Mi trabajo como escritora no requiere pericia en datos o análisis. Aun así, la mayoría de los profesionales de la actualidad necesitan ser consumidores regulares de análisis de datos. Por ejemplo, necesito entender si es que los artículos acerca de una crisis de mitad de carrera tuvieron un mejor desempeño que aquellos sobre recibir retroalimentación, o por qué algunos titulares recibieron más tráfico que otros. También necesito ser capaz de investigar los temas que cubro y articular los hallazgos para los lectores.
Para ello necesito un entendimiento del análisis de datos que esté por encima de lo básico
Afortunadamente, tuve la oportunidad de hablar con expertos en ese campo acerca de muchos temas importantes respecto al análisis de datos. He aquí cuatro conceptos que todo directivo debería entender.
Control aleatorio
Uno de los primeros pasos en cualquier análisis es el reunir datos. Esto suele suceder por medio de experimentos que hacen las compañías –desde encuestas informales hasta experimentos controlados aleatorizados. Cuando escuchan este término, muchas personas inmediatamente piensan en costosos o tardados estudios clínicos. Sin embargo, los experimentos controlados aleatorizados no tienen por qué serlo. Puede usarlos para reunir datos sobre cosas como si una intervención particular sobre servicio a clientes realmente mejoró la retención de consumidores, o si es que una nueva y costosa pieza de equipo es más efectiva que una más barata. Este articulo explica qué significa que una prueba sea “controlada” y cómo asegurarse de que exista un elemento de “aleatorización.”
Pruebas A/B
Un experimento común que actualmente usan las compañías es la prueba A/B (que también es un tipo de experimento controlado aleatorizado). A un nivel básico, estas pruebas son una forma de comparar dos versiones de algo para descubrir cuál se desempeña mejor. Las compañías las usan para responder preguntas como “¿Qué tiene más probabilidades de hacer que las personas aprieten el botón? ¿o que compren nuestro producto? ¿o que se registren en nuestro sitio?” Las pruebas A/B pueden evaluar todo, desde el diseño de la página web hasta las ofertas en línea. Es crítico entender cómo interpretar los resultados y evitar errores comunes, incluyendo el de terminar el experimento antes de tener resultados válidos u observar múltiples mediciones cuando realmente debería enfocarse en unas cuantas. Puede aprender más acerca de las pruebas A/B aquí.
Análisis de la regresión
Una vez que tenga los datos, el análisis de la regresión lo ayuda a darles sentido. Por supuesto, hay muchas formas de analizar los datos, pero la regresión lineal es una de las más importantes. Es una forma de descubrir matemáticamente si hay una relación entre dos o más variables. Por ejemplo, si está en el negocio de vender sombrillas, quizá quiera saber cuántas más venderá en días lluviosos. El análisis de la regresión puede ayudarlo a determinar si es que la lluvia impacta en las ventas y cómo lo hace. Responde estas preguntas: ¿Qué factores importan más? ¿Cuáles podemos ignorar? ¿Cómo interactúan esos factores entre sí? Y quizá la más importante ¿qué tanta certeza tenemos respecto a esos factores?
Afortunadamente, la regresión no es algo que típicamente haga por sí mismo. ¡Hay programas de estadística para eso! Sin embargo, es importante entender las matemáticas que la respaldan y los tipos de errores a evitar.
Significación estadística
Una vez que ha hecho el análisis, descubra qué es lo que significan sus resultados. Aquí es donde entra la significación estadística. Este es un importante concepto en la toma de decisiones que a menudo es incomprendido. Lo ayuda a cuantificar si el resultado de un experimento se debe al azar o a los factores que estaba midiendo.
Este es un concepto que yo misma a veces tengo dificultades para entender por completo, pero, afortunadamente, el profesional promedio no necesita entenderlo muy a fondo. Es más importante entender cómo no usarlo incorrectamente. Además, este resumen del análisis cuantitativo brinda orientación para entender por qué los datos importan, elegir las mediciones adecuadas y plantearles a los datos las preguntas correctas.
Por último, si está interesado en el análisis porque necesita leer más investigaciones sobre ciencias sociales, yo recomiendo este artículo de Eva Vivalt, una investigadora y académica en la Australian National University. Ella brinda muchos consejos para determinar si es que la evidencia de un estudio es confiable.
El análisis de datos se trata de tomar buenas decisiones. No importa en qué negocio esté o cuál sea su rol, todos queremos tomar decisiones basadas en evidencia.
