[13/11/2019] Uno de los objetivos comunes de la transformación digital a menudo se expresa como "convertirse en una empresa basada en datos”. Ya sea inteligencia empresarial, analítica predictiva o aprendizaje automático, el uso de datos objetivos -en lugar de corazonadas- para impulsar la toma de decisiones, es algo de lo que las empresas hablan cada vez más.
Existen muchos desafíos. No todas las grandes organizaciones son lo suficientemente ágiles para aprovechar al máximo la toma de decisiones basada en datos, o lo suficientemente capacitadas para recopilar datos confiables a escala y hacer las preguntas adecuadas. La mayoría de los ejecutivos en el estudio anual de big data, NewVantage Partners, están buscando datos para tomar mejores decisiones, pero solo un tercio cree que su compañía tiene una cultura basada en los datos.
Asimismo, los datos no tienen todas las respuestas. Es posible que sus datos no le indiquen que un producto exitoso podría ser mejor, porque los datos afirman que ya es exitoso.
Tomar decisiones basadas en datos implica hacer las preguntas adecuadas y tener los datos correctos para conseguir las respuestas. Comenzará a ver lo que se conoce como "ciencia de las decisiones” (o "inteligencia de las decisiones”).
¿Qué es la ciencia de las decisiones?
La jefa de inteligencia de las decisiones de Google, Cassie Kozyrkov, describe la inteligencia de las decisiones como la combinación de herramientas y perspectivas provenientes de disciplinas que antes han estado separadas, y su aplicación a todos los aspectos de la selección entre las opciones existentes para reducir el esfuerzo requerido en una toma de decisiones de mayor calidad, basadas en hechos. "Reúne lo mejor de la ciencia de datos aplicada, las ciencias sociales y la ciencia gerencial en un campo unificado que ayuda a las personas a usar los datos para mejorar sus vidas, sus negocios y el mundo que los rodea”, escribe.
Existen similitudes con campos como la economía del comportamiento -que consiste en predecir el comportamiento del mercado y usar incentivos para cambiar el mercado-, y la intersección de la ciencia de computación y la economía, conocida como EconCS, que Microsoft utiliza para diseñar subastas de anuncios de Bing, precios en la nube de Azure y marketing de juegos de Xbox.
Pero la ciencia de las decisiones no tiene un enfoque tan amplio; se trata de resolver problemas comerciales específicos con datos y algoritmos, al predecir los resultados de una decisión.
La ciencia de las decisiones versus la ciencia de los datos
Pronosticar los resultados de una decisión es un diferenciador clave entre la ciencia de las decisiones y la ciencia de datos.
"La ciencia de las decisiones consiste en utilizar una combinación de teoría y datos para predecir lo que sucederá después de que una persona u organización tome una decisión que cambie su ambiente”, explica Greg Lewis, investigador principal senior de Microsoft. Es una bola de cristal para ayudar a los que toman las decisiones a encontrar cuál es la opción correcta.
La ciencia de datos, por otro lado, pronostica lo que sucederá después, si no hace nada para cambiar el sistema, afirma Lewis. "Por ejemplo, la ciencia de datos podría usarse para determinar que, al ritmo actual, una tienda se quedará sin inventario; pero la ciencia de las decisiones ayudaría a decidir si es mejor comprar más inventario y mantener los precios iguales, o aumentar los precios para que el inventario actual sea suficiente”.
Aun así, la ciencia de las decisiones es parte de la ciencia de datos, señala Chi-Yi Kuan, director de ciencia de datos en LinkedIn, donde hasta hace poco dirigía el equipo de soluciones de ciencia de las decisiones de la compañía. Lo resume como "análisis cuantitativo y técnicas utilizadas para informar y promover la toma de decisiones”.
