Variables Cuantitativas y Cualitativas: Guía para Pymes

Un dueño de cafetería en Puebla suele tener más datos de los que cree. Cada compra deja rastro. La hora del consumo, el ticket, la bebida elegida, si pagó con cupón, si volvió esa semana, si prefirió sucursal o entrega. El problema no es la falta de información. El problema es que esa información llega revuelta y termina guardada en reportes que nadie usa para vender más.

Ese escenario se repite en miles de negocios físicos. En México, el 68% de las pymes minoristas en regiones como Nuevo León y Jalisco reportan dificultades para segmentar clientes por variables mixtas, lo que reduce el ROI de sus campañas en un 42%, y además el uso de agentes de IA en CRM creció un 35% en Monterrey desde 2025, permitiendo análisis híbridos que elevan el ticket promedio en un 18% en negocios como autolavados y pastelerías, según el dato citado en Matemóvil.

La diferencia entre un negocio que manda promociones “a todos” y otro que vende mejor no está en tener más clientes. Está en entender qué tipo de dato tiene enfrente y qué decisión puede tomar con él. Ahí entran las variables cuantitativas y cualitativas.

Cuando un negocio aprende a separar lo que puede medir de lo que puede clasificar, deja de ver una base de datos y empieza a ver oportunidades. Un cliente con ticket alto pero baja frecuencia pide una acción. Un cliente que siempre compra frappé y visita los viernes pide otra. Un cliente que dejó de venir desde hace días pide una tercera.

Para una pyme, eso no es estadística de escritorio. Es operación comercial. Es decidir qué promoción lanzar, a quién mandarla y cómo medir si funcionó. Esa lógica es la base de una toma de decisiones basada en datos para negocios físicos.

Tabla de contenido

• Introducción De Datos a Decisiones Rentables

  • El dato que sí cambia decisiones

  • Lo rentable no es acumular datos

• Qué Son las Variables Cuantitativas y Cualitativas

  • La diferencia que sí importa en el negocio

  • Cuadro práctico para clasificar datos

  • Dos señales rápidas para no confundirse

• Las Escalas de Medición Que Debes Conocer

  • Nominal y ordinal

  • Intervalo y razón

  • Cómo usar la escala sin complicarse

• Ejemplos Prácticos para Pymes en México

  • Cafetería en Puebla

  • Autolavado en Estado de México

  • Gasolinera en Yucatán

  • Qué funciona mejor en el día a día

• Cómo Transformar Variables para un Análisis Avanzado

  • Cuándo conviene convertir categorías en números

  • Dos formas útiles de codificación

  • Lo que sí conviene cuidar

• Errores Comunes al Analizar Datos de Clientes

  • Errores que cuestan dinero

  • La corrección práctica

• Conclusión Convierte tus Datos en Crecimiento Sostenible

  • Tres pasos para empezar hoy

Introducción De Datos a Decisiones Rentables

Una cafetería de barrio rara vez falla por falta de esfuerzo. Falla cuando toma decisiones con intuición donde ya podría usar evidencia. Si un martes se vende menos, se lanza una promo general. Si bajan las visitas, se manda un mensaje a toda la base. Si sube el costo de insumos, se intenta compensar subiendo precios sin entender quién sí soporta ese ajuste y quién no.

Ese patrón desgasta. También confunde. El dueño ve ventas, tickets y clientes repetidos, pero no identifica por qué unos regresan y otros desaparecen. Tampoco ve qué grupo responde mejor a una recompensa, qué sucursal jala cierto perfil o qué producto mueve el consumo recurrente.

Regla práctica: si un negocio no distingue entre datos numéricos y datos categóricos, termina haciendo campañas masivas para problemas que en realidad son muy específicos.

Las variables cuantitativas y cualitativas sirven para ordenar ese caos. No son teoría universitaria. Son una forma simple de separar dos preguntas clave. ¿Cuánto? y ¿Qué tipo?. Con esas dos preguntas bien respondidas, una pyme puede diseñar promociones con más lógica comercial.

