Nuestros sitios
Ver edición digital Suscríbete al NEWSLETTER
Compartir

Por qué falla la toma de decisiones data-driven

Bart de Langhe, Stefano Puntoni 02 Dic 2021
Por qué falla la toma de decisiones data-driven

Las empresas no suelen explotar todo el potencial data-driven. Te presentamos tres sencillos pasos para generar información realmente útil y tomar decisiones clave.


Si le preguntas a cualquier CEO sobre las buenas prácticas de gestión actuales, invariablemente surgiría la toma de decisiones data-driven. Las empresas tienen más datos que nunca, pero muchos ejecutivos opinan que sus iniciativas de analítica no brindan información procesable y que, en general, producen resultados decepcionantes.1

En la práctica, tomar decisiones a partir del análisis de datos suele reducirse a encontrarles una utilidad. Las compañías buscan maneras de extraer valor de sus datos disponibles, pero eso no significa que los analistas estén respondiendo las preguntas correctas; y tampoco es un amparo contra la influencia de prejuicios y prácticas obsoletas.

La solución es simple: en lugar de encontrar un propósito para los datos, se deben buscar datos para un propósito. A este enfoque lo llamamos decision-driven data analytics.

El data driven a veces implica plantear preguntas incorrectas

Usaremos algunas empresas de ejemplo para respaldar nuestro argumento. Comencemos con RollingBoulder, una compañía de medios por suscripción. Sus clientes pueden renovar la membresía anual respondiendo a una carta que reciben cuando ésta está a punto de expirar. Para paliar las molestias, la organización a veces manda un obsequio de agradecimiento en estos correos.2 

A través de los años, RollingBoulder ha desarrollado un rico conjunto de datos que describe a los clientes actuales y pasados en varias dimensiones, como su ubicación, la duración de su membresía y el uso y comportamiento que tienen en el sitio web. La compañía ha desarrollado un sofisticado algoritmo predictivo que utiliza esta información para cuantificar la probabilidad de que un miembro activo abandone el servicio, con el fin de enviar obsequios a los clientes en riesgo.

Este método data-driven se considera una de las mejores prácticas en la industria, pero tiene fallas.3 Para entender por qué, veamos la pregunta central que la empresa está abordando con este análisis: “¿Qué probabilidades hay de que un cliente nos cancele?” Es información valiosa, sin duda, pues les permite hacer proyecciones sobre el valor de su base de clientes. Sin embargo, no atiende la pregunta más relevante: “¿Cómo afecta un obsequio a la probabilidad de cancelación de un cliente?” Esta pregunta no puede responderse en función de los datos que la empresa ya tiene, sino que requiere mayor recopilación y análisis.

La toma de decisiones data-driven depende de los datos disponibles, por lo que suele llevar a quienes toman las decisiones a enfocarse en las preguntas equivocadas. Por el contrario, la analítica decision-driven comienza con una clara definición de los objetivos que se buscan y la información que se necesita para lograrlos.

El data-driven a veces refuerza sesgos preexistentes

Otro caso es el de Gwenn & Jenny’s, una heladería que quiere saber cómo la publicidad en Twitter afecta sus ventas. La red social ofrece un proceso de tres pasos para evaluar el impacto de la publicidad en las ventas.4 Primero, un corredor de datos, como Datalogix, comparte información de identificación de clientes (como cookies del navegador, direcciones de correo electrónico y números de teléfono). A continuación, Twitter busca esos clientes en sus registros y, si hay una coincidencia, agrega información sobre sus actividades en la plataforma (por ejemplo, si vieron o hicieron click en los tuits de la marca). Por último, los analistas comparan las compras de los clientes que interactuaron con la marca Gwenn & Jenny en Twitter versus las compras de los clientes que no tuvieron interacciones.

Este método  revela importantes coincidencias para una marca: los clientes que vieron una marca en Twitter e interactuaron con ella, visitan sus tiendas con más frecuencia y gastan más en cada visita. Considerar que estos datos sugieren que la publicidad en las redes sociales tiene un gran impacto en las ventas respalda el modelo comercial de Twitter; y confirma la extendida creencia de que la publicidad en redes sociales funciona y es medible.

