17 diciembre, 2018

Para algunos de los miembros de su equipo, la idea de usar datos para informar la toma de decisiones puede sentirse intimidante. Quizá no consideren que tengan fuertes habilidades analíticas. Tal vez simplemente temen la idea de navegar en una tonelada de datos. Sin embargo, no tiene por qué ser así. Si puede mostrarle a su equipo que hay formas simples y directas de generar un gran impacto empleando datos, avanzará mucho para hacer que sus empleados los utilicen más a menudo en su toma de decisiones cotidiana.

Considere tres ejemplos. El primero involucra a Billy Beane, gerente general de los Oakland Athletics y protagonista del libro de Michael Lewis Moneyball, que transformó el béisbol usando datos. No lo hizo utilizando sofisticadas matemáticas o trabajo estadístico. Lo logró haciendo una pregunta importante: ¿Qué clases de jugadores en la selección para Ligas Mayores típicamente tienen las carreras profesionales más exitosas? Usó años de datos para responder a esa pregunta, y a continuación eligió jugadores con esos atributos (aquellos que estaban jugando en la universidad, obteniendo muchas bases por bolas, y demás).

Lo esencial del “big gata” es mucho más simple: Haga una pregunta importante, encuentre los datos que podrían ofrecer una respuesta y descubra el patrón.
Lo esencial del “big gata” es mucho más simple: Haga una pregunta importante, encuentre los datos que podrían ofrecer una respuesta y descubra el patrón.

La perspectiva de Beane no era alguna clase de arcana manipulación estadística. Era mucho más simple. Él reconoció que podía predecir quién tendría éxito en las Grandes Ligas estudiando quién había tenido éxito previamente. Esto es solo explotar un patrón. En el mismo sentido, la lógica detrás de Moneyball puede aplicarse a cualquier empresa, hay un enorme potencial para usar datos en forma más poderosa, sin pasar años estudiando estadística o usando algoritmos complicados. Lo esencial del big gata es mucho más simple: Haga una pregunta importante, encuentre los datos que podrían ofrecer una respuesta y descubra el patrón.

El ejemplo dos proviene de la aplicación de la ley. Cuando la policía de Santa Cruz, California, señaló que habían “resuelto un crimen antes de que sucediera”, no se trataba de una estrategia orwelliana o futurista de combate al crimen. Era solo un patrón. La policía de Santa Cruz usó datos de crímenes para determinar cuándo y dónde estaban sucediendo más a menudo, y enviaron más policías a esas ubicaciones. Una de ellas era un estacionamiento donde había ocurrido un gran número de robos. Los policías detectaron a dos mujeres sospechosas acechando un automóvil. Una de ellas tenía una orden de arresto; la otra portaba drogas. La policía las arrestó a ambas, presumiblemente antes de que robaran el auto.

¿La policía realmente resolvió un crimen antes de que sucediera? La pregunta evade el punto. La policía de Santa Cruz usó datos para detectar patrones de crímenes y enviaron oficiales a los lugares donde tendrían mayor impacto. Eso no es un genio matemático; es simplemente el uso inteligente de datos.

Lo esencial del big gata es mucho más simple: Haga una pregunta importante, encuentre los datos que podrían ofrecer una respuesta y descubra el patrón.
¿Predicción?

Finalmente, cuando el minorista estadounidense Target quería una herramienta para acercarse a las compradoras embarazadas (que tienden a desarrollar sólidas lealtades de compra durante el embarazo), los analistas desarrollaron un “índice de predicción del embarazo”. Este no era ni tan rígido ni tan intrusivo como pareciera. Target ya tenía los datos relevantes. El minorista tiene una mesa de regalos para las madres que están esperando bebé.

