Desarrolle un enfoque «probabilístico» para gestionar la incertidumbre

Ante la incertidumbre, ¿cómo deben reaccionar los líderes? ¿Deberían hacer una gran apuesta, cubrir su posición o simplemente esperar y ver qué pasa? Como es natural, solemos ver las situaciones de dos maneras: o los eventos son seguros y, por lo tanto, se pueden gestionar mediante planificación, procesos y presupuestos fiables; o son inciertos y no podemos gestionarlos nada bien. Afortunadamente, hay otro enfoque. Imagínese una mesa de billar. Se pone una venda en los ojos y su asistente hace rodar una pelota al azar por la mesa. Toman nota de dónde deja de rodar. Su trabajo consiste en averiguar dónde está la pelota. Todo lo que puede hacer en este momento es hacer una suposición aleatoria. Ahora imagine que le pide a su asistente que deje caer más bolas sobre la mesa y le diga si se detienen a la izquierda o a la derecha de la primera bola. Si todas las bolas se detienen a la derecha, ¿qué puede decir de la posición de la primera bola? Si se lanzan más bolas, ¿cómo mejora su conocimiento de la posición de la primera bola? De hecho, tiro tras lanzamiento, debería poder reducir el área en la que probablemente esté la primera bola. Este es un ejemplo de pensamiento probabilístico. Desarrollar una mentalidad probabilística le permite estar mejor preparado para las incertidumbres y complejidades de la era algorítmica. Incluso cuando los eventos están determinados por un conjunto de factores infinitamente complejo, el pensamiento probabilístico puede ayudarnos a identificar los resultados más probables y las mejores decisiones a tomar.

••• Nuestro nuevo mundo de sensores, teléfonos inteligentes y dispositivos conectados significa más datos que nunca, pero ¿también significa que cada vez es más fácil tomar decisiones bien informadas? De hecho, todo lo contrario. Lo que es más importante que la cantidad de datos que tiene es cómo enmarcan su forma de pensar. Con demasiada frecuencia, los líderes presionados para que parezcan decisivos intentan abordar cuestiones complejas con reglas o analogías simples, y utilizan los datos de forma selectiva para justificar malas decisiones. Pero, ¿y si, en lugar de intentar tener razón, pudiera equivocarse menos con el tiempo? Ante la incertidumbre, ¿cómo deben reaccionar los líderes? ¿Deberían hacer una gran apuesta, cubrir su posición o simplemente esperar y ver qué pasa? Los inversores y los operadores pueden ser expertos en gestionar el riesgo y los imprevistos, pero en otros sectores, lo desconocido puede sorprender a los líderes. Como es natural, solemos ver las situaciones de dos maneras: o los eventos son seguros y, por lo tanto, se pueden gestionar mediante planificación, procesos y presupuestos fiables; o son inciertos y no podemos gestionarlos nada bien. Afortunadamente, hay otro enfoque. Considere[Thomas Bayes](https://en.wikipedia.org/wiki/Thomas_Bayes), un estadístico y clérigo inglés, que propuso un [teorema](https://plato.stanford.edu/entries/bayes-theorem/) en 1763 eso cambiaría para siempre nuestra forma de pensar sobre la toma de decisiones en condiciones ambiguas. A Bayes le interesaba saber cómo deberían evolucionar nuestras creencias sobre el mundo a medida que acumulamos pruebas nuevas pero no comprobadas. En concreto, se preguntó cómo podría predecir la probabilidad de un suceso futuro si tan solo supiera cuántas veces se había producido o no en el pasado. Para responder a eso, creó un experimento mental. Imagínese una mesa de billar. Se pone una venda en los ojos y su asistente hace rodar una pelota al azar por la mesa. Toman nota de dónde deja de rodar. Su trabajo consiste en averiguar dónde está la pelota. Todo lo que puede hacer en este momento es hacer una suposición aleatoria. Ahora imagine que le pide a su asistente que deje caer más bolas sobre la mesa y le diga si se detienen a la izquierda o a la derecha de la primera bola. Si todas las bolas se detienen a la