Cien votos de usuarios del plan gratuito y diez solicitudes de las cuentas que sostienen tu facturación no son la misma señal, y un recuento las trata igual. El feedback scoring existe para arreglar exactamente eso.
La respuesta corta. El feedback scoring es un método para convertir evidencia dispersa en oportunidades comparables entre sí: se eligen unos pocos factores, se puntúan en la misma escala, se combinan con una fórmula explícita y se obtiene un orden que alguien puede defender. No decide qué construir. Hace discutible la decisión.
Qué se puntúa
Un modelo utilizable necesita pocos factores y bien definidos. Estos siete cubren casi todo:
| Factor | Qué responde | Trampa habitual |
|---|---|---|
| Demanda | Cuántas cuentas distintas lo han pedido | Contar mensajes en vez de cuentas |
| Impacto | Cuánto cambia el resultado para cada una | Confundirlo con intensidad emocional |
| Segmento | Si son las cuentas que te interesan | Aplicarlo solo cuando conviene al argumento |
| Urgencia | Si hay trabajo bloqueado o solo molestia | Tratar el enfado como urgencia |
| Recurrencia | Si vuelve tras haberse descartado | Ignorarla y volver a descartar |
| Ajuste estratégico | Si lleva el producto donde has decidido ir | Dejarlo fuera y luego contradecir el ranking |
| Confianza | Cuánto de lo anterior sabes de verdad | Omitirla, que es lo que hace parecer datos a las estimaciones |
| Esfuerzo | Lo que cuesta, incluido lo no estimado | Estimar en la misma reunión en que se puntúa |
La confianza es el factor que más se omite y más falta hace. Una puntuación alta construida sobre tres suposiciones no debería superar a una más baja construida sobre evidencia.
Dos formas de combinarlos
Multiplicativa
Puntuación = (Demanda × Impacto × Ajuste × Confianza) ÷ Esfuerzo
Un factor bajo arrastra todo el resultado. Si el ajuste estratégico es 1, da igual la demanda: la oportunidad cae.
Aditiva ponderada
Puntuación = (Demanda×0,25) + (Impacto×0,30) + (Ajuste×0,25) + (Confianza×0,20)
Cada factor aporta su parte y ninguno anula a los demás. Un ajuste estratégico bajo baja la nota sin eliminar la oportunidad.
Ninguna es superior por naturaleza. La multiplicativa es apropiada cuando un factor bajo debe ser eliminatorio de verdad, por ejemplo el ajuste estratégico en un equipo con una dirección clara. Es demasiado severa cuando las puntuaciones son estimaciones ruidosas, porque un 1 discutible en un factor descarta algo que quizá merecía discusión. La aditiva es más tolerante al ruido y más fácil de manipular: los pesos codifican la estrategia y suele fijarlos quien construyó la hoja de cálculo.
Elige una, escríbela y no la cambies a mitad de trimestre. Ajustar los pesos hasta que salga la respuesta que ya se prefería es la forma más común de convertir un modelo en decoración.
Normalizar antes de combinar
Todos los factores en la misma escala, 1 a 5, con lo que significa cada valor escrito.
Sin eso, sumar «140 votos» con «impacto alto» produce un ranking de popularidad con pasos extra. La demanda en bruto es la que más distorsiona: convierte 140 votos en un 5 y 12 en un 1 y ya está, cuando la diferencia relevante puede ser que los 12 vengan de doce empresas distintas y los 140 de una comunidad activa.
Tres reglas para que nada domine todas las decisiones:
- Tope a la demanda. Por encima de cierto número de cuentas, el factor ya está saturado. Lo que distingue entonces es el impacto.
- El segmento multiplica, no sustituye. Que una cuenta grande lo pida no convierte una molestia menor en prioridad.
- El esfuerzo entra al final. Decide el orden entre cosas que ya merecen hacerse, nunca si algo merece hacerse.
Un ejemplo calculado
Producto de tamaño medio que ha decidido crecer hacia cuentas mayores. Escala 1 a 5, fórmula multiplicativa. Las cifras son ilustrativas, no valores de referencia.
| Oportunidad | Votos | Demanda | Impacto | Ajuste | Confianza | Esfuerzo | Puntuación |
|---|---|---|---|---|---|---|---|
| Exportación CSV | 100 | 5 | 2 | 1 | 4 | 1 | 40,0 |
| Modo oscuro | 70 | 4 | 1 | 1 | 5 | 2 | 10,0 |
| Integración Slack | 45 | 3 | 3 | 3 | 3 | 2 | 40,5 |
| SSO (SAML) | 10 | 2 | 5 | 5 | 4 | 4 | 50,0 |
| Registro de auditoría | 8 | 2 | 4 | 5 | 3 | 3 | 40,0 |
Por recuento de votos el orden sería: exportación CSV, modo oscuro, Slack, SSO, auditoría.
