Está claro y demostrado: las decisiones importantes son mejores cuando son soportadas con data. Con su libro publicado en 1954, Paul Meehl generó muchas controversias en el mundo médico, pero tenía razón afirmando que “mechanical, data-driven algorithms could better predict human behavior than trained clinical psychologists — and with much simpler criteria”. Más recientemente, McKinsey estimó que la analítica de datos puede generar un valor anual entre US$ 9.5 y 15.4 trillones, y nadie se sorprendió.

Sin embargo, en 2021 y a pesar de un enorme volumen de data, estamos lejos de aprovechar su potencial. Según un estudio publicado en MITSloan, 85% de los proyectos analíticos no alcanzan sus objetivos. Las razones principales tienen que ver con personas y procesos, más que tecnología, según Thomas Davenport.

Intentaré describir el problema y sustentar mi recomendación partiendo de la esencia en business analytics: la toma de decisiones. Debemos lograr que los equipos de proyectos analíticos – incluyendo a dueños y usuarios de negocio, profesionales de los datos y gestores de proyectos – tomen mejores decisiones durante los proyectos y sus implementaciones, lo cual es sumamente complejo si analizamos cómo una decisión de negocio puede ser tomada:

Fuente: NEXUSQUANTS

Del punto de vista racional o económico, toda decisión desde la selección de la data hasta la medición de impacto debería ser analizada siguiendo etapas de definición de objetivos y criterios de decisión, definición y evaluación de opciones antes de decidir. En presencia de riesgos o posibles reacciones de stakeholders (o sea casi siempre…), deberíamos aplicar técnicas específicas de análisis de riesgos o teoría de los juegos, por ejemplo.

En la práctica, es por supuesto imposible ser tan riguroso para cada una de las numerosas decisiones de un proyecto, sea por falta de tiempo, recursos o capacidades. Piense por ejemplo cómo formó su último equipo de proyecto, o cómo se escogió el ‘loss function’ de su último modelo predictivo. Recurrimos frecuentemente a métodos heurísticos que son rápidos y efectivos en muchos casos, pero fatales en otros, cuando sesgos cognitivos entran en acción. Ilustro este punto vinculando las principales razones de fracaso en proyectos analíticos con sesgos típicos:

Si fuese poco, sesgos en decisiones humanas pueden trasladarse a los datos y consecuentemente sesgar modelos analíticos, generando no solo problemas económicos, sino también éticos.

¿Cómo evitamos esos errores? En mi opinión, la solución pasa por el proceso que conduce a la toma de decisión, en otras palabras, Problem Solving. En efecto, todos confiamos en tomar una decisión por lo menos razonablemente buena cuando la tomamos y a pesar de ello, a veces fallamos. Esta realidad ilustra lo difícil que es para uno reconocer a tiempo sus propios errores o sesgos y que debemos actuar antes de tomar decisiones, siguiendo un proceso de toma de decisión diseñado para eliminar sesgos.

En analítica como en salud, más vale prevenir que curar. La epidemia de proyectos fallados será vencida con Problem Solving.

Share This