Manténgase al día con sus quants

Resumen.

Reimpresión: R1307L

Los análisis son una necesidad competitiva hoy en día, pero contratar «quants» que puedan manipular big data con éxito no es suficiente. Tom Davenport le muestra cómo convertirse en un consumidor inteligente de análisis para que pueda tomar decisiones eficaces basadas en datos para su organización.

Aprender principios y métodos estadísticos básicos es esencial, pero no necesitas un doctorado en el material. Los «quants» tienen los conocimientos detallados, y trabajar estrechamente con los correctos es clave. Usted también debe esperar que comuniquen su trabajo de manera efectiva y que realmente lo comprendan usted mismo antes de transmitirlo a los demás.

También es vital reconocer qué partes del proceso de toma de decisiones son sus mejores puntos, es decir, identificar el problema central o la pregunta y presentar y actuar sobre los resultados. Las fases intermedias, donde sobresalen los quants, son cuando debes hacer muchas preguntas para mantener los esfuerzos enfocados y profundizar tu comprensión.

A medida que usted lidera, evite crear un clima de defensa en el que las manos contratadas simplemente busquen pruebas que se ajusten a sus nociones preconcebidas. En cambio, establezca una cultura de indagación que se centre en aprender la verdad real detrás de los números. Así es como compañías como Merck, TD Bank y Caesars Entertainment hacen que todo esto se suma a algo útil.

«No sé por qué no sacamos las hipotecas de nuestros libros», me dijo un analista cuantitativo senior de un gran banco estadounidense hace unos años. «Tenía un modelo que indicaba fuertemente que muchos de ellos no serían reembolsados, y se lo envié al jefe de nuestro negocio hipotecario».

Cuando le pregunté al líder del negocio hipotecario por qué había ignorado el consejo, dijo: «Si el analista me mostró un modelo, no era en términos que yo pudiera entender. Ni siquiera sabía que su grupo estaba trabajando en probabilidades de reembolso». El banco terminó perdiendo miles de millones en préstamos incobrables.

Vivimos en una era de big data. Ya sea que trabaje en servicios financieros, bienes de consumo, viajes y transporte o productos industriales, la analítica se está convirtiendo en una necesidad competitiva para su organización. Pero como muestra el ejemplo bancario, tener grandes datos, e incluso personas que pueden manipularlos con éxito, no es suficiente. Las empresas necesitan gerentes generales que puedan asociarse eficazmente con «quants» para asegurar que su trabajo produzca mejores decisiones estratégicas y tácticas.

Video RelacionadoLoading...

El explicador: Big Data y Analytics

<span>Lo que los dos términos realmente significan — y cómo utilizar eficazmente cada uno. </span>

• Guardar
• Compartir

Ver más vídeos >Ver más vídeos >

Para las personas con fluidez en la analítica, como Gary Loveman de Caesars Entertainment (con un doctorado en el MIT), Jeff Bezos de Amazon (un licenciado en ingeniería eléctrica y ciencias de la computación de Princeton), o Sergey Brin y Larry Page de Google (desertores de doctorado en ciencias de la computación de Stanford), no hay problema. Pero si eres un ejecutivo típico, tu historial de matemáticas y estadísticas probablemente equivale a una clase universitaria o dos. Es posible que sea experto en el uso de hojas de cálculo y conozca su camino alrededor de un gráfico de barras o un gráfico circular, pero cuando se trata de análisis, a menudo se siente un desafío cuantitativo.

Entonces, ¿qué significa para usted el cambio hacia la toma de decisiones basada en datos? ¿Cómo evitar el destino del jefe del banco hipotecario con pérdidas y en lugar de llevar a su empresa a la revolución analítica, o al menos convertirse en un buen soldado a pie en ella? Este artículo —una guía para no quantes— se basa en entrevistas extensas con ejecutivos, incluidos algunos con los que he trabajado como profesor o consultor.

