Llevar una mentalidad analítica a la pandemia
Hemos hecho nuestra cobertura del coronavirus gratuito para todos los lectores. Para que todo el contenido de HBR se entregue a tu bandeja de entrada, regístrate en el Alerta diaria boletín de noticias.
Pasa solo 10 minutos en Twitter para ponerte al día con las noticias de Covid-19, y te encontrarás con números actualizados y argumentos fuertes (a veces enojados) sobre lo que significa todos los datos que estamos recopilando. Está resultando difícil determinar cuán infeccioso es el virus, cuál es su tasa de mortalidad, cuán efectivos son los diferentes esfuerzos de mitigación y por qué diferentes regiones están viendo patrones tan diferentes de infección, mortalidad y recurrencia.
Esa falta de certeza no es para nada sorprendente; después de todo, es una nueva enfermedad de la que estamos aprendiendo en tiempo real, bajo condiciones de tremendamente alta presión. Además, las diferentes regiones tienen una capacidad de prueba muy diferente y sistemas de salud; esos factores por sí solos pueden explicar gran parte de la variabilidad que estamos presenciando.
Lecturas adicionales
Coronavirus: Liderazgo y Recuperación
Liderazgo y Gestión de Personas Libro22.95Añadir a la cesta
Dicho esto, los epidemiólogos y otros expertos se están encontrando con muchos de los mismos problemas que surgen en cualquier problema de análisis de datos. La verdad es que la recopilación y el análisis de datos rara vez es sencillo; en cada etapa, es necesario hacer llamadas de juicio difíciles. Las decisiones que tome sobre tres factores (a quién incluir en su conjunto de datos, cuánto peso relativo debe dar diferentes factores cuando investigue cadenas causales y cómo informar de los resultados) tendrán un impacto significativo en sus hallazgos. Hacer las llamadas correctas salvará vidas en la actual crisis sanitaria y mejorará el rendimiento en entornos empresariales menos drásticos.
¿Quién debe ser probado?
En el caso de una enfermedad desconocida, es más fácil probar solo personas muy enfermas o incluso aquellas que ya han fallecido. (En áreas sin suficientes kits de prueba, es posible que no haya ninguna opción en el asunto.) Lamentablemente, si bien este enfoque es más fácil, aumenta la tasa de mortalidad percibida. Digamos que 10 personas están muy enfermas y 1 sería víctima de una enfermedad. Entonces registraríamos una tasa de mortalidad del 10%. Pero si 100 personas estuvieran realmente infectadas, y 90 de ellas tuvieran síntomas leves (o ningún síntoma en absoluto), entonces la tasa de mortalidad real sería del 1%, pero usted no sabría eso a menos que se hiciera una prueba más amplia. La lección: solo mirar los casos más obvios hace que el virus se vea peor de lo que es. Los estadísticos llaman a este tema un sesgo de selección en el muestreo.
Centro de información
Transformación de datos y digital
Patrocinado por SASmejores prácticas para poner los datos en funcionamiento.
Las empresas pueden cometer fácilmente el mismo error. Por ejemplo, digamos que una organización quiere saber qué hay detrás de un repunte en las ventas. El gerente de marketing plantea la hipótesis de que se debió a una nueva campaña publicitaria. Es tentador en este caso centrarse en resultados fáciles de medir, en nombre de la eficiencia. Digamos que miramos a todos los nuevos clientes que llegan a nuestra tienda o sitio web y descubrimos que la mitad de ellos vieron nuestra publicidad antes de comprarnos. Ahora podemos concluir que la tasa de conversión de nuestra publicidad es del 50%.
Sin embargo, ¿qué pasa con todas las personas que vieron la publicidad y No lo hice venir a nuestra tienda o sitio web? Si los incluyéramos, la tasa de conversión del cliente sería mucho más baja. No seleccionamos a esas personas como candidatos de prueba para nuestro análisis, porque era más caro y más difícil incluirlas. La tasa de conversión incorrecta tiene grandes implicaciones para las asignaciones presupuestarias y, en última instancia, para el retorno de la inversión, al igual que entender las tasas de infección y mortalidad de Covid-19 tiene enormes implicaciones para la política de salud pública en el futuro.