Twitter ha vendido este proceso a muchas empresas; sin embargo, nosotros lo rescatamos como un ejemplo de toma de decisiones defectuosa.

Comparar consumidores que vieron y que no vieron el contenido de una marca es como comparar peras con manzanas. Los clientes más leales de Gwenn & Jenny tienen más probabilidades de interactuar con la marca en Twitter y también es más probable que compren sus productos. No compran porque vieron la cuenta de la marca en su feed de Twitter, sino porque les gusta el producto y, por eso, también siguen la marca en redes sociales, no al revés. El enfoque de Twitter exagera demasiado su influencia en las ventas.

La toma de decisiones data-driven empodera a quienes proveen y analizan los datos, pero el riesgo es que quienes toman las decisiones consideren que dichos datos son consistentes con sus creencias y sesgos al pie de la letra.

Implementando decision-driven data analytics

Para dirigirse a un enfoque de decision-driven data analytics, una empresa debe comenzar por identificar sus decisiones clave y las personas que las toman, y buscar datos con un propósito en lugar de encontrar un propósito para los datos en cuestión. 

Cuando explicamos este método a los ejecutivos, algunos se apresuran a señalar un problema potencial. Advierten que quienes toman decisiones y utilicen los datos para respaldar una decisión dada, pueden ser víctimas del sesgo de confirmación. Pero esto va en contra de la propuesta; ese sería un preference-driven data analytics y podría ser la peor forma de tomar decisiones, aunque por desgracia es muy común.

Lee también: El mayor obstáculo de la Inteligencia Artificial

Para hacer el cambio hacia una analítica centrada en las decisiones y evitar la trampa de las preferencias, los líderes pueden seguir tres pasos importantes. Primero, es responsabilidad de quienes toman decisiones formar una breve serie de cursos de acción alternativos. En segundo lugar, es responsabilidad conjunta de quienes toman decisiones y de los científicos de datos identificar qué información se necesita para elegir el mejor curso de acción. El tercer paso es actuar.

Paso 1: identificar los cursos de acción alternativos. Muchas decisiones se toman con el piloto automático, apenas considerando una sola vía de acción, lo cual podría dañar su calidad. Por lo tanto, se debe empezar con planteamientos amplios e ir reduciéndolos; es decir, pensar en varias posibilidades. Para ser claros, volvamos a RollingBoulder: si el objetivo comercial es aumentar el valor de su base de clientes, un regalo de agradecimiento para retener consumidores es sólo una entre muchas alternativas. La empresa también podría mejorar el desarrollo de los clientes (por ejemplo, mediante venta ascendente o cruzada), realizar inversiones de adquisición (por ejemplo, con promociones de ventas) o mejorar el contenido editorial (tal vez con nuevos escritores).

Sin embargo, tener demasiadas alternativas puede hacer que el problema sea intratable desde una perspectiva gerencial y analítica. Reducir el planteamiento quiere decir que quienes toman las decisiones usen su juicio para definir cursos de acción; por ejemplo, el gerente de relaciones con el cliente en RollingBoulder puede darse cuenta de que mejorar el contenido editorial queda fuera de sus responsabilidades.

Al crear planteamientos “amplios y luego reducirlos”, se aumenta la probabilidad de que los cursos de acción finales incluyan opciones viables y de alta calidad.

Paso 2: determinar los datos que se necesitan para cada curso de acción y clasificarlos. Quienes toman decisiones y los científicos de datos deben desarrollar criterios para discriminar y clasificar los cursos de acción alternativos elegidos en el paso 1. El objetivo de la analítica es convertir las incógnitas en conocimientos para clasificar los cursos de acción de manera objetiva.