Por puntuación es: SSO, Slack, exportación CSV, auditoría, modo oscuro.
Tres cosas que enseña esta inversión:
El primero pasa a tercero. La exportación CSV mantiene una demanda alta y pierde por ajuste estratégico 1: la piden cuentas que el equipo ha decidido no perseguir. Ese 1 es una decisión de estrategia, no un dato, y ahí es donde el modelo la hace visible.
El último pasa a primero. SSO llega con diez solicitudes y gana por impacto y ajuste. Diez cuentas del segmento objetivo, cada una bloqueada, superan a cien del segmento que no lo es.
El segundo cae al final. El modo oscuro tiene mucha demanda, impacto mínimo y ajuste mínimo. Su confianza es 5 porque se sabe exactamente lo que es, y una confianza alta sobre algo poco importante sigue siendo poco importante.
Un apunte final que ninguna fórmula recoge: SSO y registro de auditoría suelen pedirlos los mismos compradores y rara vez sirven por separado. Puntuados como una sola entrega, el esfuerzo combinado cambia la aritmética y también el orden. Un modelo puntúa oportunidades sueltas; no ve que dos de ellas son una.
En qué se diferencia de RICE
RICE puntúa soluciones ya definidas, con alcance y estimación de esfuerzo. El feedback scoring trabaja un paso antes: convierte evidencia dispersa en oportunidades comparables, para saber qué problemas merecen que alguien los defina.
Ejecutar RICE sobre solicitudes en bruto es el fallo habitual. Se inventa una cifra de esfuerzo para rellenar el campo y se obtiene una lista ordenada de deseos, no una cola construible. El paso posterior, con marcos como RICE, MoSCoW o Kano, es otra disciplina. Lo que el scoring le entrega es evidencia comparable, y segmentar el feedback antes de puntuarlo es lo que evita que el volumen de un solo grupo decida el orden.
Errores frecuentes
- Puntuar mensajes en vez de cuentas. Una cuenta que escribe cinco veces es una cuenta.
- Puntuar sin haber agrupado duplicados. La misma petición en cuatro formulaciones se cuenta cuatro veces y pierde contra una bien redactada.
- Dejar que el sentimiento haga de urgencia. El enfado mide intensidad, no importancia, y el mensaje más tranquilo suele ser el de la cuenta que se va.
- Puntuar una vez y no revisar. La demanda y la confianza se mueven según aprendes.
- Usar el modelo en lugar de decidir. Una puntuación que contradice una estrategia en la que crees es información, no una orden.
Dónde entra FlagUp
FlagUp cubre la mitad de arriba: recoger las solicitudes en un solo sitio, agrupar duplicados para que la demanda se cuente una vez, asociar cada mensaje a su cuenta y publicar después la decisión a quien la pidió. El modelo de puntuación sigue siendo tuyo. Consulta los planes.
Preguntas frecuentes
¿Qué es el feedback scoring?
Un método para puntuar la evidencia detrás de cada oportunidad, en factores comparables, de modo que el orden resultante sea explícito y discutible en vez de una impresión.
¿Por qué no basta con contar votos?
Porque un voto mide que alguien vio el tablero y le importó, no a cuántas cuentas afecta ni cuánto. Cien votos de un segmento que no persigues pesan menos que diez del que sí.
¿Multiplicar o sumar?
Multiplicar cuando un factor bajo debe ser eliminatorio, por ejemplo el ajuste estratégico. Sumar cuando las puntuaciones son estimaciones ruidosas y no quieres que un 1 discutible descarte una oportunidad.
¿Qué escala conviene?
De 1 a 5, con el significado de cada valor escrito antes de puntuar nada. Escalas más finas dan una precisión que las estimaciones no tienen.
¿Cada cuánto se revisan las puntuaciones?
Una vez por ciclo de planificación para la lista activa, y siempre que llegue una señal nueva o una estimación de esfuerzo real. Una puntuación fijada y olvidada se convierte en ficción.
¿Sirve esto con poco volumen de feedback?
Sí, y sale más barato. Con pocas solicitudes el problema no es ordenar, es que la evidencia por oportunidad es escasa; el factor de confianza es entonces el más importante del modelo.