Tú, el Consumidor

Comience pensando en sí mismo como consumidor de análisis. Los productores son los quants cuyos análisis y modelos integrarás con tu experiencia empresarial e intuición a medida que tomes decisiones. Por supuesto, los productores son buenos recopilando los datos disponibles y haciendo predicciones sobre el futuro. Pero la mayoría carecen de conocimientos suficientes para identificar hipótesis y variables relevantes y para saber cuándo el terreno debajo de una organización está cambiando. Su trabajo como consumidor de datos (generar hipótesis y determinar si los resultados y recomendaciones tienen sentido en un entorno empresarial cambiante) es, por lo tanto, de vital importancia. Eso significa aceptar algunas responsabilidades clave. Algunos requieren sólo cambios de actitud y perspectiva; otros exigen un poco de estudio.

Aprenda un poco acerca de la analítica.

Si recuerda el contenido de su curso de estadísticas a nivel universitario, puede que esté bien. Si no, se basa en los fundamentos del análisis de regresión, la inferencia estadística y el diseño experimental. Es necesario comprender el proceso para tomar decisiones analíticas, incluyendo cuándo debe intervenir como consumidor, y debe reconocer que cada modelo analítico se basa en supuestos que los productores deben explicar y defender. (Consulte la barra lateral «Toma de decisiones basadas en análisis: en seis pasos clave»). Como señaló el famoso estadístico George Box, «Todos los modelos están equivocados, pero algunos son útiles». En otras palabras, los modelos simplifican intencionalmente nuestro complejo mundo.

Toma de decisiones basadas en análisis: en seis pasos clave

Al usar big data para tomar grandes decisiones, los no-quants deben centrarse en los primeros y últimos pasos del proceso. Los números que la gente normalmente maneja los detalles en el medio, pero los sabios no-quants hacen muchas preguntas a lo largo del camino.

1. Reconocer el problema o pregunta

Enmarcar la decisión o el problema de negocio e identificar posibles alternativas al encuadre.

2. Revisar las conclusiones anteriores

Identifique a las personas que han intentado resolver este problema o otros similares, y los enfoques que utilizaron.

3. Modele la solución y seleccione las variables

Formular una hipótesis detallada sobre cómo las variables particulares afectan el resultado.

4. Recopilar los datos

Recopilar datos primarios y secundarios sobre las variables hipotéticas.

5. Analizar los datos

Ejecute un modelo estadístico, evalúe su idoneidad para los datos y repita el proceso hasta que se encuentre un buen ajuste.

6. Presentar y actuar sobre los resultados

Utilice los datos para contar una historia a los tomadores de decisiones y a las partes interesadas para que tomen medidas.

Para obtener más información sobre los datos, inscribirse en un programa de educación ejecutiva en estadística, tomar un curso en línea o aprender de los quants de su organización trabajando estrechamente con ellos en uno o más proyectos.

No importa cuánto confíes en tus cuants, no dejes de hacerles preguntas difíciles.

Jennifer Joy, la vicepresidenta de operaciones clínicas de Cigna, tomó el tercer enfoque. Joy tiene una licenciatura en enfermería y un MBA, pero no se sentía del todo cómoda con sus habilidades analíticas. Sabía, sin embargo, que los voluminosos informes que recibió sobre las operaciones de su centro de llamadas no le indicaban si las llamadas de coaching hechas a los pacientes realmente ayudaban a manejar sus enfermedades y a mantenerlos fuera del hospital.

Así que Joy se acercó al grupo analítico de Cigna, en particular a los expertos en diseño experimental, el único enfoque analítico que potencialmente puede demostrar causa y efecto. Aprendió, por ejemplo, que podía realizar estudios piloto para descubrir qué segmentos de su población destinataria se benefician más (y cuáles menos) de los servicios de su centro de llamadas. Específicamente, utiliza análisis para «precoincidir» pares de pacientes y luego asignar aleatoriamente a un miembro del par para recibir esos servicios, mientras que el otro obtiene una alternativa como un pedido por correo o una intervención de soporte en línea. Cada piloto dura sólo un par de meses, y varios estudios se realizan simultáneamente, por lo que Joy ahora obtiene información sobre la efectividad de sus programas de forma continua.