El dato que sí cambia decisiones

En una cafetería, “ticket promedio” es una variable cuantitativa. “Bebida preferida” es una cualitativa. “Número de visitas en el mes” también es cuantitativa. “Sucursal donde compra” es cualitativa. En la práctica, esa diferencia decide si conviene comparar montos, contar recurrencia o segmentar por gustos.

Cuando esos datos se mezclan sin orden, el negocio interpreta mal a sus clientes. Un cliente puede parecer poco valioso por venir pocas veces, pero si cada visita deja consumo alto, merece una estrategia distinta a la de alguien que viene seguido y compra lo mínimo.

Lo rentable no es acumular datos

Acumular registros no genera utilidad por sí solo. Lo rentable es convertir cada registro en una acción. Por eso, la operación diaria mejora cuando el negocio identifica tres cosas:

• Qué variable describe dinero: ticket, monto, frecuencia, puntos.

• Qué variable describe preferencias: categoría de producto, sucursal, tipo de recompensa.

• Qué combinación ayuda a vender más: por ejemplo, clientes de bebida fría con ticket alto o clientes de desayuno con baja recurrencia.

Una pyme que domina esa lógica deja de “mandar promociones” y empieza a administrar demanda, lealtad y margen.

Qué Son las Variables Cuantitativas y Cualitativas

Las variables cuantitativas y cualitativas son dos formas de leer la información del negocio. La primera mide cantidades. La segunda clasifica características. Si esa división se entiende bien, el dueño deja de ver celdas en Excel y empieza a detectar patrones de compra.

La diferencia que sí importa en el negocio

Una variable cuantitativa responde con un número que puede contarse o medirse. En una cafetería serían el ticket, los puntos acumulados, la frecuencia de compra o el número de bebidas por visita. En un autolavado, el número de servicios por mes. En una gasolinera, los litros o las visitas acumuladas.

Una variable cualitativa responde con una categoría. No dice cuánto. Dice qué tipo de cosa es. En una pyme física eso puede ser la sucursal visitada, el producto favorito, el canal preferido de contacto o el nivel de lealtad cuando se usa una escala como bajo, medio y alto.

El error común es creer que solo lo numérico sirve. No es cierto. Lo cualitativo suele explicar el contexto de compra. Saber que un cliente gastó más ayuda. Saber en qué categoría gasta, qué tipo de recompensa prefiere o en qué sucursal consume ayuda más para accionar.

Un negocio no necesita volverse experto en estadística. Necesita clasificar bien cada dato antes de usarlo.

Cuadro práctico para clasificar datos

Dos señales rápidas para no confundirse

Si el dato admite operaciones aritméticas con sentido comercial, casi siempre es cuantitativo. Si el dato solo sirve para agrupar o identificar perfiles, casi siempre es cualitativo.

Funciona pensar así:

• Cuantitativa: “Este cliente vino 6 veces”.

• Cualitativa: “Este cliente prefiere bebidas frías”.

• Cuantitativa: “Su ticket está arriba del promedio”.

• Cualitativa: “Compra más en la sucursal del centro”.

Cuando el negocio hace esta separación desde el principio, los reportes dejan de ser ambiguos. También mejora la lectura del equipo comercial, porque cada campaña parte de una segmentación más clara.

Las Escalas de Medición Que Debes Conocer

No todas las variables del negocio se leen igual. Dos datos pueden ser cualitativos y aun así requerir tratamientos distintos. Lo mismo pasa con los cuantitativos. La escala de medición define qué comparación tiene sentido y qué análisis conviene usar.

Nominal y ordinal

La escala nominal agrupa categorías sin orden. “Sucursal Puebla Centro”, “Sucursal Cholula” o “método de pago” entran aquí. Ninguna categoría es mayor que otra. Solo son distintas. Esto sirve para comparar distribución, participación o preferencia.

La escala ordinal también clasifica, pero sí tiene jerarquía. “Cliente nuevo”, “cliente frecuente” y “cliente leal” es un buen ejemplo. También “bajo, medio, alto” en nivel de lealtad. Aquí sí importa el orden, aunque la distancia entre niveles no sea exacta.