"En la ciencia de datos, trabajamos mucho para comprender lo que sucedió, cuál es la historia -eso es analítica descriptiva. Luego, la analítica de diagnóstico está profundizando y haciendo una inmersión profunda para comprender por qué sucedió de esa manera. Cuando nos volvemos más avanzados, podemos hacer analítica predictiva: ¿qué sucederá en el futuro? En terminología popular, lo que llamamos inteligencia artificial y aprendizaje automático se trata de predicción y pronóstico: la analítica prescriptiva se trata de cuál sería la mejor opción para que suceda”, afirma Kuan.
La ciencia de datos se trata de pasar de datos en bruto a datos significativos; la ciencia de las decisiones aplica eso a las recomendaciones para los tomadores de decisiones. "El trabajo de la ciencia de datos consiste en tomar mejores decisiones en el ecosistema para ayudar a la empresa a crecer. En la ciencia de las decisiones, el enfoque solo está en tomar las decisiones”, afirma Kuan.
Decisiones basadas en datos para todos
Los principios de la ciencia de las decisiones deben ser familiares para los ejecutivos, porque ya se utilizan en las áreas operativas. Pero obtener información comercial de expertos en ciertos campos -que brindan asesoramiento en función de su experiencia (y cantidades limitadas de datos)- es demasiado lento y costoso de usar para cada decisión. La ciencia de las decisiones democratiza la capacidad de aprovechar los datos en tiempo real, sugiere Kuan. "Queremos hacer que pueda crecer. Queremos que todos en una empresa puedan tomar decisiones basadas en datos: no es solo para los ejecutivos -y ese es un gran cambio”.
Eso significa más que solo tener un equipo de ciencia de datos; significa dar a las personas la autoridad para tomar decisiones con datos. "Muchas empresas tienen equipos a los que llaman equipos de ciencia de datos, pero no les dan autoridad y no confían en ellos para hacer recomendaciones”, afirma Kuan.
Él sugiere que los datos son inútiles a menos que se los transforme en una decisión. Eso significa capacitar a las personas -que tienen datos que necesitan evaluar y un problema de negocio que necesitan resolver- para que puedan usar los datos que les ayudarán a tomar decisiones.
Ejemplos de ciencia de las decisiones
Kuan ofrece una larga lista de ejemplos en los que se aplica la ciencia de las decisiones: pruebas A/B de productos, evaluación del desempeño de la campaña de marketing, inteligencia del ciclo de vida de la cuenta de ventas y oportunidades en el servicio al cliente para mejorar la experiencia del cliente.
El resultado podría no ser una opción única, sino una gama de opciones: "en el mundo digital podemos hacer muchas pruebas A/B y tomar una decisión sobre los resultados que obtendremos”, afirma. Como un experimento, casi todas las decisiones de productos en LinkedIn se envían a un pequeño conjunto de usuarios, y los equipos de productos pueden ver cómo esos cambios afectan los KPI y otras métricas.
LinkedIn aplica ampliamente la ciencia de las decisiones, en áreas que van desde encontrar los segmentos de miembros correctos para enviar correos electrónicos, brindar atención al cliente, usar el análisis de textos para comprender los comentarios de los miembros, hasta la página de noticias -donde eligió asegurarse de que los miembros comunes reciban más exposición porque los comentarios y los "me gusta” marcan más la diferencia en su interacción con la plataforma, que en las celebridades como Bill Gates y Richard Branson.
Los empleados hacen muchos análisis ad hoc, observando qué impulsa los cambios en métricas de negocio específicas; todo eso está disponible a través de un portal de analítica para que el equipo de ciencia de datos pueda dedicar más tiempo a realizar análisis basados en preguntas e hipótesis, los cuales ayudan a que los equipos de negocios tomen sus decisiones.
La ciencia de las decisiones es una travesía
La ciencia de datos no se realiza cuando se toma la decisión, señala Kuan. "Después de la toma de decisiones, el viaje de la ciencia de datos continúa midiendo el impacto de lo que estábamos trabajando y lo que aprendemos de la decisión que se tomó, y sigue mejorando eso mediante la experimentación”, afirma.