Al final, Joy y sus compañeros de quant aprendieron que el coaching funcionaba para personas con ciertas enfermedades pero no para otros pacientes, y algunos miembros del personal del call center fueron redistribuidos como resultado. Ahora su grupo realiza regularmente de 20 a 30 pruebas de este tipo al año para averiguar lo que realmente marca la diferencia para los pacientes. Puede que no entienda todos los detalles metodológicos, pero como atestigua Michael Cousins, el vicepresidente de investigación y análisis de Estados Unidos en Cigna, ha aprendido a estar «muy orientada analíticamente».

Alinee con el tipo correcto de quant.

Karl Kempf, líder en el grupo de ingeniería de decisiones de Intel, es conocido en la empresa como el «überquant» o «matemático jefe». A menudo dice que las decisiones cuantitativas efectivas «no se trata de las matemáticas; se trata de las relaciones». Lo que quiere decir es que quants y los consumidores de sus datos obtienen resultados mucho mejores si forman lazos profundos y confiados que les permiten intercambiar información e ideas libremente.

Por supuesto, las personas altamente analíticas no siempre son conocidas por sus habilidades sociales, por lo que esto puede ser un trabajo duro. Como una broma aconsejó: «Busquen a los quants que miran sus zapatos, en lugar de los suyos, cuando los entablen conversaciones». Pero es posible encontrar personas que se comuniquen bien y tengan pasión por resolver problemas de negocios, en lugar de matemáticos, y, después de establecer una relación, fomentar el diálogo franco y el disentimiento impulsado por datos entre ustedes dos.

Katy Knox, en Bank of America, ha aprendido a alinearse con los productores de datos. Como directora de estrategia minorista y distribución de la división de consumidores del banco, supervisa más de 5.400 sucursales que atienden a más de 50 millones de consumidores y pequeñas empresas. Durante varios años ha estado presionando sus informes directos para que utilicen análisis para tomar mejores decisiones, por ejemplo, sobre qué sucursales abrir o cerrar, cómo reducir los tiempos de espera de los clientes, qué incentivos conducen a interacciones multicanal y por qué algunos vendedores son más productivos que otros.

Bank of America tiene cientos de quants, pero la mayoría de ellos fueron agrupados en un grupo al que los gerentes no podían acceder fácilmente. Knox insistió en tener su propio equipo de análisis, y estableció una sólida relación de trabajo con sus miembros a través de reuniones frecuentes y sesiones de informes de proyectos. Trabajó especialmente estrechamente con dos líderes de equipo, Justin Addis y Michael Hyzy, que tienen antecedentes en banca minorista y Six Sigma, para que puedan comprender los problemas de negocio de su unidad y comunicarlos a los problemas de negocio de su unidad y comunicarlos a los problemas de núcleo duro que manejan. Después de que Knox sentara el precedente, Bank of America creó una estructura matricial para sus analistas en el banco de consumidores, y la mayoría ahora informa tanto a una línea de negocio como a un grupo analítico centralizado.

Concéntrese en el principio y el final.

Enmarcar un problema (identificarlo y comprender cómo otros podrían haberlo resuelto en el pasado) es la etapa más importante del proceso analítico para un consumidor de big data. Es donde más importan su experiencia empresarial y su intuición. Después de todo, una hipótesis es simplemente una corazonada sobre cómo funciona el mundo. La diferencia con el pensamiento analítico, por supuesto, es que se utilizan métodos rigurosos para probar la hipótesis.

Por ejemplo, los ejecutivos de las dos organizaciones matrices corporativas de Transitions Optical creían que la compañía de lentes fotocromáticas podría no estar invirtiendo en marketing a niveles óptimos, pero ningún dato empírico confirmó o refutó esa idea. Grady Lenski, quien dirigió la división de marketing en ese momento, decidió contratar consultores analíticos para medir la efectividad de diferentes campañas de ventas, un encuadre constructivo que amplió la simple cuestión binaria de si los costos eran o no demasiado altos.

