ES
Dos bandejas con compartimentos llenos de discos grises, salvo uno que contiene un único disco azul.

El promedio puede esconder la brecha más importante

Un promedio puede representar correctamente el centro de varios resultados y, al mismo tiempo, ocultar la diferencia que más importa para decidir. Su utilidad depende de qué componentes reúne y de cuáles pueden compensarse.

PRYSMAP7 min de lectura

Considere dos perfiles ilustrativos, ambos formados por cuatro componentes evaluados en una escala de uno a nueve. El primero obtiene 7, 7, 7 y 7. El segundo obtiene 9, 9, 9 y 1. Los dos tienen un promedio de 7.

El cálculo es correcto. La equivalencia que sugiere merece otra revisión.

El primer perfil es uniforme. El segundo combina tres fortalezas con una condición muy débil. Si los cuatro componentes aportan de forma intercambiable, ambos resultados podrían respaldar una conclusión similar. Si el componente con valor 1 es indispensable para ejecutar la tarea, el mismo promedio estaría reuniendo perfiles con riesgos opuestos.

El centro no describe la forma del perfil

La media aritmética es una medida de localización: resume el centro de varios valores. La dispersión responde algo distinto. Describe cuánto se separan esos valores entre sí. El manual de análisis exploratorio del NIST distingue varias medidas de variabilidad y muestra que cada una enfatiza partes diferentes de la distribución.

Esta separación tiene una consecuencia directa en evaluaciones de skills. Un score central no revela si los elementos evaluables están próximos, si existe un extremo ni si la diferencia se concentra precisamente en una conducta crítica. Tampoco explica la causa de un resultado bajo. Para confirmar una brecha todavía hacen falta evidencia suficiente, una expectativa definida y una interpretación coherente con la decisión.

Por eso dos preguntas que parecen matemáticas son, en realidad, decisiones de diseño:

Toda consolidación autoriza alguna forma de compensación

Una regla compensatoria permite intercambios. Un resultado alto puede equilibrar otro bajo. Una regla no compensatoria limita o impide ese intercambio.

La distinción aparece en distintos campos de evaluación. ETS explica que ambas estrategias pueden ser apropiadas según el contexto de decisión. El Joint Research Centre de la Comisión Europea advierte, en el diseño de indicadores compuestos, que la agregación lineal supone intercambios entre componentes. Los pesos tampoco representan importancia de manera automática: dentro de una suma ponderada funcionan como tasas de intercambio.

Trasladar estas ideas a una arquitectura de skills exige prudencia. Esas fuentes no validan una fórmula específica para evaluar capacidades organizacionales. Sí permiten sostener un principio más general: elegir una regla de consolidación implica decidir qué diferencias conservar y cuáles aceptar como compensables.

Ese principio abre alternativas viables. Ninguna sirve para todas las decisiones.

Cuando la decisión necesita conservar el perfil

La opción más informativa consiste en no reducir los componentes a una sola cifra. Un perfil por elementos mantiene visible cada resultado y permite relacionarlo con conductas, evidencia y expectativas distintas.

Esta representación resulta útil para desarrollo, feedback o movilidad. En esas decisiones importa saber dónde se encuentra la diferencia y qué evidencia la sostiene. Su límite es operativo: comparar muchas personas o muchos componentes se vuelve más exigente. La organización gana interpretabilidad, pero pierde compresión.

Una segunda opción conserva el promedio y añade una medida de dispersión. El rango, la desviación estándar o una visualización de la distribución ayudan a distinguir perfiles uniformes de perfiles desiguales. El promedio sigue respondiendo por el centro; la dispersión muestra cuánto se apartan los componentes.

Este formato mejora la lectura, pero no identifica por sí solo qué componente está bajo ni si ese componente es crítico. Dos perfiles pueden tener la misma media y una dispersión parecida, aunque la debilidad aparezca en elementos con consecuencias diferentes.

