PathMBA Vault

Analytics and data science

El mejor enfoque para la toma de decisiones combina los datos y la experiencia de los gerentes

por Paolo Gaudiano

El mejor enfoque para la toma de decisiones combina los datos y la experiencia de los gerentes

jun17-20-127392547

Los datos son ahora la herramienta fundamental para gestionar muchas funciones corporativas, como el marketing, los precios, la cadena de suministro, las operaciones y más. Este movimiento se ve impulsado aún más por la promesa de la inteligencia artificial y el aprendizaje automático, y por la facilidad de recopilar y almacenar datos sobre todos los aspectos de nuestra vida diaria.

Pero, ¿el péndulo empieza a oscilar demasiado? Como practicante y profesor de análisis predictivo, lo que más me preocupa es lo que yo llamo el fenómeno del «big data, cerebro pequeño»: los directivos que se basan excesivamente en los datos para guiar sus decisiones y renuncian a sus conocimientos y experiencia.

En un proyecto de macrodatos típico, un director contrata a un equipo interno o externo para que recopile y procese los datos, con la esperanza de obtener información relacionada con un problema empresarial concreto. El equipo de macrodatos tiene la experiencia necesaria para organizar los datos sin procesar en forma utilizable y para seleccionar algoritmos que puedan identificar patrones estadísticamente significativos. A continuación, los resultados se presentan al gerente en forma de gráficos, visualizaciones y otros tipos de informes. Este escenario es problemático porque la mayoría de los gerentes no son expertos en ciencia de datos y la mayoría de los científicos de datos no son expertos en negocios. Para abordar esta dicotomía se necesitan personas que puedan «servir de enlace» entre los dos, como sugirieron Todd Clark y Dan Wiesenfeld en un artículo reciente de HBR.

Centro Insight

Sin embargo, se trata simplemente de un paliativo que no resuelve el problema subyacente. Como Tom Davenport escribió en HBR en 2006, el año anterior a la publicación de su libro fundamental, Compitiendo en análisis, «Para los líderes con mentalidad analítica, el desafío se reduce a saber cuándo actuar con los números y cuándo hacerlo con sus agallas». En lugar de reducir la confianza en la intuición, las metodologías avanzadas del big data requieren que los gerentes utilicen incluso más intuición para dar sentido al creciente número de resultados y recomendaciones que generan los modelos de datos.

Además, los modelos predictivos creados por las metodologías de big data no incorporan el conocimiento único del gerente sobre la empresa. Esto equivale a que alguien recopile muchos datos y luego decida tirar a la basura la mitad, excepto en este caso, podría decirse que se está desperdiciando la mitad más valiosa, porque el gerente tiene un conocimiento específico del negocio, mientras que los enfoques de la ciencia de datos son genéricos.

¿Cómo podemos combinar eficazmente la experiencia empresarial y la ciencia de datos? En un artículo de HBR de 2002 titulado «Predecir lo impredecible», mi socio de negocios Eric Bonabeau presentó el concepto de un simulación basada en agentes(ABS), que en esa época era un enfoque relativamente novedoso para resolver problemas empresariales complejos mediante simulaciones por ordenador. Quince años después, Icosystem (la empresa de Bonabeau, de la que sigo siendo uno de los principales miembros) y varias otras han demostrado el poder del ABS como herramienta de gestión empresarial.

Por ejemplo, el artículo de Bonabeau describía un proyecto con Eli Lilly para desarrollar una nueva forma de gestionar los oleoductos de desarrollo de fármacos. En 2008, Bonabeau y dos miembros de la dirección de I+D de Eli Lilly publicaron un artículo de HBR en la que informaban de que el nuevo enfoque había podido administrar moléculas a los ensayos de fase II «a casi el doble de la velocidad y menos de un tercio del coste del proceso estándar».