Mujeres que le habían dicho a Target no solo que estaban embarazadas, sino para cuándo estaba programado el parto. Los analistas estudiaron los hábitos de compra de estas mujeres para discernir qué productos tenderían a comprar más que los consumidores no embarazados: toallitas para bebé, lociones sin esencia, vitaminas y un puñado de otros productos. El siguiente paso fue solo un salto lógico: Las mujeres que comenzaban a comprar esos productos probablemente estaban embarazadas y puede ofrecérseles productos y servicios relacionados con el embarazo. Eso es un negocio inteligente, no magia estadística.

Por supuesto, Target enfrentó un rechazo significativo cuando su índice de predicción del embarazo descubrió que una chica de preparatoria estaba embarazada, incluso antes que su padre. (Una serie de cupones relacionados con el embarazo, enviados por Target, llevaron al padre a cuestionar a su hija, de acuerdo con una historia del New York Times sobre el análisis de datos de Target). Este es un buen momento para recordarle a su equipo que los datos masivos requieren buen juicio. Hay algunos patrones que es mejor dejar en privado.

Sin embargo, la mayoría del tiempo, los consumidores se benefician enormemente de información bien dirigida. Queremos recomendaciones de productos que tenderemos a disfrutar y descuentos en servicios que usamos. Sus empleados tienen el poder para ofrecer esos beneficios, incluso si quizá no se consideran matemáticos.

Esto es porque la revolución del análisis de datos en los últimos 15 años ha sido posible por tres cosas: datos digitales, poder de computo económico y conectividad. Hace cincuenta años, los equipos de béisbol tenían montañas de estadísticas sobre el desempeño de los jugadores, pero estaban escritas en lápiz y ordenadas en carpetas dentro de una bodega. Lo mismo es cierto con la información de crímenes, los recibos de tarjetas de crédito y las encuestas de satisfacción del cliente. Teníamos la información, pero no había una forma fácil de compilarla y analizarla. Los patrones estaban ahí. Simplemente no podíamos verlos, al menos no de forma fácil y económica.

Entonces llegó la computadora personal, la digitalización e Internet. De repente, pudimos sacar toda la información de las bodegas y ver los patrones, gratis y en cuestión de segundos. Una vez que los datos se volvieron más valiosos, comenzamos a reunir más: con programas de lealtad, en redes sociales, o de scanner data.

Ahora la clave es generar preguntas imaginativas, no cálculos como tales. ¿Qué clases de personas resultan ser las mejores vendedoras? Puede usar datos para identificar los atributos que definen a las de mejor desempeño, y luego contratar a personas con esos atributos.

Para ser claro, es difícil medir y cuantificar habilidades importantes como la “escucha”; los datos deben recolectarse durante un periodo lo suficientemente largo como para separar la suerte de la habilidad. Aun así, el proceso de usar datos para responder preguntas puede acabar con mitos y superar estereotipos.

Hay algunos otros riesgos a tener en cuenta. Primero, los datos masivos tienden a producir patrones, pero no son definitivos. Por ejemplo, no todas las consumidoras de Target que compran toallitas para bebé y loción sin esencia están embarazadas.

Segundo, todos los datos vienen del pasado. Por ello, los análisis de datos no verán puntos de inflexión. Los consumidores no pueden brindar retroalimentación significativa sobre un producto que no pueden imaginar.

Tercero, el pensamiento descuidado es tan peligroso con datos como sin ellos. Sí, los consumidores que llaman a una línea de quejas reportan bajos niveles de satisfacción con el servicio que recibieron, porque es una línea de quejas. Una mejor pregunta por plantear es: ¿Los consumidores están más satisfechos al final de la llamada que al inicio? O, ¿qué técnicas han usado los empleados para mejorar la satisfacción de los consumidores? La forma más fácil de emocionar a sus empleados acerca de usar datos es desmitificar lo que realmente implican.

Charles Wheelan es el autor de “Naked Statistics,” “Naked Economics,” y “Naked Money.” Ha estado en la lista de los más vendidos del New York Times y enseña política pública en el Rockefeller Center del Dartmouth College.