También conocido como: Método KJ / Affinity Diagram
descubrimientoexploracionmenorPrincipiante
TL;DR
Agrupa y organiza grandes volúmenes de datos cualitativos en temas y patrones.
Valor estratégico
Mantiene a los equipos de diseño anclados en datos reales mientras diseñan. Ecualiza al equipo: las opiniones de directivos tienen el mismo peso que las de cualquier otro miembro porque los verdaderos protagonistas son los datos pegados en la pared.
Categoría: sintesis-empatiaTiempo estimado: 2-4 horas para sesión de agrupación con equipo; 4-8 horas incluyendo preparación de notas
Qué es
El Mapa de Afinidad (Affinity Diagram) es una técnica de síntesis que organiza grandes cantidades de datos cualitativos (notas, observaciones, citas) en grupos temáticos naturales. Creado por Jiro Kawakita (método KJ), permite encontrar patrones emergentes sin imponer categorías predeterminadas.
Para qué sirve
✓Sintetizar grandes volúmenes de notas de investigación
✓Encontrar patrones emergentes en datos cualitativos
✓Facilitar análisis colaborativo con el equipo
✓Transformar datos crudos en temas accionables
Qué métodos lo alimentan
Entrevistas en profundidadObservación contextualWorkshops de co-creaciónCard Sorting abiertoFocus Groups
Cuándo usarlo
✓Después de investigaciones exploratorias y cualitativas: Indagación Contextual, entrevistas, observación diaria, focus groups
✓Durante y después de Pruebas de Usabilidad para registrar problemas en tiempo real y sintetizar fallos comunes
✓En talleres de co-diseño o lluvia de ideas (Brainstorming) para organizar ideas crudas del equipo
Cuándo NO usarlo
✗No usar en investigaciones estrictamente cuantitativas donde se requiere rigor estadístico (pruebas A/B, analítica web pura)
✗No usar si solo tienes datos fríos o hechos aislados sin el contexto ni las motivaciones profundas del usuario — podrías inventar un significado que no existe
Componentes obligatorios
✓Datos/Observaciones individuales (Notas): piezas individuales de datos, citas, dibujos o hechos breves — una sola idea u observación por cada nota adhesiva
✓Agrupaciones temáticas (Clusters): resultado de agrupar notas que comparten intención, problema o afinidad natural — deben emerger orgánicamente, no estar predefinidas
✓Etiquetas de categoría (Labels/Headers): nombres asignados a cada grupo una vez formados (recomendado: entre 3 y 10 grupos principales)
Componentes opcionales
○Código de colores por participante: en pruebas de usabilidad, asignar color diferente a cada participante — si un cluster acumula muchos colores, el problema es compartido
○Referencias cruzadas (Trazabilidad): códigos en las notas que permitan rastrear hasta la transcripción original
○Marcadores de priorización: indicadores visuales para destacar clusters con mayor densidad de notas (problemas más graves)
Cómo hacerlo paso a paso
1Preparación y recolección de datos: Reunir equipo multidisciplinario con pared amplia, marcadores y notas adhesivas. Generar 50-100 observaciones por entrevista.
2Saturación del espacio: Colocar todas las notas en la pared para crear un lienzo visual masivo.
3Agrupación (Clustering): Leer notas y moverlas para juntar las que comparten afinidades. Técnica KJ: agrupación inicial en completo silencio para fomentar consenso.
4Iteración y fusión: Revisar grupos, fusionar categorías duplicadas o relacionadas, ordenar por cantidad de datos.
5Etiquetado: Dar nombre representativo a cada grupo temático (recomendado: entre 3 y 10 grupos principales).
6Revisión y documentación: Discutir estructura final en equipo y fotografiar o digitalizar el diagrama.
Tips para equipos pequeños
Usa Miro o FigJam si el equipo es remoto
30-60 minutos es suficiente para un set de datos típico
Trabaja en silencio los primeros 10 minutos (mejora la calidad)
Incluye personas no-investigadoras — sus agrupaciones dan perspectiva fresca
Errores comunes
✗Usar categorías predefinidas (Top-down): error crítico — forzar las notas dentro de categorías preconcebidas impide que emerjan temas reales de los datos
✗Sesgos y juicios de valor: ideas preconcebidas dictando la agrupación — todas las declaraciones de usuarios deben tratarse con la misma validez
✗Análisis no colaborativo ('Lost in translation'): si un solo investigador realiza el diagrama aislado, se pierde el valor de crear empatía y comprensión compartida
✗Falta de validación posterior: identificar relaciones entre notas es inherentemente subjetivo — existe riesgo de tergiversar los datos originales si no se validan los insights
Criterios de calidad
✓Es la 'voz del cliente': se convierte en referencia constante que refleja fielmente lo que sienten y hacen los usuarios
✓Ecualiza al equipo: las opiniones de stakeholders y directivos tienen el mismo peso porque los datos en la pared son los protagonistas
✓Produce insights accionables: revela problemas subyacentes de manera clara, identificando qué área de la interfaz falla más
✓No es forzado: los temas emergen de los datos, no de una estructura preconcebida
Citas de autoridad
“La creación de diagramas de afinidad es un proceso que se utiliza para exteriorizar y agrupar de manera significativa las observaciones y los conocimientos de la investigación, manteniendo a los equipos de diseño anclados en los datos.”
— Universal Methods of Design
“Los grupos no están predefinidos, sino que deben emerger a partir de los datos.”
— Contextual Design
“El acto de crear un diagrama de afinidad le permitirá destilar los patrones y los conocimientos útiles a partir de las muchas citas individuales.”
— Observing the User Experience
Ejemplo contextualizado
Contexto: 12 entrevistas sobre experiencia de compra en supermercado online. 180 notas.
Grupos emergentes: 'Confianza en productos frescos' (34 notas), 'Frustración con sustitutos' (28 notas), 'Planificación semanal' (22 notas), 'Comparación de precios' (18 notas).
Insight clave del outlier: 3 notas sobre 'comprar para otros' no encajaron en ningún grupo — resultó ser un segmento de usuarios que compra para padres mayores con necesidades dietéticas especiales, un caso de uso no contemplado.