Puntos clave
1. Todo es medible, incluso los intangibles
Si puedes observarlo de alguna manera, se presta a algún tipo de método de medición.
La medición es reducción de la incertidumbre. Contrario a la creencia popular, la medición no requiere precisión perfecta o certeza absoluta. Simplemente significa reducir la incertidumbre sobre una cantidad de interés. Esto se aplica a cosas tangibles como objetos físicos y conceptos intangibles como la satisfacción del cliente o el riesgo de un proyecto.
Consecuencias observables. Cualquier intangible que importe debe tener consecuencias observables. Por ejemplo, si afirmas que la moral de los empleados afecta la productividad, debe haber alguna manera de detectar cambios en la moral a través de métricas de productividad. Al identificar estos efectos observables, podemos medir indirectamente el intangible.
Existen métodos prácticos. Muchas cosas aparentemente inmedibles ya han sido medidas por alguien, a menudo utilizando métodos sorprendentemente simples. Ejemplos incluyen:
- Estimar poblaciones de peces en lagos sin drenarlos
- Medir el impacto económico del daño a la marca
- Cuantificar el valor de una vida humana para decisiones de política
2. La medición reduce la incertidumbre para mejores decisiones
La medición importa porque debe tener algún efecto concebible en las decisiones y el comportamiento.
Medición orientada a decisiones. El propósito de la medición es informar decisiones. Antes de medir, define claramente la decisión en juego y cómo la información adicional la afectaría. Esto ayuda a priorizar qué medir y con qué precisión.
Incertidumbre y riesgo. Las decisiones implican incertidumbre, lo que crea riesgo. La medición reduce la incertidumbre, mitigando así el riesgo. Conceptos clave:
- Incertidumbre: Falta de certeza completa; existencia de más de una posibilidad
- Riesgo: Un estado de incertidumbre donde algunas posibilidades implican pérdida o resultados indeseables
Valor de la información. No todas las mediciones son igualmente valiosas. Calcula el Valor Esperado de la Información Perfecta (EVPI) para determinar cuánto vale una medición:
- Identifica la decisión y los posibles resultados
- Estima probabilidades y consecuencias de cada resultado
- Calcula el valor esperado con y sin información perfecta
- La diferencia es el EVPI, el máximo que deberías gastar en medición
3. Calibra tus estimaciones para mejorar la precisión
El éxito es una función de la persistencia y la tenacidad y la disposición a trabajar duro durante veintidós minutos para entender algo que la mayoría abandonaría después de treinta segundos.
La sobreconfianza es común. La mayoría de las personas son demasiado confiadas en sus estimaciones, proporcionando rangos demasiado estrechos. Esto lleva a una toma de decisiones deficiente basada en expectativas poco realistas.
Entrenamiento de calibración. A través de la práctica y la retroalimentación, las personas pueden aprender a proporcionar estimaciones de probabilidad más precisas. Técnicas incluyen:
- Prueba de apuesta equivalente: Compara tu estimación con una apuesta con probabilidades conocidas
- Considera lo opuesto: Busca activamente razones por las que podrías estar equivocado
- Usa clases de referencia: Compara con cantidades similares y conocidas
- Practica con retroalimentación: Realiza pruebas de calibración y revisa los resultados
Beneficios de la calibración. Los estimadores bien calibrados:
- Proporcionan entradas más confiables para modelos de decisión
- Son más abiertos a nueva información y a cambiar de opinión
- Hacen mejores predicciones en diversos dominios
4. Usa la Regla de Cinco para obtener información rápida sobre poblaciones
Hay un 93.75% de probabilidad de que la mediana de una población esté entre los valores más pequeño y más grande en cualquier muestra aleatoria de cinco de esa población.
Simple pero poderosa. La Regla de Cinco permite estimaciones rápidas de características de la población con datos mínimos. Funciona para cualquier tipo de población, desde pesos de caramelos hasta puntuaciones de satisfacción del cliente.
Cómo aplicarla:
- Toma una muestra aleatoria de cinco elementos de la población
- Anota los valores más pequeño y más grande en la muestra
- Puedes estar 93.75% seguro de que la mediana de la población se encuentra entre estos dos valores
Limitaciones y extensiones:
- Proporciona información sobre la mediana, no la media
- Para estimaciones más precisas, aumenta el tamaño de la muestra (ver tabla sin matemáticas en el libro)
- Combina con otros métodos para un análisis más completo
5. Descompón problemas complejos en componentes medibles
Si no sabes qué medir, mide de todos modos. Aprenderás qué medir.
