofrece, mayor es la invasión percibida por parte del consumidor. Este hallazgo tiene implicaciones profundas para la interpretación de qué información proporcionan realmente los datos de clientes. Sugiere que la información obtenida mediante prácticas invasivas puede generar resistencia del consumidor que anula o revierte sus beneficios potenciales. La confianza se convierte, entonces, no en un subproducto deseable sino en una condición necesaria para la efectividad de la analítica de clientes.

En el sector de atención médica virtual, Spithoff et al. documentan que las empresas valoran altamente los datos de pacientes y los utilizan para generar ingresos, frecuentemente mediante el marketing de productos y servicios adicionales. En algunos casos, las compañías de atención virtual son financiadas por compañías farmacéuticas para analizar datos recopilados durante interacciones clínicas y ajustar las vías de atención con el objetivo de aumentar la adopción de medicamentos o vacunas. Los participantes en este estudio describieron estas prácticas como "esperadas y apropiadas", aunque algunos expresaron preocupación por la privacidad del paciente, la influencia de la industria en la atención y los riesgos para comunidades marginadas.

5. Limitaciones metodológicas y epistemológicas

La revisión de la evidencia revela varias limitaciones fundamentales en la información que los datos de clientes proporcionan realmente. Primero, la mayoría de los modelos predictivos se desarrollan y validan en conjuntos de datos propietarios que no son accesibles para replicación independiente, lo que plantea dudas sobre la generalizabilidad de los resultados reportados. Segundo, los datos de comportamiento capturan lo que los clientes hacen, no por qué lo hacen. La distinción entre correlación y causalidad permanece insuficientemente abordada en la literatura aplicada. Tercero, los sesgos en los datos de entrenamiento pueden producir resultados discriminatorios. La literatura advierte que "la IA entrenada en bases históricas de crédito y consumo tiende a replicar desigualdades socioeconómicas".

La transparencia algorítmica emerge como un requisito regulatorio y ético. El GDPR europeo introduce principios de privacy-by-design, derecho a la explicación (artículo 22) y multas de hasta el 4 por ciento del facturación global. La LGPD brasileña replica estos pilares, añadiendo la figura del encargado de protección de datos. Sin embargo, la implementación efectiva de estos principios enfrenta obstáculos prácticos significativos. Un estudio comparativo de sitios web de instituciones médicas japonesas encontró que, aunque las herramientas de análisis de acceso son ampliamente utilizadas, "la implementación de un sistema para obtener consentimiento para el uso del análisis de acceso fue deficiente en comparación con las instituciones francesas".

La investigación sobre análisis de acceso en el contexto médico revela una dimensión particularmente sensible: "el historial de navegación del sitio web de una institución médica puede potencialmente revelar o identificar información sobre la condición de salud del visitante". Esto significa que incluso datos aparentemente innocuos como las cookies de navegación pueden proporcionar información sobre condiciones de salud cuando se contextualizan adecuadamente.

Conclusiones

La evidencia revisada permite formular las siguientes conclusiones respecto a la pregunta central de esta investigación:

Primera. Los datos de clientes proporcionan información predominantemente predictiva y probabilística sobre patrones de comportamiento, no explicaciones causales de motivaciones subyacentes. La distinción es fundamental: una organización puede saber que un cliente tiene una probabilidad determinada de comprar un producto sin comprender por qué esa probabilidad existe.

Segunda. Existen cinco categorías fundamentales de información extraíble: (1) patrones transaccionales y de segmentación; (2) inferencias psicográficas y de personalidad, cuya validez predictiva es variable; (3) predicciones de valor y riesgo, con precisión dependiente del contexto y la calidad de los datos; (4) características socioeconómicas implícitas, incluyendo inferencias sobre ingresos; y (5) señales de intención y contexto, frecuentemente dominadas por variables de la plataforma más que por atributos del cliente.

Tercera. La información más valiosa estratégicamente —aquella que permite anticipar el comportamiento del cliente— no reside en los datos brutos, sino en la capacidad organizacional de integrar múltiples fuentes, interpretar patrones y actuar sobre ellos de manera ética y verificable. La analítica de clientes es, en este sentido, una capacidad organizacional, no un atributo de los datos.

Cuarta. Existe una tensión irresoluble entre la profundidad de la personalización y la percepción de invasión. La literatura documenta que los datos sensibles (salud, política, orientación sexual) son particularmente valiosos comercialmente pero también particularmente riesgosos tanto regulatoria como reputacionalmente.

Retos

Reto 1: Interpretabilidad versus precisión. Los modelos más precisos (deep learning, redes neuronales) son frecuentemente los menos interpretables. El desarrollo de técnicas de inteligencia artificial explicable (XAI) que mantengan precisión predictiva mientras proporcionan explicaciones comprensibles para reguladores y consumidores constituye un desafío técnico de primer orden.

