4 Conceptos de análisis que todo gerente debe entender

Resumen.

Casi todos los trabajadores del conocimiento hoy en día necesitan ser un consumidor regular de análisis de datos. Cuatro conceptos de análisis de datos que cada gerente debe entender incluir 1.) experimentos controlados aleatorizados; 2.) pruebas A/B; 3.) análisis de regresión; y 4.) significancia estadística. Esta lista de lectura de «artículos de actualización» de los archivos de HBR le dará una comprensión básica de cada uno de estos cuatro conceptos, y cómo puede aplicarlos en su trabajo diario. No importa en qué negocio se encuentre o cuál sea su papel en su empresa, todos queremos, realmente necesitamos, tomar decisiones inteligentes, informadas y basadas en pruebas.

Al igual que muchos profesionales, mi trabajo no requiere experiencia en datos o análisis. Soy escritor y editor, así que trato con palabras, no números. Aún así, casi todos los trabajadores del conocimiento hoy en día necesitan ser un consumidor regular de análisis de datos. Por ejemplo, necesito entender si los artículos sobre tener una crisis a mitad de carrera superaron a los de recibir comentarios o por qué los artículos con titulares particulares obtienen más tráfico que otros.

También necesito ser capaz de leer la investigación sobre los temas que cubro y entender si los hallazgos de esos estudios son válidos y generalizables, y poder articular los hallazgos —y sus limitaciones— a ustedes, nuestros lectores.

Para hacer todo esto, necesito una comprensión más que básica del análisis de datos. Y aunque el curso de estadística que tomé en la escuela de posgrado fue útil, no me equipó completamente para comprender los conceptos importantes y tener las conversaciones que necesito en torno al análisis de datos.

Afortunadamente, tuve la oportunidad de hablar con algunos de los mejores expertos en el campo — Tom Redman, autor de Impulsado por los datos: beneficios de su activo empresarial más importante, y Kaiser Fung, que fundó el programa de análisis aplicado en la Universidad de Columbia, acerca de varios temas críticos cuando se trata de análisis de datos. Aquí hay cuatro actualizadores de nuestros archivos sobre conceptos de análisis de datos que cada gerente debe entender.

Experimentos controlados aleatorizados

Uno de los primeros pasos en cualquier análisis es la recopilación de datos. Esto sucede a menudo a través de un espectro de experimentos que realizan las empresas, desde encuestas rápidas e informales hasta estudios piloto, experimentos de campo e investigación de laboratorio. Uno de los tipos más estructurados es experimento controlado aleatorizado. Muchas personas, cuando escuchan este término, piensan inmediatamente en ensayos clínicos costosos, pero los experimentos controlados aleatorizados no tienen por qué ser costosos ni llevar mucho tiempo y pueden utilizarse para recopilar datos sobre cosas como si una intervención de servicio al cliente en particular mejoró la retención del cliente o si un nuevo, pieza más cara de equipo es más eficaz que uno menos costoso. En este repaso, Tom Redman me ayuda a entender lo que significa que una prueba sea «controlada» y cómo te aseguras de que incluya un elemento de «aleatorización». El artículo también aborda preguntas como: ¿Cuáles son las variables dependientes e independientes? ¿Y cuáles son los pasos para diseñar y llevar a cabo uno de estos experimentos?

Pruebas A/B

Uno de los experimentos más comunes que utilizan las empresas en estos días es el ensayo A/B ( que es un tipo de experimento controlado aleatorizado). En su forma más básica, estas pruebas son una forma de comparar dos versiones de algo para averiguar cuál funciona mejor. Las empresas lo usan para responder preguntas como, «¿Qué es lo más probable que haga clic a la gente? ¿O comprar nuestro producto? ¿O registrarse en nuestro sitio?» Las pruebas A/B se utilizan para evaluar todo, desde el diseño del sitio web hasta las ofertas en línea, los titulares y las descripciones de productos. Es fundamental entender cómo interpretar los resultados y evitar errores comunes, como terminar el experimento demasiado pronto antes de tener resultados válidos o tratar de mirar un panel de métricas cuando realmente debería centrarse en unos pocos. Puede obtener más información sobre Pruebas A/B aquí.

Análisis de regresión

Una vez que tenga los datos, análisis de regresión te ayuda a darle sentido. Por supuesto, hay muchas maneras de analizar los datos, pero la regresión lineal es una de las más importantes. Es una forma de ordenar matemáticamente si hay una relación entre dos o más variables. Por ejemplo, si estás en el negocio de vender paraguas, es posible que quieras saber cuántos artículos más vendes en días lluviosos. El análisis de regresión puede ayudarle a determinar si las pulgadas de lluvia impactan las ventas y cómo. Responde a las preguntas: ¿Qué factores importan más? ¿Qué podemos ignorar? ¿Cómo interactúan esos factores entre sí? Y, quizás lo más importante, ¿qué tan seguros estamos acerca de todos estos factores?

Afortunadamente, la regresión no es algo que normalmente se hace por su cuenta. ¡Hay programas de estadísticas para eso! Pero todavía es importante entender las matemáticas detrás de él y los tipos de errores que hay que evitar. En este repaso, explico cómo funciona la regresión y comparto una advertencia común, pero a menudo mal entendida, contra la confusión de la correlación con la causalidad.

Importancia estadística

Una vez que haya hecho el análisis, necesita averiguar qué significan sus resultados, en todo caso. Aquí es donde significación estadística entra. Este es un concepto que a menudo también es mal entendido y mal utilizado. Y sin embargo, dado que cada vez más empresas confían en los datos para tomar decisiones empresariales críticas, es un concepto esencial que debe entenderse. La significación estadística le ayuda a cuantificar si un resultado de un experimento es probablemente debido al azar o a los factores que estaba midiendo.

Este es un concepto que a veces luchaba para entenderme completamente a mí mismo, pero, afortunadamente, el profesional promedio no necesita entenderlo demasiado profundamente. Según Tom Redman, quien ayudó con este repaso, es más importante entender cómo no usarlo indebidamente.

Mientras usted está deshuesando estos cuatro conceptos, también sería útil leer esta visión general sobre el análisis cuantitativo de mi colega, Walt Frick. Es una buena introducción sobre por qué los datos son importantes, elegir las métricas correctas y hacer las preguntas correctas a partir de los datos. También hay un gran gráfico sobre la correlación vs. la causalidad para ayudarle a tomar decisiones sobre cuándo actuar sobre el análisis y cuándo no hacerlo.

Por último, si estás interesado en la analítica porque necesitas consumir investigación en ciencias sociales, te recomiendo encarecidamente esta pieza de Eva Vivalt, investigadora y profesora de la Universidad Nacional Australiana. Ella da varios consejos para determinar si la evidencia de un estudio debe ser confiable.

El análisis de datos se trata, en última instancia, de tomar buenas decisiones. No importa en qué negocio se encuentre o cuál sea su papel en su empresa, todos queremos, realmente necesitamos, tomar decisiones inteligentes, informadas y basadas en pruebas.

— Escrito por Amy Gallo