4 conceptos de análisis que todo directivo debe entender

Hoy en día, casi todos los trabajadores del conocimiento tienen que ser consumidores habituales de análisis de datos. Cuatro conceptos de análisis de datos que cada el gerente debe entender que incluye 1.) experimentos controlados aleatorios; 2.) Pruebas A/B; 3.) análisis de regresión; y 4.) significación estadística. Esta lista de lectura de «artículos de actualización» de los archivos de HBR le dará una idea básica de cada uno de estos cuatro conceptos y de cómo puede aplicarlos en su trabajo diario. No importa en qué negocio se encuentre o cuál sea su función en su empresa, todos queremos —necesitamos, realmente— tomar decisiones inteligentes, informadas y basadas en pruebas.

••• Como muchos profesionales, mi trabajo no requiere experiencia en datos o análisis. Soy escritor y editor, así que me ocupo de las palabras, no de los números. Aun así, casi todos los trabajadores del conocimiento actuales tienen que ser consumidores habituales de análisis de datos. Por ejemplo, tengo que entender si los artículos sobre una crisis a mitad de carrera tuvieron mejores resultados que los sobre la recepción de comentarios y por qué los artículos con titulares determinados reciben más tráfico que otros. También necesito poder leer las investigaciones sobre los temas que abordo y entender si las conclusiones de esos estudios son válidas y generalizables, y poder articular las conclusiones (y sus limitaciones) para ustedes, nuestros lectores. Para hacer todo esto, necesito un conocimiento más que básico del análisis de datos. Y aunque el curso de estadística que hice en el posgrado fue útil, no me preparó del todo para entender los conceptos importantes y mantener las conversaciones que necesito en torno al análisis de datos. Afortunadamente, tuve la oportunidad de hablar con algunos de los mejores expertos en la materia, como Tom Redman, autor de[_Basado en los datos: sacar provecho de su activo empresarial más importante_](https://www.amazon.com/Data-Driven-Profiting-Important-Business-ebook-dp-B004OEIQ86/dp/B004OEIQ86) y Kaiser Fung, que fundó el programa de análisis aplicado en la Universidad de Columbia, sobre varios temas fundamentales en lo que respecta al análisis de datos. Estos son cuatro repasos de nuestros archivos sobre conceptos de análisis de datos que _cada_ el gerente debería entender. **Experimentos controlados aleatorios** Uno de los primeros pasos de cualquier análisis es la recopilación de datos. Esto ocurre a menudo a través de una serie de experimentos que realizan las empresas, desde encuestas rápidas e informales hasta estudios piloto, experimentos de campo e investigaciones de laboratorio. Uno de los tipos más estructurados es el[experimento controlado aleatorio](/2016/03/a-refresher-on-randomized-controlled-experiments). Muchas personas, cuando escuchan este término, piensan inmediatamente en ensayos clínicos costosos, pero los experimentos controlados aleatorios no tienen por qué ser costosos ni llevar mucho tiempo, y se pueden utilizar para recopilar datos sobre cosas como si una intervención de servicio al cliente en particular mejoró la retención de clientes o si un equipo nuevo y más caro es más eficaz que uno menos costoso. En [este repaso](/2016/03/a-refresher-on-randomized-controlled-experiments), Tom Redman me ayuda a entender lo que significa que una prueba esté «controlada» y cómo se asegura de que incluye un elemento de «aleatorización». El artículo también aborda preguntas como: ¿Qué son las variables dependientes e independientes? ¿Y cuáles son los pasos para diseñar y llevar a cabo uno de esos experimentos? **Pruebas A/B** Uno de los experimentos más comunes que utilizan las empresas hoy en día es[la prueba A/B (](/2017/06/a-refresher-on-ab-testing) que es un tipo de experimento controlado aleatorio). En su forma más básica, estas pruebas son una forma de comparar dos versiones de algo para determinar cuál funciona mejor. Las empresas lo utilizan para responder