Para operación diaria, esa diferencia cambia mucho:

• Nominal sirve para ver dónde compra el cliente o qué producto elige.

• Ordinal sirve para priorizar acciones. Un cliente con lealtad alta no se trata igual que uno en nivel bajo.

Intervalo y razón

Las escalas intervalo y razón pertenecen al mundo cuantitativo. Las dos usan números, pero no significan lo mismo.

En intervalo hay diferencia entre valores, pero el cero no siempre implica ausencia real. En razón sí existe un cero absoluto y eso vuelve mucho más útiles las comparaciones comerciales. Ventas, visitas, puntos y monto de compra caen en razón. Si un cliente tiene cero visitas en el mes, eso sí significa ausencia de actividad.

Criterio operativo: si el dato permite decir “el doble” o “la mitad” con sentido real, normalmente se está frente a una variable de razón.

Esa distinción parece fina, pero evita malas lecturas. Un dueño de cafetería necesita saber qué reportes permiten comparar intensidad de compra y cuáles solo describen orden o categoría.

Cómo usar la escala sin complicarse

La forma más práctica de usar esto en una pyme es hacer tres preguntas:

1. ¿Es una categoría o un número?
   Si es categoría, se está en nominal u ordinal.

2. Si es categoría, tiene jerarquía?
   Si la respuesta es sí, es ordinal.

3. Si es número, el cero significa ausencia real?
   Si sí, es razón.

Con esa lógica, el negocio evita elegir gráficas equivocadas, cruces inútiles y conclusiones pobres. El dato correcto no solo debe existir. Debe estar en la escala correcta para que el análisis sí sirva.

Ejemplos Prácticos para Pymes en México

La teoría sirve poco si no aterriza en mostrador, caja y recompra. En retail físico mexicano, analizar variables cuantitativas como ticket promedio y frecuencia de compra puede elevar el ROI en un 25-40%, y segmentar clientes con ticket promedio superior a $500 MXN puede aumentar la recurrencia en un 32%. Además, el 68% de las cadenas minoristas fallan en la fidelización por no cuantificar métricas como el LTV, cuya media es de $2,800 MXN por cliente al año, de acuerdo con la referencia compartida sobre análisis cuantitativo aplicado.

Cafetería en Puebla

Una cafetería en Puebla suele tener dos momentos fuertes. La mañana de oficina y la tarde de antojo. Si el negocio registra bebida preferida como variable cualitativa y ticket promedio como variable cuantitativa, puede armar segmentos muy útiles.

Por ejemplo, un grupo compra bebidas frías y casi siempre añade pan dulce. Otro compra americano solo y va de paso. El primer grupo no debe recibir la misma promoción que el segundo. Al primero le funciona mejor un combo. Al segundo, una dinámica de visita recurrente.

Una forma simple de bajar esto a operación es revisar reportes de ventas para detectar patrones de consumo por segmento. El objetivo no es mirar números por curiosidad. Es decidir qué oferta sube frecuencia y qué oferta solo regala margen.

Autolavado en Estado de México

En un autolavado, las variables suelen ser más obvias pero menos aprovechadas. Puntos acumulados es cuantitativa. Tipo de servicio es cualitativa. La mezcla entre ambas permite detectar quién está cerca de una recompensa y en qué servicio conviene activarla.

Un cliente que acumula puntos rápido y siempre compra lavado premium no necesita un descuento genérico. Le conviene una recompensa alineada a su patrón, como un beneficio en detallado o encerado. En cambio, quien compra solo el servicio básico y deja pasar mucho tiempo entre visitas requiere otra intervención.

Si la recompensa no respeta el hábito de compra, el cliente la percibe como irrelevante aunque el descuento sea bueno.

Gasolinera en Yucatán

En una gasolinera, una variable muy útil es días desde la última carga. Es cuantitativa. Permite detectar riesgo de abandono sin esperar a que el cliente desaparezca por completo. Si además se cruza con una cualitativa como método de recompensa preferido, el mensaje se vuelve más certero.

