Diseñar una encuesta exigente y afinar al máximo el perfil del participante suena a rigor metodológico. Pero si no tienes claro cuántas personas de tu panel van a pasar ese filtro, puedes acabar con un estudio que se encarece semana a semana y un cliente al teléfono preguntando por qué el campo no avanza. Eso es exactamente lo que ocurre cuando se subestima la tasa de incidencia en encuestas.
En este artículo encontrarás la definición exacta, la fórmula para calcularla paso a paso, los rangos habituales según el tipo de estudio y las estrategias que utilizan los equipos de investigación más eficientes para gestionarla. Incluye además la explicación de cómo la inteligencia artificial permite estimar la tasa de incidencia antes de lanzar al campo, con datos reales en lugar de una suposición educada.
¿Qué es la tasa de incidencia en encuestas?
La tasa de incidencia, conocida en inglés como incidence rate o IR, es el porcentaje de personas dentro de una población o panel que cumplen los criterios de elegibilidad para participar en un estudio concreto. En términos directos: de cada 100 personas que entran en contacto con tu encuesta, ¿cuántas superan el filtro de cualificación?
Esta métrica determina cuántos individuos necesitas contactar para alcanzar la cuota de entrevistados válidos que necesitas. Y eso, a su vez, decide el coste real del estudio, el tiempo de campo y la calidad de los datos que obtendrás. Ignorarla o estimarla mal no es un error menor: es la diferencia entre un proyecto que se entrega según lo pactado y uno que vuelve a presupuesto tres veces.
¿Y esto qué significa en la práctica? Imagina que tu objetivo son propietarios de una marca concreta de vehículo eléctrico en España. El panel puede segmentar por “propietario de coche”, pero no necesariamente por modelo específico ni año de compra. La IR puede caer de forma drástica, y si no lo has previsto, el campo se alargará semanas y el coste por entrevista completa se disparará sin que hayas cambiado nada en el diseño del cuestionario.
“Una tasa de incidencia baja suele traducirse en costes más altos y plazos de campo más largos. Alcanzar el número de participantes necesarios requiere procesar más contactos, lo que impacta directamente en la eficiencia de la investigación.”
— Dynata, 2024
La IR, por tanto, no es un dato técnico exclusivo del equipo de operaciones: es un input estratégico que afecta a la viabilidad, el coste y la calidad de cualquier proyecto de investigación, y debe estar sobre la mesa desde la fase de planificación.
Cómo se calcula la tasa de incidencia: fórmula y ejemplos prácticos
La fórmula en sí es sencilla. La dificultad no está en el cálculo, sino en estimar correctamente los valores antes de lanzar el campo, que es exactamente cuando más importa conocerlos.
Fórmula de la tasa de incidencia:
IR (%) = (Participantes que califican ÷ Total de personas contactadas) × 100
Un ejemplo concreto: si contactas a 500 personas y 140 superan el screening de elegibilidad, la IR es del 28%. Eso significa que necesitas contactar, de media, a 3,6 personas para obtener cada entrevista completa válida. Si el coste de procesar cada contacto es de 2 euros, el coste real de cada completo no es 2 euros, sino 7,2 euros antes de contar la duración del cuestionario.
Aquí está el punto que muchos equipos pasan por alto: el impacto de una IR baja no es lineal. Una IR del 10% no cuesta el doble que una del 20%, puede costar el triple o más, dependiendo de la metodología del panel, los costes de screening y los plazos de campo comprometidos.
Ejemplos de cálculo de la tasa de incidencia
Estudio de gran consumo (IR alta)
Propietarios de secadora, adultos de 18 a 65 años, sin restricciones geográficas adicionales. Screening de un solo criterio amplio. IR estimada: ~82% (rango 80-85%). Alta confianza, coste bajo por entrevista completa.
Estudio de nicho con marca específica (IR baja)
Propietarios de una marca concreta de vehículo eléctrico. El panel puede segmentar por “propietario de coche”, no por modelo exacto. IR reducida, confianza baja, alerta de nicho: momento de ajustar expectativas antes del lanzamiento, no en el tercer día de campo.
Estudio B2B muy especializado (IR muy baja)
Responsables de compras en empresas del sector industrial con más de 200 empleados. Perfil altamente segmentado. IR puede situarse por debajo del 10%, con impacto significativo sobre el coste total y los plazos de entrega.
Sigue leyendo, porque los rangos orientativos que verás a continuación son el punto de referencia que los equipos de investigación más experimentados usan para planificar el presupuesto desde el primer briefing.