Si usted no es un quant, también debe centrarse en el paso final del proceso, presentando y comunicando resultados a otros ejecutivos, porque es uno que muchos quants descontan o pasan por alto y que probablemente tendrá que asumir usted mismo en algún momento. Si el análisis se trata en gran medida de «contar una historia con datos», ¿qué tipo de historia le gustaría? ¿Qué tipo de lenguaje y tono usarías? ¿Debería contarse la historia en términos narrativos o visuales? ¿Qué tipos de gráficos te gustan? No importa cuán sofisticados sean sus análisis, se debe animar a quants a explicar sus resultados de una manera directa para que todos puedan entenderlo, o usted debe hacerlo por ellos. Una historia de métodos estadísticos («primero hicimos una prueba de chi-cuadrado, y luego convertimos los datos categóricos a ordinales, luego hicimos una regresión logística, y luego retrasamos los datos económicos en un año») rara vez es aceptable.

Muchos empresarios se conforman con una historia de ROI: ¿Cómo aumentará el nuevo modelo de toma de decisiones las conversiones, los ingresos o la rentabilidad? Por ejemplo, un ejecutivo de Merck responsable de una unidad de negocio global ha trabajado estrechamente con el grupo de análisis comercial de la compañía farmacéutica durante muchos años para responder a una variedad de preguntas, incluyendo cuáles son los ROI de las promociones directas al consumidor. Antes de realizar un análisis de ROI, él y el grupo discuten qué acciones tomarán cuando descubran si las promociones son altamente, marginalmente o no exitosas, para dejar claro que el esfuerzo no es meramente un ejercicio académico. Después del análisis, el ejecutivo se sienta a los analistas en una mesa con su equipo directivo para presentar y debatir los resultados.

Haz muchas preguntas a lo largo del camino.

El ex secretario del Tesoro de Estados Unidos, Larry Summers, quien una vez sirvió como asesor de un fondo de cobertura cuantitativo, me dijo que su responsabilidad principal en ese trabajo era «mirar por encima de los hombros», es decir, hacer preguntas a las preguntas inteligentes de la firma igualmente inteligentes sobre sus modelos y supuestos. Muchos de ellos no habían sido presionados así antes; necesitaban un consumidor inteligente de datos que les ayudara a pensar y mejorar su trabajo.

No importa cuánto confíes en tus cuants, no dejes de hacerles preguntas difíciles. Aquí hay algunos que casi siempre conducen a análisis más rigurosos y defendibles. (Si no entiende una respuesta, pida una que use un lenguaje más simple).

1. ¿Cuál fue la fuente de sus datos?

2. ¿Qué tan bien representan los datos de la muestra a la población?

3. ¿Su distribución de datos incluye valores atípicos? ¿Cómo afectaron los resultados?

4. ¿Qué supuestos hay detrás de su análisis? ¿Ciertas condiciones podrían hacer que sus suposiciones y su modelo sean inválidos?

5. ¿Por qué decidiste ese enfoque analítico en particular? ¿Qué alternativas consideraste?

6. ¿Qué tan probable es que las variables independientes realmente estén causando los cambios en la variable dependiente? ¿Podrían otros análisis establecer más claramente la causalidad?

Frank Friedman, director financiero y socio gerente de finanzas y administración del negocio estadounidense de Deloitte, es un interrogante inveterado. Ha reunido a un grupo de científicos de datos y analistas cuantitativos para ayudarlo con varias iniciativas, incluida la optimización de los precios de los servicios, el desarrollo de modelos que predicen el rendimiento de los empleados e identificación de factores que impulsan las cuentas por cobrar. «Las personas que trabajan conmigo saben que cuestiono mucho, todo, siempre», dice Friedman. «Después del interrogatorio, saben que tendrán que volver y rehacer algunos de sus análisis». También cree que es vital admitir cuando no entiendes algo: «Sé que no soy la persona más inteligente en la sala en mis reuniones con estas personas. Siempre estoy presionando por una mayor claridad [porque] si no puedo articularlo, no puedo defenderla ante los demás».