Cuando los componentes importan de manera desigual

El promedio ponderado asigna mayor influencia a ciertos componentes. Puede ser adecuado cuando todos admiten compensación, pero no contribuyen con la misma relevancia a la decisión.

Su aparente precisión suele ocultar dos preguntas difíciles. La primera es cómo se justifican los pesos. La segunda es cuánto intercambio autorizan. Dar el doble de peso a un componente no impide que varios resultados altos compensen uno bajo. Solo cambia la cantidad necesaria para hacerlo.

Es una regla compensatoria con preferencias explícitas. Puede ser defendible cuando esas preferencias están documentadas y la escala permite esa operación. No debería usarse para convertir juicios informales de importancia en decimales que parecen objetivos.

Cuando una condición no puede quedar cubierta por otras

Los umbrales mínimos cambian la lógica. En lugar de preguntar únicamente por el resultado general, establecen que uno o varios componentes alcancen una condición definida. Una persona podría tener un promedio suficiente y requerir evidencia adicional o desarrollo en un elemento esencial.

Esta opción funciona cuando el umbral corresponde a una exigencia observable del rol o de la tarea. Un límite arbitrario, elegido después de mirar los resultados, no vuelve más sólida la decisión. También debe considerarse el error de medición cercano al punto de corte: pequeñas variaciones pueden cambiar una clasificación.

La regla del mínimo lleva la lógica no compensatoria más lejos. El resultado global queda limitado por el componente más débil. Es coherente cuando todos los elementos son necesarios y la ausencia de uno restringe realmente el desempeño. En ese contexto, el mínimo conserva una información que el promedio eliminaría.

Su costo es claro. Cada componente debe estar bien definido y evaluado con evidencia suficiente. Si una medición aislada es inestable, el mínimo amplifica su efecto sobre la conclusión completa. Un estudio sobre un examen nacional de certificación médica encontró que una regla totalmente no compensatoria produjo menor consistencia de clasificación que una regla compensatoria en ese contexto específico. El hallazgo no se traslada directamente a skills organizacionales, pero muestra el riesgo de tratar cada score bajo como un límite perfecto. Onishi y colaboradores

Entre ambos extremos existe una alternativa híbrida: conservar un resultado general y añadir umbrales para los elementos que no admiten compensación. Este modelo permite resumir el conjunto sin borrar condiciones esenciales. También obliga a declarar cuáles son esas condiciones y por qué reciben un tratamiento diferente.

Un híbrido no resuelve automáticamente la calidad del diseño. Puede acumular reglas difíciles de interpretar o producir decisiones distintas ante cambios pequeños. Su valor está en separar dos funciones: describir el desempeño general y proteger requisitos críticos.

Banco de madera blanco con una banda azul alrededor de una de sus patas.

La alternativa depende de la pregunta

Las seis opciones representan decisiones distintas:

Forma de lectura Pregunta que responde mejor Condición principal
Perfil por componentes ¿Dónde están las fortalezas y diferencias? La decisión necesita conservar detalle.
Promedio con dispersión ¿Cuál es el centro y cuán desigual es el perfil? Los componentes son comparables y la variabilidad importa.
Promedio ponderado ¿Cuál es el resultado general según relevancias diferentes? Los intercambios son aceptables y los pesos están justificados.
Umbrales mínimos ¿Qué requisitos deben cumplirse de forma independiente? Existen condiciones observables no compensables.
Regla del mínimo ¿Qué elemento limita el resultado completo? Todos los componentes son indispensables y están bien medidos.
Modelo híbrido ¿Cómo resumir sin ocultar requisitos críticos? Se distinguen componentes compensables y no compensables.

La tabla no reemplaza la validación del modelo. Antes de agregar resultados, hay que comprobar que los componentes pertenecen al mismo objeto, que las escalas admiten la operación y que la evidencia permite la interpretación buscada.

La regla adecuada comienza antes del cálculo. Empieza al definir qué pregunta debe responder el score, qué componentes pueden equilibrarse y cuáles establecen el límite real de la decisión.