No todos reaccionan igual. Un automovilista puede responder mejor a puntos. Otro, a un cupón directo. Otro, a un incentivo por visita. El mismo negocio, con la misma base de clientes, obtiene resultados distintos dependiendo de si mezcla bien ambos tipos de variable.

Qué funciona mejor en el día a día

En pymes de alimentos, servicios y consumo frecuente, estas combinaciones suelen dar claridad:

• Ticket promedio + categoría favorita para diseñar combos.

• Frecuencia de compra + sucursal visitada para detectar caídas por ubicación.

• Días desde última compra + tipo de recompensa para campañas de reactivación.

• Puntos acumulados + nivel de lealtad para definir beneficios escalonados.

Lo que no funciona es tratar a toda la base igual. En una cafetería, eso se traduce en promociones desperdiciadas. En una gasolinera, en puntos mal asignados. En un autolavado, en clientes leales que no se sienten reconocidos.

Cómo Transformar Variables para un Análisis Avanzado

Llega un punto donde clasificar bien ya no basta. Si el negocio quiere predecir abandono, atribuir ventas a campañas o encontrar patrones menos obvios, necesita convertir ciertas categorías en formatos que el análisis pueda procesar mejor.

La buena noticia es que no se trata de volver técnico todo el negocio. Se trata de traducir variables cualitativas a una estructura útil. Según la referencia sobre codificación y análisis de variables cualitativas, la codificación de variables cualitativas a dummies para análisis de regresión puede elevar la precisión de la atribución de ventas hasta un 76%. Además, las variables ordinales como nivel de lealtad muestran una correlación de Spearman de 0.62 con la retención, y accionar sobre ellas con campañas automatizadas puede incrementar la frecuencia de compra en un 19%.

Cuándo conviene convertir categorías en números

Una categoría como “sucursal” no puede promediarse. Pero sí puede codificarse para responder preguntas más útiles. Por ejemplo, qué sucursal se asocia más con cierto tipo de cliente o cuál tiene mejor respuesta a una campaña.

Lo mismo pasa con “nivel de lealtad”. Bajo, medio y alto son categorías ordenadas. Si se convierten con criterio en una escala simple, el negocio puede priorizar mejor seguimiento, beneficios y reactivación.

Ese principio también aparece fuera del CRM. En tareas de búsqueda y filtrado, entender lógica estructurada ayuda a construir reglas más limpias. Por eso vale la pena revisar los fundamentos del boolean sourcing, porque muestran cómo transformar criterios sueltos en condiciones claras y operables. Esa mentalidad sirve mucho al momento de segmentar clientes.

Dos formas útiles de codificación

Hay dos rutas prácticas que una pyme puede entender sin enredarse.

Variables dummy para categorías nominales

Si un negocio tiene varias sucursales, no conviene ponerles números arbitrarios como 1, 2 o 3 y fingir que eso significa una jerarquía. La forma correcta es crear columnas separadas del tipo “Sucursal Puebla Centro = 1 o 0” y “Sucursal Cholula = 1 o 0”.

Eso permite medir participación por categoría sin inventar un orden que no existe.

Etiquetas ordenadas para variables ordinales

Cuando sí existe jerarquía, como en nivel de lealtad, puede asignarse una escala simple. Bajo = 1, medio = 2, alto = 3. Aquí el número no representa dinero. Representa orden.

Eso ayuda a que el negocio identifique patrones de comportamiento más consistentes y construya segmentación de clientes basada en hábitos y valor comercial.

Convertir una categoría en número no cambia la realidad del cliente. Solo vuelve analizable una señal que antes estaba dispersa.

Lo que sí conviene cuidar

No toda conversión mejora el análisis. Si una categoría se codifica mal, el negocio termina creando patrones falsos. La regla es simple:

• Si no hay orden real, usar variables separadas.

• Si sí hay orden, usar una escala corta y clara.