Establecer una cultura de investigación, no de defensa.

Todos sabemos con qué facilidad «las figuras mienten y mentirosos figuran». Los consumidores de Analytics nunca deben presionar a sus productores con comentarios como «Vea si puede encontrar alguna evidencia en los datos para apoyar mi idea». En cambio, su objetivo explícito debería ser encontrar la verdad. Como dice el jefe del grupo de análisis comercial de Merck: «Nuestro equipo directivo quiere que seamos como Suiza. Trabajamos sólo para los accionistas».

Nunca presione sus preguntas con comentarios como «Vea si puede encontrar alguna evidencia en los datos para apoyar mi idea».

De hecho, algunos altos ejecutivos presionan a sus analistas para que hagan de defensor del diablo. Esto establece el tono cultural adecuado y ayuda a refinar los modelos. «Todas las organizaciones buscan complacer al líder», explica Gary Loveman, de Césars, «por lo que es fundamental cultivar un ambiente que ve las ideas como separadas de las personas e insiste en pruebas rigurosas para distinguir entre esas ideas».

Loveman anima a sus subordinados a exponer datos y análisis, en lugar de opiniones, y revela sus propias hipótesis, conclusiones y decisiones defectuosas. De esa manera, los gerentes y los quants entienden por igual que sus puntos de vista a veces «cojos y mal considerados», tal como los describe, necesitan tanto pruebas objetivas e imparciales como las de cualquier otra persona. Por ejemplo, a menudo dice que su mayor error como nuevo CEO fue elegir no despedir a los administradores de propiedades que no compartían su orientación analítica. Pensó que su experiencia sería suficiente. Loveman usa el ejemplo para mostrar tanto que es falible como que insiste en ser un consumidor de análisis.

Cuando todo se suma

Warren Buffett dijo una vez: «Cuidado con los frikis... con fórmulas». Pero en el mundo actual basado en datos, no puedes permitirte hacer eso. En su lugar, es necesario combinar la ciencia de la analítica con el arte de la intuición. Ser un gerente que conozca a los frikis, comprenda sus fórmulas, ayude a mejorar sus procesos analíticos, interprete y comunique eficazmente los hallazgos a los demás, y toma mejores decisiones como resultado.

Contraste el banco mencionado al principio de este artículo con Toronto-Dominion Bank. El CEO de TD, Ed Clark, es alfabetizado cuantitativamente (con un doctorado en economía), y también insiste en que sus gerentes entienden las matemáticas detrás de cualquier producto financiero del que depende la compañía. Como resultado, TD sabía evitar los productos estructurados más arriesgados y salir de otros antes de incurrir en pérdidas importantes durante la crisis financiera 2008-2009.

El énfasis de TD en los datos y análisis afecta también a otras áreas del negocio. La compensación está estrechamente vinculada a las medidas de gestión del rendimiento, por ejemplo. Y las sucursales de TD permanecen abiertas más tiempo que la mayoría de los otros bancos porque Tim Hockey, el ex jefe de banca minorista, insistió en probar sistemáticamente el efecto de las horas de venta extendidas (con grupos de control) y descubrió que traían más depósitos. Si alguien en una reunión de administración sugiere una nueva dirección, se le presiona para obtener datos y análisis para apoyarlo. TD no es perfecto, reconoce Clark, pero «nadie nos acusa nunca de no hacer los números».

Su organización puede no ser tan analítica como TD, y su CEO puede no ser como Ed Clark. Pero eso no significa que no pueda convertirse en un gran consumidor de análisis por su cuenta y dar un ejemplo para el resto de su empresa.

— Escrito por Thomas H. Davenport