Aunque el ABS se creó por primera vez como una herramienta para la investigación en ciencias sociales hace unas cuatro décadas, recién ahora está empezando a tener una adopción generalizada debido al drástico aumento de la potencia de cálculo disponible. Por ejemplo, Icosystem desarrolló una simulación del comportamiento diario de más de 300 000 marineros de la Marina de los Estados Unidos desde el reclutamiento hasta la jubilación. Este tipo de simulación de 20 años se puede ejecutar en un portátil en menos de un minuto y ha permitido a la Marina probar en un día más escenarios de los que normalmente podría probar en un año.

Pero, ¿qué pasa con el problema de «macrodatos, cerebro pequeño»? Uno de los aspectos más atractivos de ABS es que combina la experiencia en el campo y los datos. La experiencia en el dominio se utiliza para definir la estructura de la simulación, que captura los comportamientos e interacciones diarios únicos de cada problema empresarial. Los datos se utilizan en parte para afinar los detalles de la simulación y, en parte, para garantizar que, a medida que se ejecuta la simulación, los resultados resultantes coincidan con los resultados del mundo real. Con este enfoque, la experiencia del gerente recupera su papel principal y el gerente y el científico de datos pueden analizar los resultados de la simulación juntos, ya que ambos entienden el funcionamiento de la simulación.

Además de aumentar la transparencia, la combinación de la experiencia en el campo y los datos también aumenta la precisión predictiva. En 2014, un importante fabricante de automóviles trabajó con una plataforma de análisis de marketing de ABS para planificar el lanzamiento de un nuevo modelo. La ABS recomendó lanzar el nuevo modelo seis meses antes de lo previsto por el cliente. En 2016, el fabricante de automóviles lanzó el nuevo modelo según lo recomendado; un año después, descubrió que ABS había pronosticado las ventas mensuales para el primer año con una precisión del 93%.

Al combinar los datos y la experiencia del gerente en un modelo predictivo, el ABS resuelve problemas complejos de forma transparente con un alto grado de precisión predictiva. La mayor disponibilidad de herramientas y materiales didácticos de ABS comerciales sugiere que este nuevo enfoque está a punto de revolucionar la gestión empresarial.

Artículos Relacionados

Investigación: La IA generativa hace que la gente sea más productiva y esté menos motivada

Investigación: La IA generativa hace que la gente sea más productiva y esté menos motivada

Arreglar los chatbots requiere psicología, no tecnología

Arreglar los chatbots requiere psicología, no tecnología

Los chatbots dotados de IA se están convirtiendo en el nuevo estándar para la gestión de consultas, reclamaciones y devoluciones de productos, pero los clientes se alejan de las interacciones con los chatbots sintiéndose decepcionados. La mayoría de las empresas intentan solucionar este problema diseñando mejores modelos de IA en sus chatbots, pensando que si los modelos suenan lo suficientemente humanos, el problema acabará desapareciendo. Pero esta suposición es errónea. Esto se debe a que el problema de fondo no es tecnológico. Es psicológico: Hay que engatusar a la gente para que vea a los chatbots como un medio positivo de interacción. Los autores han analizado recientemente las últimas investigaciones sobre chatbots e interacciones IA-humanos, y en este artículo presentan seis acciones probadas que puede llevar a cabo al desplegar su chatbot de IA para impulsar la satisfacción, la percepción positiva de la marca y las ventas.

Investigación: ¿Está penalizando a sus mejores empleados por desconectar?

Investigación: ¿Está penalizando a sus mejores empleados por desconectar?

Para combatir el creciente desgaste del personal, muchas empresas han defendido programas de bienestar y han fomentado un enfoque renovado en el equilibrio entre la vida laboral y personal. Pero un nuevo estudio descubrió que incluso cuando los líderes reconocían que desvincularse del trabajo aumenta el bienestar de los empleados y mejora su rendimiento laboral, los directivos seguían penalizando a los empleados que adoptaban estos comportamientos cuando optaban a un ascenso o estaban siendo considerados para un nuevo puesto. Basándose en sus conclusiones, los investigadores ofrecen sugerencias para ayudar a las empresas a crear políticas y construir una cultura que proteja los límites de los trabajadores, evite el agotamiento y recompense el trabajo fuerte.