Rangos habituales de tasa de incidencia y su impacto real en los estudios
No existe un umbral universal de “IR aceptable”, porque depende del tipo de estudio, el panel disponible y el presupuesto comprometido. Pero hay rangos orientativos que sirven como referencia en la mayoría de los proyectos de investigación cuantitativa.
| Rango de IR | Tipo de audiencia habitual | Impacto en costes | Impacto en plazos de campo |
|---|---|---|---|
| 70-100% | Gran consumo, adultos sin restricción de perfil | Bajo | Estándar |
| 40-69% | Usuarios de categorías de producto | Moderado | Ligeramente superior al estándar |
| 20-39% | Compradores de marcas o productos específicos | Alto | Plazo extendido de forma notable |
| Menos del 20% | Nichos B2B, perfiles profesionales muy acotados | Muy alto | Significativamente extendido |
Lo que esta tabla no puede mostrar es el efecto acumulado. Cuando la IR es baja y la encuesta es larga, el impacto no se suma, se multiplica. Un estudio con una IR del 12% y 25 minutos de duración requiere procesar un volumen enorme de contactos, y cada uno tiene un coste asociado que el cliente acaba absorbiendo de una manera u otra. Conocer este dato antes de comprometer un presupuesto no es un detalle técnico: es una decisión de negocio.
Factores que determinan la tasa de incidencia de una encuesta
La IR no es un valor fijo que puedas leer en una tabla estática: varía en función de variables que, en parte, tú controlas y, en parte, dependen del panel y del mercado. Conocerlos te permite tomar decisiones informadas antes de que el campo empiece.
Especificidad del público objetivo. Cuanto más acotado es el perfil que buscas, más baja será la IR. Un estudio dirigido a adultos en general tiene una IR radicalmente diferente a uno orientado a responsables de compras en empresas industriales con más de 500 empleados en una región concreta. La segmentación tiene un coste directo sobre la viabilidad del estudio.
Longitud y complejidad de la encuesta. Las preguntas de screening largas o confusas generan abandonos antes de que el participante llegue al cuestionario principal. Cada abandono en el screening es un contacto no cualificado que infla el denominador de tu fórmula y reduce la IR calculada en campo, aunque el problema real sea el diseño, no la audiencia.
Calidad y cobertura del panel. No todos los paneles tienen la misma profundidad de datos de perfil. Si tu proveedor puede segmentar por “propietario de coche” pero no por marca ni antigüedad, la IR real en campo será inferior a la estimada porque el screening tendrá que filtrar más. Conocer las capacidades de segmentación del panel antes de comprometer la IR es imprescindible.
Incentivos y experiencia del encuestado. Ofrecer incentivos adecuados y garantizar una experiencia fluida en el cuestionario mejora las tasas de participación. Una encuesta bien diseñada, ágil en el screening y clara en sus instrucciones retiene a los participantes cualificados y reduce los abandonos intermedios que distorsionan la IR real.
Metodología de recogida de datos. El canal importa. Una encuesta online en panel tiene una IR diferente a una entrevista telefónica asistida por ordenador (CATI), incluso para el mismo público objetivo, porque los distintos canales atraen perfiles diferentes del mercado y presentan tasas de respuesta estructuralmente distintas.
Cómo la inteligencia artificial permite estimar la tasa de incidencia antes de lanzar
Aquí es donde la ecuación cambia. Durante años, la estimación de la IR antes del lanzamiento ha dependido de la experiencia del investigador, de datos históricos de proyectos similares o de una suposición fundamentada. El problema de todas estas aproximaciones es el mismo: se basan en lo que el equipo ya sabe, no en los datos reales del panel disponible en ese momento.
La estimación de la IR con inteligencia artificial resuelve exactamente esto. La funcionalidad de estimación con IA de QuestionPro Audience analiza tres elementos de tu estudio antes del lanzamiento: las preguntas de screening y las respuestas que cualifican al participante, los filtros de panel que has aplicado a tu muestra objetivo y los datos históricos de perfil del panel donde estén disponibles.
A partir de esa información, el sistema devuelve tres cosas en cuestión de segundos: una IR sugerida con su rango de confianza, y una alerta de nicho cuando el público objetivo resulta difícil de alcanzar. Todo esto ocurre sin que el investigador tenga que salir del flujo de configuración de la viabilidad del estudio.
“En lugar de pedirte que conozcas el número de antemano, el sistema lee tu encuesta y tu targeting, y te entrega un punto de partida basado en datos reales. Para audiencias amplias de gran consumo, una estimación de alta confianza es un número sólido con el que trabajar. Para nichos muy específicos, te avisa mientras todavía puedes ajustar.”
— QuestionPro Team
Pero atención: lo que hace especialmente útil esta funcionalidad no es solo el número que devuelve, sino el momento en que lo devuelve. Antes de que el campo empiece, cuando todavía puedes ajustar el diseño de la muestra, recalibrar las expectativas con el cliente o reconsiderar la metodología sin coste adicional. Descubrir que tu IR real es del 8% cuando esperabas un 30%, y hacerlo en el tercer día de campo, es un problema de una magnitud completamente diferente.
El sistema también tiene límites claros que conviene conocer: no actualiza la IR en tiempo real durante el campo, no simula cuotas y no rediseña la encuesta por ti. Es una herramienta de planificación, no de ejecución. La gestión de la IR durante el campo, una vez lanzado el estudio, es una función separada específicamente diseñada para monitorizar métricas en tiempo real y detectar desviaciones sobre la marcha.
~82%
Es la tasa de incidencia estimada para un estudio de gran consumo con un único criterio de screening amplio, como propietarios de secadora entre adultos de 18 a 65 años sin restricciones adicionales de perfil o geografía.