a preguntas como: «¿Qué es lo más probable que haga que la gente haga clic? ¿O comprar nuestro producto? ¿O registrarse en nuestro sitio?» Las pruebas A/B se utilizan para evaluar todo, desde el diseño de sitios web hasta las ofertas en línea, los titulares y las descripciones de los productos. Es fundamental para[entender cómo interpretar los resultados y evitar errores comunes](/2017/06/a-refresher-on-ab-testing), como terminar el experimento demasiado pronto antes de obtener resultados válidos o intentar mirar un panel de métricas cuando realmente debería centrarse en unas pocas. Puede obtener más información sobre [Aquí hay pruebas A/B](/2017/06/a-refresher-on-ab-testing). **Análisis de regresión** Una vez que tenga los datos,[análisis de regresión](/2015/11/a-refresher-on-regression-analysis) le ayuda a encontrarle sentido. Por supuesto, hay muchas formas de analizar los datos, pero la regresión lineal es una de las más importantes. Es una forma de determinar matemáticamente si hay una relación entre dos o más variables. Por ejemplo, si se dedica a la venta de sombrillas, querrá saber cuántos artículos más vende en los días de lluvia. El análisis de regresión puede ayudarlo a determinar si las pulgadas de lluvia afectan a las ventas y en qué medida. Responde a las preguntas: ¿Qué factores son los que más importan? ¿Qué podemos ignorar? ¿Cómo interactúan esos factores entre sí? Y, quizás lo más importante, ¿qué tan seguros estamos de todos estos factores? Afortunadamente, la regresión no es algo que se haga normalmente por su cuenta. ¡Hay programas de estadísticas para eso! Pero aun así es importante entender las matemáticas detrás de esto y los tipos de errores que se deben evitar.[En este repaso](/2015/11/a-refresher-on-regression-analysis), explico cómo funciona la regresión y comparto una advertencia común, pero a menudo malinterpretada, contra la confusión de la correlación con la causalidad. **Importancia estadística** Una vez hecho el análisis, tiene que averiguar qué significan sus resultados, si acaso. Aquí es donde[significación estadística](/2016/02/a-refresher-on-statistical-significance) entra. Este es un concepto que también se malinterpreta y se utiliza mal a menudo. Sin embargo, dado que cada vez más empresas se basan en los datos para tomar decisiones empresariales críticas, es un concepto esencial de entender. La significación estadística le ayuda a cuantificar si el resultado de un experimento probablemente se deba al azar o a los factores que estaba midiendo. Este es un concepto que a veces me costaba entender del todo, pero, afortunadamente, el profesional medio no necesita entenderlo con demasiada profundidad. Según Tom Redman, que ayudó con[este repaso](/2016/02/a-refresher-on-statistical-significance), es más importante entender cómo no hacer un uso indebido de él. Ya que se está centrando en estos cuatro conceptos, también le sería útil leer[este resumen sobre el análisis cuantitativo](/2014/05/an-introduction-to-data-driven-decisions-for-managers-who-dont-like-math) de mi colega Walt Frick. Es una buena introducción sobre la importancia de los datos, elegir las métricas correctas y hacer las preguntas correctas a partir de los datos. También hay un excelente gráfico sobre la correlación y la causalidad que le ayuda a tomar decisiones sobre cuándo actuar según el análisis y cuándo no. Por último, si le interesa la analítica porque necesita dedicarse a la investigación en ciencias sociales, le recomiendo encarecidamente[esta pieza](/2018/07/how-to-be-a-smart-consumer-of-social-science-research) de Eva Vivalt, investigadora y profesora de la Universidad Nacional de Australia. Da varios consejos para determinar si se debe confiar en las pruebas de un estudio. El análisis de datos consiste, en última instancia, en tomar buenas decisiones. No importa en qué negocio se encuentre o cuál sea su función en su empresa, todos queremos —necesitamos, realmente— tomar decisiones inteligentes, informadas y basadas en pruebas.