Keeping Up with the Quants

1. Las habilidades analíticas son esenciales en un mundo saturado de datos

Si no logramos transformar esos datos en mejores decisiones mediante análisis cuantitativos, estaremos desperdiciando información y probablemente generando un desempeño subóptimo.

Decisiones basadas en datos. En la actualidad, los datos abundan y la capacidad para analizarlos cuantitativamente es fundamental para tomar decisiones informadas en empresas, gobiernos y la sociedad. Sin habilidades analíticas, las organizaciones corren el riesgo de desaprovechar datos valiosos y optar por decisiones poco efectivas. El auge del análisis es evidente en ámbitos tan diversos como el deporte (moneyball), los videojuegos en línea o las recomendaciones de películas (Netflix).

Más allá de los datos transaccionales. Las organizaciones acumulan enormes volúmenes de datos y necesitan interpretarlos para mejorar la toma de decisiones internas. Esto incluye explorar información sobre transacciones de recursos humanos para responder preguntas como proyecciones de jubilación o la relación entre días de vacaciones y evaluaciones de desempeño. El análisis ayuda a resumir datos, encontrar sentido y descubrir patrones.

Ventaja competitiva. Empresas basadas en internet como Google, Facebook y Amazon utilizan big data proveniente de transacciones en línea para crear nuevos productos y funciones para sus clientes. Ya sea para mejorar decisiones internas o aportar más valor a los usuarios, el análisis es clave para extraer valor de los datos y obtener una ventaja competitiva.

2. Clasificaciones del análisis: descriptivo, predictivo y prescriptivo

Por análisis entendemos el uso extensivo de datos, análisis estadísticos y cuantitativos, modelos explicativos y predictivos, y gestión basada en hechos para impulsar decisiones y generar valor.

Tres tipos de análisis. El análisis se clasifica en descriptivo, predictivo y prescriptivo, cada uno con un propósito distinto. El análisis descriptivo consiste en recopilar, organizar y resumir datos para describir características de lo estudiado, conocido históricamente como informes. El análisis predictivo utiliza datos pasados para pronosticar resultados futuros identificando asociaciones entre variables. El análisis prescriptivo sugiere cursos de acción mediante diseño experimental y optimización.

Cualitativo vs. cuantitativo. El análisis también puede ser cualitativo o cuantitativo, según el proceso y tipo de datos. El análisis cualitativo busca comprender en profundidad las razones y motivaciones subyacentes, usando datos no estructurados de pocos casos. El análisis cuantitativo implica una investigación empírica sistemática con técnicas estadísticas, matemáticas o computacionales, recolectando datos estructurados de muchos casos.

Diversas técnicas analíticas. Existen varios tipos de análisis para diferentes fines, incluyendo estadística (recolección, análisis, interpretación y presentación de datos), pronósticos (estimación de variables futuras), minería de datos (extracción de patrones en grandes conjuntos), minería de texto (patrones en textos), optimización (búsqueda de soluciones óptimas) y diseño experimental (relaciones causa-efecto). Estas técnicas suelen combinarse en la práctica.

3. El impacto y potencial del big data en todas las industrias

El big data y el análisis basado en él prometen transformar prácticamente todas las industrias y funciones empresariales en la próxima década.

Computación ubicua. El auge del big data es posible gracias a la computación ubicua y dispositivos de recolección de datos, con sensores y microprocesadores cada vez más comunes. Casi cualquier dispositivo mecánico o electrónico puede dejar un rastro que describe su rendimiento, ubicación o estado. Estos datos, junto con información de internet y otros medios, generan fuentes de datos inmensas.

Transformación industrial. El big data y el análisis tienen el potencial de revolucionar casi todas las industrias y funciones empresariales en los próximos años. Las organizaciones que comiencen temprano a trabajar con big data pueden obtener una ventaja competitiva significativa. Sectores como la manufactura, el marketing al consumidor e incluso los autos autónomos se consideran cada vez más problemas de big data.

Pensamiento analítico. CEOs como Gary Loveman (Caesars Entertainment), Jeff Bezos (Amazon) y Reid Hoffman (LinkedIn) defienden públicamente el pensamiento analítico y la toma de decisiones basada en datos como camino al éxito organizacional. Todas las organizaciones, en cualquier industria, deberán interpretar la avalancha de datos, requiriendo tanto analistas detallistas (quants) como tomadores de decisiones capaces de actuar con base en análisis cuantitativos.

4. Enmarcar el problema: la base del análisis efectivo

Un análisis cuantitativo comienza reconociendo un problema o decisión y empezando a resolverlo.