Fuente: QuestionPro Audience AI IR Estimate, 2024
El control, en cualquier caso, sigue siendo tuyo. Puedes aplicar el número sugerido a tu configuración de viabilidad con un clic, o escribir tu propia estimación si tienes datos específicos que el modelo no puede conocer. El objetivo es darte un punto de partida fundamentado, no sustituir tu criterio.
Estrategias para optimizar la tasa de incidencia en tus estudios
Conocer la IR esperada antes de lanzar es el primer paso. El segundo es trabajar activamente para mejorarla o, al menos, diseñar el estudio de manera que su impacto sobre el presupuesto sea lo más manejable posible. Hay más: en algunos casos, la clave no es subir la IR sino saber con anticipación que será baja, para planificar de forma realista desde el inicio.
Pre-screening inteligente. Implementar criterios de pre-screening claros y eficientes asegura que solo las personas con posibilidades reales de cualificar accedan al cuestionario completo. Un screening mal construido, con preguntas ambiguas o en un orden incorrecto, genera abandonos que reducen artificialmente la IR. El orden importa: poner primero los filtros más excluyentes ahorra tiempo de proceso para los contactos que no van a cualificar.
Reclutamiento dirigido al panel adecuado. Aprovecha los datos de perfil del panel para afinar el targeting antes de lanzar, en lugar de confiar en el screening para hacer todo el trabajo de filtrado. Cuantos más filtros puedas aplicar directamente sobre el panel, menos individuos no cualificados entrarán en el proceso y más eficiente será el campo.
Optimización del diseño del cuestionario. Una encuesta más corta y mejor estructurada retiene a los participantes. Esto aplica sobre todo al tramo de screening: los participantes cualificados que abandonan en el screening por fatiga o confusión son una pérdida directa de IR que no tiene nada que ver con la audiencia disponible.
Muestreo flexible cuando el criterio lo permite. En algunos proyectos, una mayor flexibilidad en los criterios de elegibilidad puede mejorar significativamente la IR sin comprometer la validez de los resultados. Vale la pena analizar qué criterios son verdaderamente imprescindibles para los objetivos del estudio y cuáles son deseables pero no determinantes.
Revisión temprana con el proveedor de panel. Antes de comprometerte con una IR en el presupuesto, contrástala con el proveedor. Los paneles con acceso a datos de profiling histórico pueden ofrecerte rangos orientativos que reducen la incertidumbre y evitan sorpresas una vez arrancado el campo.
Conclusión
La tasa de incidencia en encuestas es uno de los factores que más influye en el coste, la viabilidad y la calidad de un estudio, y también uno de los que con más frecuencia se estima de forma aproximada. Dedicar tiempo a calcularla bien antes de lanzar, y a validarla con datos reales del panel, marca la diferencia entre un proyecto que se entrega según lo pactado y uno que genera conversaciones difíciles con el cliente a mitad de campo.
La estimación con inteligencia artificial disponible en QuestionPro Audience es una forma concreta de reducir esa incertidumbre desde la fase de planificación. Si quieres saber cómo puede ayudarte en tus próximas investigaciones o quieres discutir la viabilidad de un estudio específico, habla con nuestro equipo hoy.
La tasa de incidencia (IR) en encuestas es el porcentaje de personas de una población o panel que cumplen los criterios de elegibilidad para participar en un estudio concreto. Se calcula dividiendo el número de participantes que califican entre el total de personas contactadas, multiplicado por 100. Una IR alta indica una audiencia amplia y fácil de alcanzar; una IR baja señala un perfil muy específico que requiere más recursos para completar la muestra objetivo.
La fórmula es: IR (%) = (participantes que califican ÷ total de personas contactadas) × 100. Por ejemplo, si contactas a 400 personas y 100 superan el screening, la IR es del 25%. Este dato determina cuántos contactos necesitas procesar para conseguir cada entrevista completa válida, lo que impacta directamente en el coste final y el plazo de campo del estudio.
Porque para obtener cada entrevista válida necesitas contactar y filtrar a más personas, y cada contacto tiene un coste asociado para el proveedor de panel. Una IR del 10% implica contactar a 10 personas por cada entrevista completada. Además, más screening requiere más tiempo de campo, lo que puede comprometer los plazos del proyecto y generar la necesidad de renegociar el presupuesto con el cliente en plena ejecución.
Los principales son la especificidad del público objetivo, la longitud y complejidad de la encuesta, la calidad del panel y su capacidad de segmentación, la metodología de recogida de datos y los incentivos ofrecidos a los participantes. Todos interactúan: un screening mal diseñado en una encuesta larga puede reducir la IR de forma significativa incluso en audiencias relativamente amplias, generando un problema de diseño que se confunde con un problema de viabilidad.
La estimación de IR con IA analiza las preguntas de screening, las respuestas que cualifican al participante y los filtros de panel aplicados, comparándolos con datos históricos de perfil del panel. En cuestión de segundos devuelve una IR sugerida, un rango de confianza y, cuando el público es muy específico, una alerta de nicho. Esto permite planificar el presupuesto y gestionar las expectativas del cliente con datos reales, en lugar de depender de estimaciones subjetivas antes del lanzamiento.