derecha, ¿qué puede decir de la posición de la primera bola? Si se lanzan más bolas, ¿cómo mejora su conocimiento de la posición de la primera bola? De hecho, tiro tras lanzamiento, debería poder reducir el área en la que probablemente esté la primera bola. Bayes descubrió que, incluso cuando se trata de resultados inciertos, podemos actualizar nuestros conocimientos incorporando información nueva y relevante a medida que esté disponible. Puede encontrar pruebas del pensamiento bayesiano a lo largo de la historia moderna, desde el siglo XIX[Oficiales de artillería franceses y rusos ajustan sus cañones](https://www.lesswrong.com/posts/RTt59BtFLqQbsSiqd/a-history-of-bayes-theorem) para tener en cuenta las incertidumbres sobre la ubicación de los enemigos, la densidad del aire, la dirección del viento y más, para[Alan Turing descifrando los códigos Enigma alemanes](https://www.iwm.org.uk/history/how-alan-turing-cracked-the-enigma-code) durante la Segunda Guerra Mundial. Bayes incluso ha influido en el diseño de las técnicas de IA y aprendizaje automático, especialmente con los ingenuos clasificadores de Bayes, que son una familia de algoritmos que se utilizan para predecir la categoría a la que pertenece un objeto de datos. Se utilizan en una amplia gama de aplicaciones, desde el análisis de opiniones en las redes sociales hasta el filtrado de spam o los sistemas de recomendación de películas. Para los líderes modernos, el pensamiento bayesiano también tiene cada vez más influencia. Por ejemplo, en Amazon, uno de los[14 Principios de liderazgo](https://www.amazon.jobs/en/principles) es «Tener agallas, estar en desacuerdo y comprometerse», que,[según lo explicado por Jeff Bezos](https://www.sec.gov/Archives/edgar/data/1018724/000119312517120198/d373368dex991.htm) —es una estrategia para alentar a los líderes a evitar perder el tiempo intentando garantizar un acuerdo universal. Es mejor comprometerse con una decisión controvertida y luego recopilar datos y ajustarlos si es necesario. En X, la fábrica lunar de Alphabet, [celebran conscientemente los proyectos fallidos](https://www.wired.com/2016/02/the-secret-to-moonshots-killing-our-projects/#.euwa8vwaq) como punto de datos que les ayuda a reducir la gama de opciones y, al hacerlo, a acelerar la innovación. Del mismo modo, en Spotify, han desarrollado un[marco](https://www.infoq.com/presentations/spotify-engineer-decision-making/) por explorar la relación entre los datos y la incertidumbre, que llaman DIBB (datos, ideas, creencias y apuestas). Lo utilizan para identificar explícitamente las métricas de éxito de las nuevas ideas y oportunidades, y para crear un lenguaje común en torno a la evaluación del desempeño. Los datos pueden ser imperfectos, incompletos o inciertos. A menudo hay más de una explicación de por qué las cosas sucedieron como lo hicieron; y al examinar esas explicaciones alternativas utilizando la probabilidad, puede comprender mejor la causalidad y lo que realmente está sucediendo. Sin embargo, cuesta un tiempo acostumbrarse a pensar probabilísticamente, ya que la mente humana es determinista por naturaleza. Por lo general, creemos que algo es verdadero o falso. O le gusta alguien o no. Rara vez, por ejemplo, se dan situaciones en las que pueda decir que hay un 46% de probabilidades de que alguien sea su amigo (a menos que sea un adolescente con muchos amigos amigos). Es muy posible que nuestro instinto de determinismo haya sido una innovación evolutiva. Para sobrevivir, tuvimos que hacer juicios precipitados sobre el mundo y nuestra respuesta ante él. Cuando un tigre se acerca a usted, no hay mucho tiempo para considerar si se acerca como amigo o como enemigo. Sin embargo, el enfoque determinista que mantuvo vivos a nuestros antepasados mientras cazaban en la sabana no lo ayudará a tomar buenas decisiones en entornos complejos e impredecibles cuando sus atajos mentales y heurísticos naturales comiencen a fallarle. Una de las