Desglósalo. Cuando te enfrentas a un problema aparentemente inmedible, descompónlo en componentes más pequeños y manejables. Esto a menudo revela aspectos que son más fáciles de medir o estimar.
Problemas de Fermi. Nombrado en honor al físico Enrico Fermi, este enfoque implica hacer estimaciones aproximadas de cantidades difíciles de medir descomponiéndolas en factores más fácilmente estimables. Ejemplo:
Estimando el número de afinadores de pianos en Chicago:
- Estima la población de Chicago
- Estima el porcentaje de hogares con pianos
- Estima con qué frecuencia necesitan afinación los pianos
- Estima cuántos pianos puede afinar un afinador por día
- Combina estas estimaciones para llegar a una respuesta final
Beneficios de la descomposición:
- Reduce el error de estimación general
- Revela qué componentes contribuyen más a la incertidumbre
- Identifica áreas específicas donde los datos adicionales serían más valiosos
6. Aplica el pensamiento bayesiano para actualizar creencias con nuevos datos
Cuando puedes medir de lo que hablas y expresarlo en números, sabes algo sobre ello; pero cuando no puedes expresarlo en números, tu conocimiento es de un tipo pobre e insatisfactorio.
Probabilidades previas y posteriores. El análisis bayesiano proporciona un marco para actualizar creencias basadas en nueva evidencia:
- Comienza con una probabilidad previa (creencia inicial)
- Recoge nuevos datos
- Calcula la probabilidad de los datos dados diferentes hipótesis
- Actualiza la previa a una probabilidad posterior usando el teorema de Bayes
Ventajas del enfoque bayesiano:
- Incorpora conocimiento existente
- Permite actualizaciones incrementales a medida que llega nueva información
- Proporciona una forma natural de expresar incertidumbre
Aplicaciones prácticas:
- Diagnóstico médico: Actualizar probabilidades de enfermedades basadas en resultados de pruebas
- Control de calidad: Refinar estimaciones de tasas de defectos con datos de inspección
- Gestión de proyectos: Ajustar cronogramas y presupuestos a medida que avanza el trabajo
7. Muestras pequeñas pueden proporcionar información valiosa
Si sabes casi nada, casi cualquier cosa te dirá algo.
Valor de los datos iniciales. Al comenzar desde un estado de alta incertidumbre, incluso muestras pequeñas pueden proporcionar una visión significativa. Las primeras observaciones a menudo proporcionan la mayor información por punto de datos.
Rendimientos decrecientes. A medida que aumenta el tamaño de la muestra, el valor marginal de cada observación adicional generalmente disminuye. Este principio ayuda a guiar la recolección eficiente de datos:
- Comienza con muestras pequeñas para obtener información rápida
- Aumenta el tamaño de la muestra de manera incremental basado en el valor de la información
- Detente cuando el costo de datos adicionales supere sus beneficios
Métodos para muestras pequeñas:
- Distribución t de Student: Para estimar parámetros de población con muestras tan pequeñas como 2
- Métodos no paramétricos: Técnicas que no asumen una distribución específica de la población
- Actualización bayesiana: Incorporar conocimiento previo para aprovechar al máximo los datos limitados
8. Cuantifica el valor de la información adicional
La ecuación de la epifanía: Cómo el valor de la información lo cambia todo.
Valor Esperado de la Información (EVI). Calcula cuánto vale una pieza de información antes de recolectarla:
- Modela la decisión y los posibles resultados
- Estima probabilidades y recompensas actuales
- Calcula el valor esperado con la información actual
- Calcula el valor esperado con información perfecta
- La diferencia es el Valor Esperado de la Información Perfecta (EVPI)
- Estima cuánto reduciría la incertidumbre una medición
- Multiplica el EVPI por la fracción de incertidumbre reducida para obtener el EVI
Inversión de medición. A menudo, las mediciones más valiosas son aquellas raramente consideradas, mientras que los elementos medidos rutinariamente proporcionan poco valor de decisión. Razones incluyen:
- Sesgo de familiaridad: Medir lo que es fácil o tradicional
- Sobreconfianza en áreas bien conocidas
- Negligencia de factores de alto impacto y alta incertidumbre
Enfoque iterativo. Comienza con estimaciones aproximadas y refina basado en el valor de la información:
- Identifica incertidumbres clave en la decisión
- Estima el valor de la información para cada incertidumbre
- Mide el elemento de mayor valor
- Actualiza el modelo y repite
9. Diseña experimentos para aislar relaciones causales
Emily demostró que las observaciones útiles no son necesariamente complejas, costosas o incluso, como a veces se afirma, más allá de la comprensión de la alta dirección, incluso para conceptos efímeros como la terapia de toque.