Solución: no mida muestras convenientes; amplíe el estudio para incluir un grupo más representativo. El grado en que esto puede suceder depende, por supuesto, de los costos y de los recursos disponibles.
¿Cuánto peso debemos dar a los diferentes factores cuando interpretamos los datos?
El segundo desafío es determinar el impacto relativo de un factor en un resultado. Digamos que los funcionarios de salud pública están tratando de entender qué factores fueron más importantes para los resultados individuales de los pacientes en la pandemia actual. Determinar esto no es simple o sencillo porque hay muchos factores posibles que contribuyen: edad, afecciones preexistentes como enfermedades cardíacas o diabetes, salud del sistema inmunológico, tiempo de intervención y si los proveedores de atención médica estaban sobrecargados, por nombrar algunos. Estas preguntas son muy difíciles de responder, ya que la influencia de muchos factores críticos y sus interacciones no pueden observarse ni medirse directamente.
Las empresas se enfrentan a dilemas similares todo el tiempo. Volvamos a nuestro ejemplo anterior de un aumento significativo en las ventas. El gerente de marketing podría pensar que sucedió debido a la nueva campaña publicitaria que promovió. Pero tal vez fue debido a cambios recientes en el diseño del sitio web, un cambio de precios, un nuevo talento en la fuerza de ventas, o porque un competidor clave hizo un mal movimiento, o (muy probablemente) alguna combinación de factores. Es imposible saberlo con seguridad, después del hecho.
Solución: Necesitamos un método científico que distinga y aísla la contribución de factores individuales, como hacen los ensayos controlados aleatorizados (experimentos). En entornos empresariales, generalmente es posible usar experimentos que pueden probar la importancia de pequeños cambios autónomos. En una pandemia, eso no va a ser posible (aunque hay experimentos naturales surgiendo a medida que diferentes países adoptan diferentes enfoques para gestionar la crisis).
¿Cómo informar de los resultados?
Una vez completados todos los cálculos y estimaciones, los analistas deben decidir cómo informar sus hallazgos. La forma en que se reportan los resultados a menudo puede afectar a la percepción de cuán mala o buena es una situación.
En el caso de la pandemia, varias partes interesadas han presentado el número de infecciones de maneras muy diferentes. Vimos a muchos medios de comunicación reportando casos totales y comparando las curvas de crecimiento del virus para argumentar que ciertos métodos funcionan mejor o para criticar las políticas gubernamentales. Sin embargo, ¿es justo comparar 100 casos de infección en los Estados Unidos con 100 casos en Singapur? Estados Unidos tiene más de 320 millones de personas, Singapur 5,6 millones. Los números absolutos siempre deben verse en contexto. Una vez que ajustamos los casos COVID-19 per cápita, los números se ven muy diferentes. Al mismo tiempo, solo mostrar aumentos relativos puede ser engañoso también. Tener un aumento del 50% en el número tiene implicaciones muy diferentes para un país con 2 infecciones que para un país con 10.000 casos conocidos.
Los resultados del negocio se pueden presentar de una manera diferente dependiendo de la presentación de informes también. Imagine que tiene la oportunidad de invertir en diferentes empresas. Uno registra un crecimiento de los ingresos del 20% y una segunda empresa sólo el 10%. Al igual que con el ejemplo de los números de infección, podemos ver cuán engañosa puede ser la tasa de crecimiento si no se considera el número total de productos vendidos. El crecimiento de las ventas en un 10% es mucho más fácil si sólo vende 10 productos en lugar de 10.000 por mes (todo lo demás es igual). Del mismo modo, la notificación de los números totales de ventas (sin un punto de referencia) tampoco puede proporcionar una comparación equitativa.
Solución: Siempre proporcione (o solicite) métricas múltiples, en particular números absolutos y relativos, para comprender el contexto completo de una situación. Esto puede ser «aumento total de las ventas» y «aumento porcentual» y comparaciones año a año o regionales.
Si nuestro contenido gratuito le ayuda a lidiar con estos desafíos, por favor considere suscribirse a HBR. Una compra de suscripción es la mejor manera de apoyar la creación de estos recursos.
— Nico Neumann Via HBR.org
