Operación ChasquiFest · Auditoría de visualización

Cinco gráficos del festival,
releídos desde los datos.

El dashboard mezclaba porcentajes, escalas y ventanas temporales. Cada tarjeta pone lado a lado el titular del gráfico original y la lectura que sostienen los datos — el mismo número, bien medido.

Cómo leer esto: cada afirmación numérica está recalculada y validada contra los datos en los notebooks del examen (uno por caso). Las tasas declaran numerador y denominador; ninguna asociación se presenta como causa. Datos sintéticos y ficticios.
Caso 1La torta porcentual que nadie pidió
✗ El titular

"App produce casi la mitad del éxito: 35.7%"

✓ La realidad

El 35.7% es una suma de porcentajes por fila — no representa ningún total. El share real de ventas de App es 53.7%.

90.27%
Ocupación global ponderada
(SUM ingresos / SUM cupos)
88.17%
"Promedio de promedios"
AVG(ocupacion_fila) — sesga
S/74.65
Ticket = ventas / órdenes
59.2%
Mayor margen: Taquilla
(el menor volumen)
La torta (suma de %) vs. el share real de ventas por canal
Tarea: parte-todo — ¿qué fracción del total aporta cada canal?
App Web Taquilla
Torta de porcentajes (denominador sin sentido)
App 35.7%
Web 33.8%
Taq. 30.5%
Ventas reales — SUM(ventas_soles) por canal / total
App 53.7%
Web 29.3%
Taq. 17%

El giro: los ratios por fila no son aditivos. Sumar ocupacion_fila_pct inventa un denominador que no existe; la decisión de capacidad se toma con la ocupación ponderada (90.27% > meta 88%), y el aporte por canal con el share de ventas.

Trampas evitadas: % con num/den · gráfico con su tarea

Caso 2El espagueti de los Andes y la lluvia todopoderosa
✗ El titular

"DEMOSTRADO: la lluvia causa todas las demoras"

✓ La realidad

La distancia explica el 85% de la variación en duración; la lluvia, el 2.4%. Es asociación, no causa — y el driver es otro.

44.68%
Tardanza agregada = 772/1728 envíos (meta 20%)
0.92
correlación distancia ↔ minutos
0.16
correlación lluvia ↔ minutos
57.2%
Peor transportista: Río Rápido
(269/470)
¿Cuánto de la variación en duración explica cada factor? (R²)
Tarea: comparar la magnitud de dos asociaciones
Distancia
85.0%
Lluvia
La barra de lluvia (2.4%) es casi invisible — ese es el punto.

El giro: una línea roja de "lluvia promedio" sobre 12 series superpuestas insinúa causa. Pero distancia y lluvia son independientes (r≈0), y controlar por distancia deja a la lluvia sin poder explicativo. Ni una pendiente ni un buen R² demuestran causalidad en datos observacionales.

Trampas evitadas: no causalidad desde correlación · % con num/den

Caso 3Julio duró doce días y el titular duró para siempre
✗ El titular

"Se acabó la fiesta: julio cae 57%"

✓ La realidad

Julio-2026 solo tiene 12 de 31 días registrados. A ritmo diario homólogo, la asistencia va +11.5%. El signo se invierte.

38.71%
Cobertura de julio-2026
(12 / 31 días)
−56.8%
Caída bruta (mes vs mes)
121,281 vs 281,044
+11.5%
Ritmo diario (homólogo)
10,107 vs 9,066 /día
El mismo dato, dos denominadores — y cambia de signo
Tarea: comparar magnitud absoluta vs. tasa · rojo = peor / verde = mejor que 2025
Caída bruta total del mes · 12 vs 31 días
−56.8%
Ritmo diario homólogo · por día
+11.5%

El giro: comparar el total de 12 días contra un mes completo de 31 no son periodos homólogos. LOOKUP(SUM([asistentes]),-12) arrastra esa trampa; hay que comparar días homólogos o el ritmo diario. Un pico estacional (jul/dic) y el quiebre logístico de Loreto/Ucayali son parte de la serie, no tendencias nuevas.

Trampas evitadas: periodos homólogos · % con num/den

Caso 4El mapa de la pasión que en realidad era el mapa del tamaño
✗ El titular

"Mapa definitivo: Lima ama más al ChasquiFest"

✓ La realidad

Es el mapa de la población. Normalizado por habitante, Cusco lidera el alcance; Lima cae fuera del top-5. Cada ranking responde otra pregunta.

462,690
Lima: mayor volumen
(asistentes 2025)
157.9
Cusco: mayor alcance
por 1,000 hab
31.96
Lima: alcance/1,000 hab
(fuera del top-5)
69.0
Cusco: más reclamos
por 10,000 asist.
Ranking por volumen vs. por alcance poblacional — se reordena por completo
Tarea: comparar dos rankings (el líder cambia según el denominador)
Por volumen — asistentes 2025 (denominador: ninguno)
Lima
462,690
Cusco
281,998
Arequipa
268,001
Por alcance — visitantes únicos / población × 1,000
Cusco
157.9
Ayacucho
146.9
Lima
31.96

El giro: un coroplético de conteos brutos repite el mapa de población. Para "¿dónde reforzar seguridad?" se usa volumen; para "¿dónde ampliar alcance?", la tasa poblacional; para "¿dónde mejorar experiencia?", la tasa de reclamos. Ninguno es falso — responden decisiones distintas. (Y escalar el diámetro al valor exagera Lima al cuadrado: 3.4× reales se ven como 11.8×.)

Trampas evitadas: % con num/den · gráfico con su tarea · no inferir afecto de una tasa

Caso 5Killa, el algoritmo y el juicio final
✗ El titular

"Killa causó el boom: el video elevó las ventas +108%"

✓ La realidad

Todo se movió a la vez: sedes abiertas 8→12, inversión ×2.9, promos 0→54%. En sedes ya abiertas el cambio es −13%. Efecto no identificable.

8 → 12
Sedes abiertas antes → después
×2.9
Inversión publicitaria
S/254 → S/732 /día
0 → 54%
Días con promoción activa
0.28→0.04
R² vistas↔entradas
al controlar confusores
La diferencia antes/después según qué se compara
Tarea: comparar el "efecto" bruto vs. controlado · verde = sube / rojo = baja
Comparación ingenua todas las filas
+100%
Solo sedes ya abiertas controlando aperturas
−13%

El giro: el +108% compara promedios por fila entre dos poblaciones distintas de sedes. Al restringir a las sedes que ya operaban antes del video, el efecto desaparece (−13%). Con datos observacionales confundidos por aperturas, inversión y promos, no se puede atribuir al video: la decisión honesta es un piloto escalonado con umbral pre-definido, no ampliar la campaña.

Trampas evitadas: no causalidad desde correlación · periodos homólogos · KPI de vanidad ≠ KPI decisor