Controla factores de confusión. Para determinar si A causa B, diseña experimentos que aíslen el efecto de A mientras controlan otras variables. Técnicas incluyen:
- Ensayos controlados aleatorios: Asigna aleatoriamente sujetos a grupos de tratamiento y control
- Experimentos naturales: Aprovecha variaciones naturales en la variable de interés
- Diferencia en diferencias: Compara cambios a lo largo del tiempo entre grupos afectados y no afectados
Significancia estadística vs. importancia práctica. Mientras que las pruebas estadísticas ayudan a descartar hallazgos por casualidad, enfócate en tamaños de efecto e intervalos de confianza para la toma de decisiones. Considera:
- Magnitud del efecto
- Precisión de la estimación
- Implicaciones prácticas para la decisión en cuestión
Aprende de experimentos simples. Incluso pruebas básicas pueden proporcionar valiosas ideas:
- Pruebas A/B en marketing
- Programas piloto antes de la implementación a gran escala
- Estudios observacionales cuando los experimentos no son factibles
10. Mide preferencias y tolerancia al riesgo para mejores elecciones
Si los gerentes no pueden identificar una decisión que podría verse afectada por una medición propuesta y cómo podría cambiar esas decisiones, entonces la medición simplemente no tiene valor.
Preferencias reveladas vs. declaradas. Las acciones de las personas a menudo difieren de sus preferencias declaradas. Para medir las verdaderas preferencias:
- Observa elecciones reales (preferencias reveladas)
- Usa encuestas cuidadosamente diseñadas (preferencias declaradas)
- Combina múltiples métodos para una imagen más completa
Cuantificación de la tolerancia al riesgo:
- Presenta escenarios hipotéticos con diferentes compensaciones de riesgo-recompensa
- Identifica el punto donde el tomador de decisiones es indiferente entre opciones
- Traza estos puntos para crear una curva de tolerancia al riesgo
Aplicaciones:
- Decisiones de inversión: Equilibrar retornos potenciales con niveles de riesgo aceptables
- Desarrollo de productos: Priorizar características basadas en las preferencias del cliente
- Política pública: Evaluar compensaciones en regulaciones de salud, seguridad y medio ambiente
Consideraciones éticas. Aunque algunos se oponen a cuantificar ciertos valores (por ejemplo, la vida humana), no hacerlo a menudo lleva a peores resultados. La medición reflexiva permite una toma de decisiones más informada y consistente en áreas sensibles.
Última actualización:
FAQ
What's How to Measure Anything about?
- Measuring Intangibles: The book by Douglas W. Hubbard focuses on the idea that anything, including intangibles like employee morale or the value of information, can be measured.
- Decision-Oriented Framework: It presents a universal approach to measurement that emphasizes the importance of measurements in informing decisions.
- Practical Applications: Hubbard shares real-world examples from various fields to illustrate how measurement can lead to better decision-making.
Why should I read How to Measure Anything?
- Overcoming Measurement Myths: The book is essential for anyone who believes that certain aspects of their business or life cannot be quantified.
- Improving Decision-Making: By learning the methods outlined, readers can enhance their decision-making processes.
- Accessible to All: Hubbard's writing is designed to be accessible to non-experts, making complex statistical concepts understandable.
What are the key takeaways of How to Measure Anything?
- Measurement is Possible: Hubbard emphasizes that even the most elusive intangibles can be quantified with the right approach.
- Applied Information Economics (AIE): Introduces a structured approach to measurement focusing on defining decisions and assessing uncertainty.
- Calibration of Estimates: Discusses the importance of calibrating estimates to improve accuracy in decision-making.
What are the best quotes from How to Measure Anything and what do they mean?
- “Anything can be measured.”: Encourages readers to rethink their assumptions about what can and cannot be quantified.