Esa es otra gran diferencia con la ciencia de las decisiones: "de la anterior manera, cuando usted tomaba una decisión, eso era todo; usted no tiene ninguna oportunidad de mejorar [en el futuro]”, afirma Kuan. "Hacer un seguimiento de los efectos de esas decisiones basadas en datos brinda a las empresas la oportunidad de aprender del fracaso y las hace crecer”.
Pero la ciencia de las decisiones no es solo para empresas digitales, como LinkedIn. Lewis explica que la decisión que toma la ciencia es un proceso de toma de decisiones mejor.
"En la práctica, uno de los mejores ejemplos de la ciencia de las decisiones es el aumento de los experimentos A/B, donde las organizaciones prueban sistemáticamente dos enfoques diferentes y ven cuál funciona mejor con sus clientes”, afirma Lewis. "Gran parte del valor agregado aquí es que llevar a cabo un experimento A/B obliga a los equipos a aclarar cómo se ve el éxito, cuál podría ser una buena alternativa a lo que están haciendo en este momento, y poner en marcha un proceso para actualizar continuamente sus políticas”.
Eso evita que se quede atascado -y usted aún puede hacerlo incluso si no puede enviar dos versiones de un producto. "Ahí es cuando la economía, la teoría de juegos y el aprendizaje automático causal -basado en los datos existentes del cliente- dan un paso adelante para brindarle otras formas de anticipar lo que podría suceder si se elige una nueva dirección”, afirma Lewis.
Llegar a la ciencia de las decisiones
La ciencia de las decisiones no es algo que se hace en lugar de la ciencia de datos; es cómo usted usa la ciencia de datos para guiar la toma de decisiones en su organización, y necesita tanto científicos de datos como personas que entiendan la toma de decisiones.
"La ciencia de las decisiones es la aplicación de la producción de la ciencia de datos, combinada con el contexto del comportamiento de las partes interesadas y el contexto comercial del problema”, le expresó el CTO de Onepath, Patrick Kinsella, a CIO.com. La implementación de la ciencia de la toma de decisiones requiere más que adoptar herramientas de ciencia de datos que puedan crear modelos, sacar conclusiones y pronosticar resultados a partir de los datos. "Una organización debe identificar el equipo de personas capaces de evaluar el impacto conductual de las decisiones. Estas personas suelen tener experiencia en la gestión del cambio a través de la transformación organizacional, la integración de fusión/adquisición, o una redefinición de los valores centrales”.
Kuan enfatiza la importancia de contratar más que experiencia en ciencia de datos. Los científicos de datos en LinkedIn necesitan experiencia en estadísticas para poder diseñar experimentos, y saber cómo medir si estos tienen éxito. Necesitan saber suficiente de aprendizaje automático como para formalizar problemas comerciales como problemas de aprendizaje automático, sin confundir la correlación con la causalidad. Necesitan conocer el contexto comercial de los datos lo suficientemente bien como para poder interpretarlos, limpiarlos y transformarlos en algo utilizable. Y necesitan poder presentar sus hallazgos y explicar cómo fueron creados.
"El objetivo es tomar los conocimientos generados a partir del análisis e influir efectivamente en la toma de decisiones críticas, lo que impulsa el impacto comercial”, explica Kuan.
Lewis recomienda equipos que combinen economistas, estadísticos y científicos de datos. "Los economistas descubren lo que debe medirse para tener una buena idea de lo que sucederá después; los estadísticos descubren cómo medirlo; y los científicos de datos construyen la infraestructura y las herramientas que permiten mediciones regulares y confiables a escala”.
No olvide tampoco lo básico, afirma Miles Ward, CTO de SADA. "Si no tiene sus datos accesibles, y fácilmente consultables, con procedencia y calidad verificadas, tomar decisiones fuera de eso resultará fortuito. Entonces, si aún no ha llegado a ese punto, comience con eso”.
Mary Branscombe, CIO