• Si el equipo no entiende qué significa el número, el modelo no ayudará en operación.

La codificación buena no sirve solo para un reporte más bonito. Sirve para decidir mejor a quién activar, con qué oferta y en qué momento.

Errores Comunes al Analizar Datos de Clientes

Muchos negocios no fallan por falta de datos. Fallan porque leen mal lo que ya tienen. En México, el 55% de los gerentes de marketing en pymes cometen errores al tratar variables cualitativas como numéricas, lo que sesga los análisis y puede subestimar la recurrencia en un 30%. En ese mismo contexto, las variables cuantitativas discretas como el número de visitas han mostrado ser más efectivas que las continuas para predecir retención, según la referencia incluida sobre errores frecuentes en el tratamiento de variables.

Errores que cuestan dinero

El primer error es sacar promedios donde no existen promedios útiles. “Promedio de sucursal”, “promedio de método de pago” o “promedio de código postal” no aportan nada. Son categorías, no montos ni frecuencias.

El segundo error es tratar un identificador como si fuera una métrica. El número de cliente o el folio de ticket no sirven para medir comportamiento. Solo identifican registros. Si el equipo los mete en análisis como si fueran variables de negocio, contamina el resultado.

El tercero es elegir visualizaciones que confunden. Un gráfico de líneas para mostrar tipos de recompensa o métodos de pago suele sugerir una continuidad que no existe. Ahí funciona mejor una comparación por categoría.

La corrección práctica

Tres ajustes limpian gran parte del problema:

• Separar identificadores de variables reales. ID de cliente no es comportamiento.

• No forzar categorías a números arbitrarios. Si no hay jerarquía, no se inventa.

• Elegir la variable que sí predice acción. En retención, el número de visitas suele decir más que un dato continuo mal interpretado.

Un análisis incorrecto no solo da una mala lectura. También empuja campañas equivocadas, descuentos innecesarios y seguimiento mal enfocado.

Un dueño de cafetería en Puebla no necesita un tablero más complejo. Necesita evitar decisiones basadas en promedios irrelevantes, categorías mal codificadas y reportes que se ven técnicos pero no ayudan a vender.

Conclusión Convierte tus Datos en Crecimiento Sostenible

Las variables cuantitativas y cualitativas no son un tema académico aislado. Son la base para convertir consumo diario en decisiones rentables. Cuando una pyme entiende cuáles datos miden valor y cuáles describen preferencias, empieza a segmentar mejor, lanzar campañas más precisas y usar sus reportes con intención comercial.

La diferencia entre crecer con orden o vivir apagando fuegos suele empezar ahí. No en una gran estrategia. En algo más simple. Saber si un dato responde “cuánto” o responde “qué tipo”. Después de eso, todo mejora: la oferta, la recompensa, la recurrencia y la lectura del cliente.

Para una cafetería, un autolavado o una gasolinera, el plan de arranque puede ser muy concreto.

Tres pasos para empezar hoy

1. Auditar la base actual
   Separar datos numéricos de datos categóricos. Ticket, visitas y puntos por un lado. Sucursal, producto favorito y tipo de recompensa por otro.

2. Crear un primer segmento mixto
   Combinar una variable cuantitativa y una cualitativa. Por ejemplo, clientes con ticket alto que prefieren bebidas frías, o clientes con baja frecuencia en cierta sucursal.

3. Lanzar una acción y medir respuesta
   Enviar una campaña específica, no general. Después revisar recompra, ticket y recurrencia del segmento intervenido.

Ese orden vuelve accionable la información. También evita uno de los problemas más comunes en pymes físicas. Tener datos sin convertirlos en utilidad.

Si un negocio físico en México quiere pasar de datos sueltos a campañas que sí generen recurrencia, Swirvle ayuda a centralizar clientes, segmentar por hábitos de compra, automatizar acciones de lealtad y medir qué campañas realmente impulsan ventas. Para cafeterías, autolavados, gasolineras y cadenas con varias sucursales, esa diferencia se traduce en operación más clara y crecimiento más sostenible.