- “It’s better to be approximately right than to be precisely wrong.”: Highlights the importance of making informed estimates rather than waiting for perfect data.
- “If you understand it, you can model it.”: Emphasizes the connection between understanding a concept and the ability to measure it.
What is the Applied Information Economics (AIE) method in How to Measure Anything?
- Structured Measurement Approach: AIE is a systematic method for measuring uncertainties and making decisions based on those measurements.
- Five-Step Process: Consists of defining the decision, determining current knowledge, computing the value of additional information, applying relevant measurement instruments, and making a decision.
- Focus on Uncertainty Reduction: Treats measurement as a way to reduce uncertainty, allowing for more informed choices.
How does Douglas W. Hubbard define measurement in How to Measure Anything?
- Reduction of Uncertainty: Measurement is defined as "a quantitatively expressed reduction of uncertainty based on one or more observations."
- Probabilistic Nature: Acknowledges that measurements do not need to eliminate uncertainty entirely; they simply need to reduce it.
- Observable Consequences: Tied to observable outcomes, meaning that if something can be detected in any way, it can be measured.
What is the Monte Carlo method mentioned in How to Measure Anything?
- Simulation Technique: A statistical technique that uses random sampling to estimate the probability of different outcomes in a process that cannot easily be predicted.
- Application in Risk Analysis: Allows decision-makers to model uncertainty and assess risks by simulating thousands of scenarios based on varying inputs.
- Historical Context: Named after the Monte Carlo Casino due to its reliance on random sampling, similar to games of chance.
What is the Expected Value of Information (EVI) in How to Measure Anything?
- Definition of EVI: The reduction in expected opportunity loss (EOL) that results from obtaining additional information before making a decision.
- Importance in Decision-Making: Helps prioritize measurement efforts by quantifying the potential benefits of reducing uncertainty.
- Calculation: Calculated as the difference between the EOL before and after obtaining new information.
How does How to Measure Anything address biases in decision-making?
- Human Biases: Discusses common human biases, such as overconfidence and selection bias, that can affect decision-making.
- Calibration Techniques: Introduces calibration techniques to help individuals better assess their own uncertainty and improve their estimates.
- Importance of Training: Emphasizes the need for training to mitigate biases and enhance the accuracy of decision-making processes.
What is the significance of Bayesian analysis in How to Measure Anything?
- Updating Beliefs: Allows decision-makers to update their beliefs based on new evidence, integrating prior knowledge with new information.
- Practical Applications: Provides examples of how Bayesian methods can be applied to real-world problems, enhancing the understanding of uncertainty.
- Comparison to Traditional Methods: Contrasts Bayesian methods with traditional statistical approaches, highlighting their flexibility and applicability in uncertain situations.
How does Hubbard define the value of information in How to Measure Anything?
- Expected Value of Perfect Information (EVPI): Defined as the maximum amount a decision-maker should be willing to pay for information that would eliminate uncertainty.
- Cost-Benefit Analysis: Assessed through a cost-benefit lens, weighing the potential benefits of reducing uncertainty against the costs of obtaining that information.
- Real-World Examples: Provides case studies where the value of information was calculated, demonstrating its practical significance.
How can I apply the concepts from How to Measure Anything in my work?
- Identify Key Decisions: Start by clearly defining the decisions you need to make and the uncertainties involved.
- Use Bayesian Methods: Implement Bayesian analysis to refine your estimates as new data becomes available.
- Measure Incrementally: Apply the principle of incremental measurement by starting with small, manageable data collection efforts.
Reseñas
Cómo medir cualquier cosa recibe críticas mixtas. Muchos elogian sus ideas sobre la cuantificación de intangibles y la reducción de la incertidumbre en la toma de decisiones. Los lectores aprecian las herramientas prácticas, los conceptos estadísticos y los ejemplos históricos proporcionados. Sin embargo, algunos encuentran el libro denso, repetitivo y excesivamente centrado en las matemáticas. Los críticos argumentan que simplifica en exceso problemas complejos y se burla excesivamente de los gerentes. Mientras que algunos lo consideran una lectura obligada para los responsables de la toma de decisiones empresariales, otros lo encuentran tedioso y carente de profundidad. En general, el libro es valorado por su perspectiva única sobre la medición, pero criticado por su estilo de escritura y presentación.
Similar Books