mejores maneras de aceptar la incertidumbre y ser más probabilístico en su enfoque es aprender a pensar como un jugador profesional. Tomemos, por ejemplo, a Rasmus Ankersen. Ankersen, un danés que vive en Londres, vino originalmente al Reino Unido en busca de una editorial inglesa para su libro sobre el rendimiento humano, cuya redacción lo llevó de Kenia a Corea en busca de por qué los grandes atletas, ya sean corredores o golfistas, suelen venir de las mismas regiones pequeñas. Una de las razones por las que decidió quedarse en Londres fue por casualidad con un jugador profesional llamado Matthew Benham, que fundó dos compañías de juegos, Matchbook, una comunidad de intercambio de apuestas deportivas, y Smartodds, que ofrece servicios de investigación estadística y modelaje deportivo. Cuando Ankersen y Benham se conocieron, empezaron a hablar de que el fútbol era un deporte que aún no se había visto interrumpido por los datos y el pensamiento probabilístico.[Benham quedó lo suficientemente impresionado como para invitar a Ankersen a ayudar a dirigir el Brentford Football Club](https://thecorrespondent.com/2607/how-data-not-people-call-the-shots-in-denmark/230219386155-d2948861), que había adquirido recientemente. Poco después, Benham también compró el FC Midtjylland, el club de fútbol de la ciudad natal de Ankersen. La perspicacia de Ankersen era la siguiente: _El fútbol es uno de los deportes más injustos del mundo_. Aunque hay un dicho que dice que «la clasificación nunca miente», en opinión de Ankersen eso es exactamente lo que hace. Como el fútbol es un deporte con bajas puntuaciones, el resultado de victorias o derrotas de un partido no es una representación precisa del rendimiento real de un equipo y, por lo tanto, del valor intrínseco de sus jugadores. Desde la perspectiva de un jugador profesional, la clave para hacer una buena apuesta es actualizar continuamente su posición con información relevante que afecte a la probabilidad de que se produzca un hecho. En lugar de intentar tener razón, los jugadores se esfuerzan por equivocarse menos con el tiempo. Benham y Ankersen empezaron a utilizar la aplicación científica de la estadística (la técnica de la «bola del dinero», pionera en el béisbol) para evaluar el rendimiento de un equipo. Su indicador clave de rendimiento eran los «goles esperados» a favor y en contra de un equipo, en función de la calidad y la cantidad de ocasiones creadas durante el partido. El objetivo de este ejercicio era desarrollar una tabla de clasificación alternativa, que pudiera servir de[un predictor de resultados más fiable](https://www.newstatesman.com/politics/sport/2017/02/so-much-table-never-lies-data-unravels-footballs-biggest-lie-all) y una base mejor para valorar y adquirir jugadores. El enfoque de Benham y Ankersen contiene lecciones para todo tipo de líderes a medida que buscan incorporar más datos a la toma de decisiones. Un director de recursos humanos probabilístico, por ejemplo, podría examinar los datos sobre la procedencia de los mejores empleados de una empresa y su desempeño a lo largo de su carrera para identificar nuevas fuentes de talento que tal vez se hayan pasado por alto. Un profesional de ventas probabilístico puede ser consciente de que no basta con cerrar muchos negocios; es fundamental tener en cuenta también de dónde vienen los clientes potenciales. En lugar de confiar en políticas crediticias inflexibles, un gestor de riesgos probabilístico podría empezar a analizar más a fondo sus datos para ver si hay segmentos de bajo riesgo en su base de clientes que pueda haber pasado por alto. Desarrollar una mentalidad probabilística le permite estar mejor preparado para las incertidumbres y complejidades de la era algorítmica. Incluso cuando los eventos están determinados por un conjunto de factores infinitamente complejo, el pensamiento probabilístico puede ayudarnos a identificar los resultados más probables y las mejores decisiones a tomar.