• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

La perspectiva en GTD

GTD

noviembre 26, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

En entradas anteriores se han visto cuales son las cinco fases propuestas por la metodología GTD para conseguir control sobre las tareas del día a día. Otro punto importante, aunque se omite en muchas ocasiones, es la perspectiva. Gracias a la introducción de la perspectiva en GTD se consigue no solo control, sino que además visión para darle sentido a la productividad.

Esta entrada forma parte de una serie introductoria sobre GTD que consta de las siguientes entregas:

  • Productividad personal con GTD
  • Capturar en GTD
  • Clarificar en GTD
  • Organizar en GTD
  • Reflexionar en GTD
  • Actuar en GTD
  • La perspectiva en GTD
  • La implementación de GTD

Tabla de contenidos

  • 1. Introducir la perspectiva para revisar el trabajo
  • 2. El modelo de los seis niveles
    • 2.1. Acciones en curso
    • 2.2. Proyectos en curso
    • 2.3. Áreas de enfoque y responsabilidad
    • 2.4. Objetivos a uno o dos años
    • 2.5. Visión a largo plazo
    • 2.6. Vida
  • 3. Conclusiones

Introducir la perspectiva para revisar el trabajo

La revisión del trabajo que propone la metodología GTD para conseguir perspectiva es un parte importante de la misma, aunque en muchas ocasiones es olvidada e ignorada. Esto se debe en parte a que cuando alguien se acerca a una nueva metodología productiva, como es el caso de GTD, es debido a que su sistema productivo no funciona. Siendo prioritario adquirir control sobre las tareas. Por lo que la visión o perspectiva es algo secundario.

La introducción de la perspectiva dentro de la metodología busca dar sentido a las tareas. Alienando estas con las metas y principios. Así, el sistema productivo resultante no solamente ofrece la posibilidad de mantener bajo control las tareas, sino que también permite ir más allá y dar sentido a estas. Lo que se consigue mediante el modelo de los seis niveles.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

El modelo de los seis niveles funciona de una forma similar al cambio de perspectiva que ofrecen los GPS modernos en función de las necesidades. Al llegar a una rotonda los GPS hacen zoom sobre el plano para ofrecer más detalle, permitiendo al conductor identificar de una forma sencilla cuál es la salida. Vista que se puede asociar con las tareas del día a día. Por otro lado, al incorporarse a una autovía el GPS cambia la perspectiva para mostrar una vista de los próximos kilómetros. Ya que, cuando no hay desvíos, no es necesario centrarse en los detalles, sino que es más importante tener una visión global de la ruta.

El modelo de los seis niveles

La perspectiva en GTD es algo que se obtiene con el modelo de los seis niveles que David Allen propone en sus libros. Un modelo que en las primeras ediciones identificaba con las vistas que se obtienen sobre el mapa a diferentes altitudes, lo que se asemeja mucho a las visiones de los GPS. Los niveles de este modelo, de menor a mayor detalle, son los siguientes

  • Horizonte 5: Vida
  • Horizonte 4: Visión a largo plazo
  • Horizonte 3: Objetivos a uno o dos años
  • Horizonte 2: Áreas de enfoque y responsabilidad
  • Horizonte 1: Proyectos en curso
  • Piso: Acciones en curso

Los detalles de los diferentes niveles, en orden inverso, los

Acciones en curso

Las acciones en curso es el nivel de perspectiva más bajo del modelo. Un nivel al que en las primeras ediciones de los libros de David Allen se llamaba visión horizontal o de aptitud. En este nivel lo que se busca es ver lo que hay en cada una de las listas e identificar cuales son las próximas acciones. Un nivel de perspectiva se alcanza con la revisión semanal.

Proyectos en curso

El segundo nivel del modelo son los proyectos en curso, un nivel que también se conoce como perspectiva vertical o de alcance. Este nivel, al igual que el anterior, también se consigue gracias a las revisiones semanales. En este nivel lo que se busca es ver cuales son los proyectos activos, recordando que en GTD un proyecto es cualquier objetivo que requiere más de una acción para ser alcanzado, y sus próximas acciones disponibles.

Áreas de enfoque y responsabilidad

Una vez que se tiene una visión en detalle de las acciones y proyectos en curso el siguiente nivel es la búsqueda del equilibrio entre las diferentes áreas de enfoque o responsabilidad. Siendo las áreas de responsabilidad aquellas cosas que son importantes para nosotros como el trabajo, el ocio, la familia, … de modo que todas ellas se encuentren equilibradas. Es importante notar que las áreas de responsabilidad no son contenedores para las acciones, sino que cosas vitales.

En este nivel lo que se debe buscar es un equilibrio entre todas las áreas, para evitar que alguna de ellas se encuentre desatendida. Por lo que, debido a que son cosas importantes, podría conducir a la insatisfacción con el sistema productivo. Por que es necesario revisar periódicamente que cada una de estas se encuentren atendidas y correctamente equilibradas. Esto es, se presta la correcta atención a cada una de ellas. A diferencia de los anteriores, este nivel se debería revisar aproximadamente una vez cada mes.

Objetivos a uno o dos años

El cuarto nivel del modelo revisa si se están cumpliendo las metas y objetivos para los próximos años.

Las metas y los objetivos no son lo mismo. Una meta es algo abstracto, mientras que un objetivo es algo completamente medible. Por ejemplo, una meta puede ser aprender aprendizaje automático. Pero esto es algo nebuloso, por lo que no es posible evaluar de una forma clara si se ha alcanzado o no. Para evaluar que se ha alcanzado primero hay que convertir esta meta en un objetivo, algo que sea medible. Siguiendo con el ejemplo, la meta anterior se puede convertir en un objetivo medible tal como: finalizar un curso de aprendizaje automático. Algo que cualquier puede verificar si se ha cumplido o no.

En este nivel del modelo lo que se debe verificar es si los objetivos concretos se están alcanzado o no. Analizando si es necesario ampliar o acotar los plazos propuestos inicialmente y si es posible plantearse nuevos o no.

Visión a largo plazo

La visión a largo plazo es el quinto nivel del modelo. Un nivel que va más allá de lo visto anteriormente y busca validar que el modelo seguirá funcionando después de tres o cinco años y ver los beneficios que este aporta. Facilitando que se siga siendo altamente productivo en todo momento.

Vida

El último nivel del modelo de los seis niveles es vida. Un nivel que en las primeras ediciones del libro se llamaba propósito y valores. En este nivel lo que se busca es identificar cuales son los valores que guían la vida para poder alinear las acciones con estos, de modo que el sistema productivo se puede alinear con estos.

Conclusiones

En esta ocasión hemos visto que es la perspectiva en GTD y porque es importante. La metodología no solamente busca alzar la productividad en el día a día, sino que también ayudar a que se alcance las metas y objetivos. Alienando el sistema productivo con los propósitos y valores. La próxima semana finaliza la serie con una entrada para ayudar con la implementación de GTD.

Imagen de StockSnap en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: Productividad Etiquetado como: GTD

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Cómo Explorar un Dataset antes de Modelar publicado el noviembre 17, 2026 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto