Para que tu equipo use los datos, desmitificarlos
Resumen.
Billy Beane, ejecutivo de recepción de los Atléticos de Oakland y tema del libro de Michael Lewis Moneyball, el béisbol transformado mediante datos. No lo hizo usando algoritmos complicados. Lo hizo haciendo una pregunta importante: ¿Qué tipos de jugadores en el draft de las Grandes Ligas suelen pasar a tener las carreras profesionales más exitosas? Utilizó años de datos para responder a esa pregunta, y luego reclutó jugadores con esos atributos (por ejemplo, aquellos que estaban jugando en la universidad, haciendo muchos paseos, etc.). La visión de Beane no era una manipulación estadística arcana. Era mucho más sencillo. Reconoció que podía predecir quién tendría éxito en las Grandes Ligas estudiando quién había triunfado en las Grandes Ligas. Eso es explotar un patrón. En la misma línea, la lógica detrás Moneyball se puede aplicar a cualquier negocio: haga una pregunta importante, busque los datos que puedan ofrecer una respuesta y descubra el patrón.
Para algunos de los miembros de tu equipo, la idea de usar datos para informar la toma de decisiones puede resultar intimidante. Tal vez no se consideren fuertes habilidades analíticas. Tal vez se sintieron abrumados por su curso de estadística en la universidad. Tal vez les gusta «seguir sus instintos», o simplemente temen la idea de vadear a través de un montón de datos. Pero no tiene por qué ser así. Si puedes demostrarle a tu equipo que hay formas sencillas y directas de generar un gran impacto con los datos, ayudará en gran medida a que tus empleados utilicen los datos con más frecuencia en sus decisiones diarias.
Considera tres ejemplos. La primera involucra a Billy Beane, ejecutivo de recepción de los Oakland Athletics y el tema del libro de Michael Lewis. Moneyball, que transformó el béisbol con datos. No lo hizo usando matemáticas nuevas y sofisticadas, ni siquiera con sofisticados trabajos estadísticos. Lo hizo haciendo una pregunta importante: ¿Qué tipos de jugadores en el draft de las Grandes Ligas suelen pasar a tener las carreras profesionales más exitosas? Utilizó años de datos para responder a esa pregunta, y luego reclutó jugadores con esos atributos (por ejemplo, aquellos que estaban jugando en la universidad, haciendo muchos paseos, etc.).
La visión de Beane no era una manipulación estadística arcana. Era mucho más sencillo. Reconoció que podía predecir quién tendría éxito en las Grandes Ligas estudiando quién había triunfado en las Grandes Ligas. Eso es explotar un patrón. En la misma línea, la lógica detrás Moneyball se puede aplicar a cualquier empresa: hay un enorme potencial para utilizar los datos de forma más potente sin pasar años estudiando estadísticas o utilizando algoritmos complicados. La esencia del «big data» es mucho más simple: formular una pregunta importante, encontrar los datos que podrían ofrecer una respuesta y averiguar el patrón.
El ejemplo dos está fuera de la aplicación de la ley. Cuando la policía de Santa Cruz, California, afirmaron que habían «resuelto un crimen antes de que ocurriera», no se trataba de una estrategia futurista orwelliana de lucha contra el crimen. Era solo un patrón. La policía de Santa Cruz utilizó datos sobre delitos para determinar cuándo y dónde ocurrían los delitos con mayor frecuencia. Luego enviaron más oficiales a estos lugares. Uno de estos lugares era un garaje donde había habido un gran número de allanamientos. Los oficiales vieron a dos mujeres sospechosas acechando cerca de un automóvil. Una de las mujeres era buscada por una orden pendiente; la otra llevaba drogas. La policía los arrestó a ambos, aparentemente antes de que irrumpieran en el coche.
¿Resolvió realmente la policía un crimen antes de que ocurriera? La pregunta no tiene sentido. La policía de Santa Cruz utilizó datos para detectar patrones delictivos y luego envió a los agentes a los lugares donde tendrían mayor impacto. Eso no es un genio matemático; es solo un uso inteligente de los datos.
Por último, cuando el minorista Target quería una herramienta para llegar a las compradores embarazadas (que tienden a desarrollar fuertes lealtades minoristas durante el embarazo), los analistas desarrollaron un «índice de predicción del embarazo». Esto no fue tan difícil ni tan intrusivo como parece. Target ya tenía los datos pertinentes. El minorista tiene un registro de regalos para bebés para las mujeres embarazadas, mujeres que efectivamente le habían dicho a Target no solo que estaban embarazadas, sino también cuándo iban a nacer. Los analistas estudiaron los hábitos de compra de estas mujeres embarazadas para discernir qué productos tenían más probabilidades de comprar que las clientes no embarazadas: toallitas húmedas para bebés, lociones sin perfume, vitaminas y un puñado de otros productos, algunos más obvios que otros. El siguiente paso fue solo un salto lógico: las mujeres que comienzan a comprar estos productos probablemente estén embarazadas y se les puede dirigir (juego de palabras) para productos y servicios relacionados con el embarazo. Eso es un negocio inteligente, no magia estadística.
Por supuesto, Target enfrentó un retroceso significativo cuando su índice de predicción del embarazo descubrió que una niña de secundaria estaba embarazada antes que su padre. (Una serie de cupones relacionados con el embarazo de Target impulsaron al padre a hacer algunas preguntas puntuales a su hija, según un Historia del New York Times en el análisis de datos de Target). Este es un buen momento para recordar a tu equipo que el big data también requiere juicio. Es mejor dejar algunos patrones en privado.
Sin embargo, la mayoría de las veces, los clientes se benefician enormemente de la información bien orientada. Queremos recomendaciones sobre productos que probablemente disfrutemos, descuentos por los servicios que utilizamos y un servicio al cliente que se haya perfeccionado gracias a los comentarios constantes. Además, sus empleados tienen el poder de ofrecer estos beneficios, incluso si se consideran «de tipo no matemático».
Esto se debe a que la revolución del análisis de datos en los últimos 15 años ha sido posible gracias a tres cosas: datos digitales, potencia informática barata y conectividad. Hace cincuenta años, los equipos de béisbol tenían un montón de estadísticas sobre el rendimiento de los jugadores, pero estaban escritas a lápiz en carpetas archivadas en almacenes húmedos. Lo mismo ocurrió con los datos sobre delitos y los recibos de tarjetas de crédito y las encuestas de satisfacción del cliente. Teníamos la información, pero no había una manera fácil de compilarla y analizarla. Los patrones estaban ahí. Simplemente no podíamos verlos, al menos no de forma barata ni fácil.
Luego llegaron el ordenador personal, la digitalización y el internet. De repente, podíamos absorber toda esa información de los almacenes del sótano y de los libros de contabilidad mohosos y ver los patrones que acechaban allí, gratis y en cuestión de segundos. Una vez que los datos se volvieron más valiosos, empezamos a recopilar más: con programas de fidelización, en redes sociales, a partir de datos de escáneres,.
El factor de la computación ahora son preguntas imaginativas, no cálculos adecuados. Cualquiera puede aprender a hacer preguntas geniales. Toma esta: ¿Qué tipo de personas resultan ser las mejores en ventas? Esa es la pregunta de Billy Beane de nuevo, solo para las ventas y no para el béisbol. Puede utilizar los datos para identificar los atributos que definen a los mejores y, a continuación, contratar a personas con esos atributos.
Para que quede claro, es difícil medir y cuantificar habilidades importantes como «escuchar»; los datos deben recopilarse durante un período lo suficientemente largo como para separar la suerte de la habilidad; y así sucesivamente. Sin embargo, el proceso de poner los datos en contra de las preguntas puede hacer estallar mitos y superar estereotipos. Esta fue una de las primeras ideas de Billy Beane. Sus exploradores buscaban talento basado en «reglas generales» que no estaban confirmadas por los datos. Por ejemplo, estaban enamorados de los lanzadores que podían lanzar superrápido, incluso cuando décadas de datos mostraban que la precisión es más importante.
Hay algunas otras advertencias a tener en cuenta también. En primer lugar, el big data tiende a producir patrones, pero no es determinista. Billy Beane va a hacer algunos borradores; no todos los clientes que compran toallitas húmedas para bebés y lociones sin perfume están embarazadas.
En segundo lugar, todos los datos son intrínsecamente retroactivos. Por definición, provienen del pasado. Debido a esto, el análisis de datos no tendrá puntos de inflexión. Los clientes no pueden proporcionar comentarios significativos sobre un producto que no pueden imaginar.
En tercer lugar, el pensamiento descuidado es tan peligroso con los datos como sin ellos, tal vez incluso más. Sí, los clientes que llaman a una línea de quejas informan de bajos niveles de satisfacción con el servicio que reciben porque es la línea de denuncia . Las preguntas correctas son: 1) ¿Están los clientes más satisfechos (aunque sigan enojados) al final de la llamada que al principio; 2) ¿Qué empleados tienen más éxito en mejorar la satisfacción del cliente? y 3) ¿Qué técnicas utilizan esos empleados exitosos?
Es cierto que las estadísticas básicas son las que dan poder a los patrones; el conocimiento de las estadísticas básicas es una habilidad importante que hay que tener. Aún así, prefiero enseñar a un experto en marketing cómo hacer análisis de datos básicos que intentar que un estadístico piense en mejorar la experiencia del cliente. Hay respuestas interesantes por ahí. La gente que se preocupa por esas respuestas solo tiene que ir a buscarlas, tal vez con un poco de insinuación. La forma más sencilla de entusiasmar a todos tus empleados con el uso de datos es desmitificar lo que realmente está sucediendo.
— Escrito por Charles Wheelan