Reconocimiento del problema. El análisis cuantitativo inicia con la identificación y enmarcamiento adecuado de un problema o decisión. Esto implica definir la pregunta que el análisis responderá y la decisión que se tomará con base en el resultado. Las fuentes para esta etapa incluyen la curiosidad, experiencias laborales, necesidades decisorias, problemas actuales, teorías existentes y propuestas de proyectos.

Análisis de interesados. Identificar y gestionar a los interesados es crucial para el éxito de cualquier proyecto de análisis cuantitativo. Esto implica comprender sus necesidades, evaluar su interés e influencia, manejar sus expectativas y proporcionar retroalimentación constante. El análisis de interesados ayuda a identificar a los principales tomadores de decisiones y cómo persuadirlos con los resultados.

Enfocarse en decisiones. Centrar la atención en las decisiones específicas que se tomarán gracias al análisis es útil en la etapa de reconocimiento del problema. Esto hace que los participantes comprendan el propósito del análisis, identifiquen a los interesados clave y determinen si vale la pena realizar el análisis. También ayuda a definir el tipo de historia analítica que se contará.

5. Resolver el problema: modelado, recolección de datos y análisis

Un modelo es una representación simplificada y deliberada del fenómeno o problema.

Modelado y selección de variables. Resolver el problema implica decidir qué variables incluir en el modelo, recolectar datos que las midan y luego realizar el análisis. Un modelo es una representación simplificada que aísla las características importantes, útiles y cruciales que marcan la diferencia. Las hipótesis son conjeturas fundamentadas sobre qué variables realmente importan en el modelo.

Recolección y medición de datos. La siguiente etapa es recolectar y medir las variables seleccionadas. Medir una variable significa asignarle un número; los datos son simplemente colecciones de esos números. Los datos pueden ser estructurados (fácilmente organizados en filas y columnas) o no estructurados (texto, imágenes, audio, video). Los datos secundarios (recopilados por otros) ahorran tiempo, mientras que los primarios deben ser medidos por el investigador.

Técnicas de análisis de datos. El análisis de datos consiste en encontrar patrones consistentes o relaciones entre variables presentes en los datos. Se pueden usar técnicas que van desde análisis básicos como gráficos, porcentajes y promedios, hasta métodos estadísticos más complejos. El tipo de modelo depende del número de variables, si se busca descripción o inferencia, y del nivel de medición disponible.

6. Comunicar resultados: contar historias con datos

La forma en que comunicas el análisis es clave para que realmente se actúe en base a él.

La importancia de la comunicación. Comunicar el análisis es fundamental para que se tomen decisiones basadas en él. Si un tomador de decisiones no entiende qué análisis se hicieron ni qué significan los resultados, no se sentirá cómodo decidiendo con base en ellos. Presentar resultados analíticos de manera interesante y atractiva es especialmente importante.

Contar una historia. Los analistas más exitosos son quienes pueden "contar una historia con datos". Las buenas historias tienen una narrativa sólida, presentan hallazgos en términos comprensibles y concluyen con acciones a tomar y las consecuencias previstas. Las representaciones visuales de la información son especialmente adecuadas para este tipo de relato.

Métodos modernos. Las formas modernas de comunicar resultados incluyen análisis visual, presentaciones dinámicas e interactivas, e incluso salidas tangibles como modelos 3D. Juegos y simulaciones también pueden usarse para mostrar cómo interactúan variables en relaciones complejas. El objetivo es captar la atención del público y hacer que los resultados sean memorables y aplicables.

7. Creatividad y análisis cuantitativo: una combinación poderosa

Los usos más exitosos del análisis son altamente creativos…

Sinergia entre creatividad y análisis. La creatividad y el análisis no son opuestos, sino que a menudo están estrechamente relacionados. Los usos más exitosos del análisis son muy creativos, y la creatividad es un componente importante en enfoques analíticos efectivos. La creatividad sola, sin datos ni análisis, generalmente no basta para tomar las mejores decisiones.

Creatividad en el proceso analítico. La creatividad es esencial en el reconocimiento y enmarcamiento del problema, en identificar hallazgos previos relevantes, seleccionar variables y presentar resultados. Sin embargo, es menos apropiada en la etapa de análisis de datos, donde es crucial seguir métodos estadísticos establecidos.