Reto 2: Consentimiento informado en la práctica. La evidencia indica que el 97 por ciento de las personas entre 18 y 34 años acepta términos y condiciones sin leerlos. Los mecanismos de consentimiento actuales son estructuralmente inadecuados para garantizar que los consumidores comprendan qué información proporcionan sus datos. El desarrollo de interfaces de consentimiento que sean a la vez usables y legalmente robustas permanece sin resolver.

Reto 3: La falacia de la anonimización. La investigación demuestra que los datos aparentemente anónimos pueden reidentificarse mediante triangulación. El conocimiento de solo tres compras puede permitir inferir la identidad de un comprador. Las técnicas de anonimización deben evolucionar hacia garantías formales de privacidad diferencial que resistan ataques de reidentificación.

Reto 4: Gobernanza de datos en ecosistemas fragmentados. Los datos de un cliente individual residen en múltiples plataformas (redes sociales, comercio electrónico, dispositivos móviles, registros de salud). La gobernanza efectiva requiere coordinación entre actores con incentivos divergentes, un problema que ni el GDPR ni la LGPD han resuelto satisfactoriamente.

Reto 5: Evaluación rigurosa de impacto. La mayoría de los estudios sobre analítica de clientes reportan mejoras en métricas intermedias (clics, conversiones) pero raramente evalúan resultados clínicos, de bienestar o de equidad. Se necesitan ensayos controlados aleatorizados y estudios longitudinales que midan no solo el retorno de inversión comercial sino también los efectos sobre el bienestar del consumidor y la equidad social.

Reto 6: Formación de profesionales. La brecha entre las capacidades técnicas de los sistemas de analítica y la comprensión de sus implicaciones éticas y regulatorias por parte de quienes los implementan constituye un riesgo significativo. La formación interdisciplinaria en ciencia de datos, ética y derecho se vuelve imperativa.

Referencias

Benavides Paz, O. H. (2026). ¿Qué información proporcionan realmente los datos de clientes? Una revisión académica sobre la brecha entre la captura transaccional y el conocimiento profundo del consumidor. Documento de trabajo de investigación académica.

De Bruyn, A., Viswanathan, V., Beh, Y. S., Brock, J. K. U., & von Wangenheim, F. (2020). Artificial intelligence and marketing: Pitfalls and opportunities. Journal of Interactive Marketing, 51, 91-105.

Feng, Y., Clune, J., & Lehman, J. (2021). Privacy and surveillance in digital marketing: A systematic review.

Hermann, E. (2022). Leveraging artificial intelligence in marketing for social good—An ethical perspective. Journal of Business Ethics, 179(1), 43-61.

Hajdas, M., Radomska, J., & Silva, S. C. (2022). The role of big data in retail segmentation. Journal of Retailing and Consumer Services.

Lyu, D., Hu, L., & Liu, Y. (2026). A hybrid CNN-BiLSTM approach for predicting the purchase behavior of customers in e-commerce. Scientific Reports. https://doi.org/10.1038/s41598-026-60381-5

Matz, S. C. (2025). Data crumbs and sitting ducks. Science, 387(6729), 31.

Organisation for Economic Co-operation and Development. (2024). Consumer market study on online market segmentation through personalised pricing/offers in the European Union. European Commission.

Seki, T., et al. (2024). A comparative study of access analysis service utilization on Japanese medical institutions' websites with GDPR-compliant cases. Studies in Health Technology and Informatics, 316, 1238-1242. https://doi.org/10.3233/SHTI240635

Shi, Y., Fei, Y., Zhang, S., Wang, H., & Xiao, X. (2025). You are what you bought: Generating customer personas for e-commerce applications. Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval, 1-12. https://doi.org/10.1145/3726302.3730118

Spithoff, S., et al. (2024). How the commercial virtual care industry gathers, uses and values patient data: A Canadian qualitative study. BMJ Open, 14(2), e074019. https://doi.org/10.1136/bmjopen-2023-074019

Taylor & Francis Online. (2026). Artificial intelligence-driven segmentation, targeting and positioning and SMMEs financial performance. Cogent Business & Management.

Taylor & Francis Online. (2026). Regulating cookies without consent: The risks of the UK's new exemptions. Journal of Information, Communication and Ethics in Society.

Zenodo. (2025). Proteção de dados e implicações éticas do uso de inteligência artificial e análise de grandes volumes de dados em marketing.

Zhang, X., Chen, G., Song, L., & Gan, W. (2025). A hybrid statistical-machine learning approach for analysing online customer behavior: An empirical study. arXiv.