Cuatro etapas del pensamiento analítico creativo. El proceso creativo sigue cuatro etapas: preparación (base), inmersión (compromiso intenso), incubación (internalización) e insight (descubrimiento). Estas etapas se corresponden con los seis pasos del pensamiento analítico: la preparación con el reconocimiento del problema y revisión de hallazgos previos; la inmersión con modelado, recolección y análisis de datos; y el insight con la presentación de resultados y acción.

8. Cultivar una mentalidad cuantitativa: actitudes y hábitos

Tu actitud cuantitativa habitual forma tus hábitos cuantitativos.

Actitud cuantitativa. Para ser un analista cuantitativo competente, es esencial cultivar una actitud cuantitativa, que incluye estar abierto a aprender sobre números y exigir un alto estándar de evidencia. Esto implica superar el miedo a los números y sentirse cómodo al enfrentarlos.

Hábitos cuantitativos. Desarrollar hábitos cuantitativos es clave para convertirse en un analista experto. Estos hábitos incluyen exigir números, no confiar ciegamente en ellos, ser especialmente escéptico con argumentos de causalidad y hacer preguntas.

Conocimiento cuantitativo. Para adquirir conocimiento cuantitativo, es importante estudiar fundamentos de estadística y métodos de investigación. Esto puede lograrse mediante cursos en línea, libros de texto o programas formales. La clave es practicar análisis cuantitativos y aplicarlos a problemas reales.

9. La importancia de cuestionar y ser escéptico en la interpretación de datos

Usa la estadística como un borracho usa un farol, más para apoyarse que para iluminar.

Nunca confiar ciegamente en los números. Es fundamental abordar los datos con escepticismo y mirada crítica. Los números pueden ser engañosos, obsoletos o inexactos, y pueden interpretarse mal para promover agendas ocultas. Siempre cuestiona la relevancia, precisión e interpretación correcta de los números.

Causalidad vs. correlación. Sé especialmente desconfiado con argumentos de causalidad. Que dos variables estén correlacionadas no implica que una cause a la otra. Considera si las personas pudieron haber sido asignadas aleatoriamente a condiciones para uno de los factores. Si no, la inferencia causal no está justificada.

Hacer preguntas profundas. Desarrolla el hábito de preguntar para entender mejor el problema y el proceso. Esto incluye cuestionar la fuente de los datos, la representatividad de la muestra, las suposiciones del análisis y la posibilidad de interpretaciones alternativas.

10. Construir relaciones efectivas entre analistas y tomadores de decisiones

Las decisiones cuantitativas efectivas no se tratan de matemáticas; se tratan de relaciones.

Acomodación mutua. Las decisiones cuantitativas efectivas requieren una acomodación mutua entre los tomadores de decisiones y los analistas cuantitativos. Esto implica construir respeto mutuo, comprender las habilidades de cada uno y hablar el mismo idioma. El objetivo es tomar decisiones analíticas sin perder el papel de la intuición ejecutiva.

Ingeniería de decisiones. El grupo de ingeniería de decisiones de Intel destaca la importancia de las relaciones entre analistas y tomadores de decisiones. Esto implica que el analista entienda el problema de negocio, hable el lenguaje del ejecutivo y comprometa a los escépticos en el proceso.

Construcción del modelo. El siguiente paso en la relación es que tomadores de decisiones y analistas colaboren para construir el modelo básico. La persona clave en análisis lidera estas sesiones para obtener insumos (elementos de datos, fuentes, ideas para detectar y corregir datos erróneos), salidas (qué soluciones son más deseables, métodos de presentación más intuitivos para usuarios empresariales), variables clave y relaciones entre ellas.

11. Responsabilidades analíticas de los tomadores de decisiones empresariales

No es mi trabajo tener todas las respuestas, pero sí hacer muchas preguntas penetrantes, incómodas y a veces casi ofensivas como parte del proceso analítico que conduce a la comprensión y mejora.

Aprender matemáticas y estadística. Los tomadores de decisiones empresariales tienen la responsabilidad de aprender algo sobre matemáticas y estadística. Esto incluye entender medidas de tendencia central, probabilidad, muestreo, correlación, regresión, diseño experimental y análisis visual.

Cuestionar supuestos. Los ejecutivos deben comprender y cuestionar los supuestos detrás de los modelos analíticos. Esto implica determinar si el mundo ha cambiado de manera que ponga en duda el modelo.

Resistir y cuestionar. Es importante resistirse cuando algo no se entiende. Esto incluye solicitar datos y análisis, no solo anécdotas u opiniones. Al hacer preguntas y desafiar supuestos, los ejecutivos aseguran que los modelos analíticos sean relevantes, precisos y bien comprendidos.