El decision-driven centra toda la atención en las incógnitas y esto tiene una gran ventaja: se vuelve obvio que existen límites para lo conocido y que las incógnitas se pueden abordar de muchas formas diferentes. Por ejemplo, si le dices al público que Interbrand considera que la marca Mastercard tiene un valor de 11 mil millones de dólares y ocupa el puesto 57 en el mundo, la mayoría creerá esta estimación a ciegas.5 Si, en cambio, le preguntas a la gente cuánto creen que vale Mastercard, la mayoría responderá que no pueden calcular su valor exacto o que dependerá de ciertos parámetros. Y tienen razón. Kantar Millward Brown calcula un valor de 108 mil millones de dólares (puesto 10 en el mundo) para Master Card, mientras que Brand Finance estima 19.8 mil millones de dólares (puesto 86).6 Lo desconocido revela que el mundo es complejo e incierto.

Decision-driven data analytics no implica recopilar la mayor cantidad de datos posible; sino que es fundamental considerar el valor de estos. Si se tomaran las mismas decisiones antes y después de analizar datos, entonces no habría ningún beneficio.

Los datos recopilados a fin de tomar una decisión suelen ser más valiosos que los datos que ya están disponibles. RollingBoulder optó por añadir regalos a la carta de renovación de ciertos clientes. Pero para tomar esta decisión, la empresa necesitaba saber de qué manera influye un obsequio en la cancelación de sus clientes. Esta pregunta no se puede responder con datos conocidos. Requiere ejecutar una prueba controlada aleatorizada (por sus siglas en inglés, RCT, o también llamada prueba A/B), en donde se seleccionan clientes al azar para recibir o no regalos, y luego la empresa observa quienes cancelan y quienes renuevan su suscripción.

Paso 3: elegir el mejor curso de acción. El paso final debería ser sencillo. Si los dos primeros pasos se ejecutaron bien, el análisis de datos ahora revelará el mejor curso de acción.

Al analizar los datos del RCT, RollingBoulder aprendió una lección importante. El obsequio redujo la probabilidad de abandono de algunos clientes, pero resultó contraproducente para otros. Quienes tenían menos probabilidades de cancelar el servicio sin la intervención, se volvieron aún menos propensos a cancelar después de la prueba. En contraste, los clientes con más probabilidades de cancelar su suscripción sin el regalo, aumentaron su propensión a hacerlo después de recibir el obsequio. En otras palabras, la empresa siempre se ha dirigido a los clientes equivocados, al igual que muchas otras compañías que siguen ciegamente las “mejores prácticas” para atender a los clientes de alto riesgo.

Una vez Pablo Picasso dijo: “Las computadoras son inútiles. Solo pueden darte respuestas”. La analítica decision-driven subraya la importancia de hacer preguntas y, por lo tanto, la importancia de la intervención gerencial. Este enfoque llama la atención sobre las incógnitas y sobre el valor de la recopilación y el análisis de datos adicionales. Quienes adopten este método podrán garantizar que las iniciativas de analítica estén vinculadas a la acción, se concentren en responder las preguntas clave y desafíen, en lugar de refuercen, las creencias de los ejecutivos acerca de cómo funcionan los negocios.

REFERENCIAS

1. “Closing the Data Value Gap,” white paper, Accenture, Dublin, 2019.

2. RollingBoulder is modeled after a company described in E. Ascarza, “Retention Futility: Targeting High-Risk Customers Might Be Ineffective,” Journal of Marketing Research 55, no. 1 (February 2018): 80-98.

3. “Customer Attrition,” accessed Nov. 3, 2020, https://en.wikipedia.org.

4. “About Measuring Sales Impact,” Twitter, accessed Nov. 3, 2020, https://help.twitter.com.

5. “Best Global Brands,” Interbrand, accessed Nov. 3, 2020, https://interbrand.com.

6. “BrandZ Top 100 Most Valuable Global Brands 2020,” BrandZ (June 30, 2020); and “Global 500 2020,” Brand Finance (January 2020).

Síguenos en Google News
Te recomendamos
Foto perfil de Bart de Langhe, Stefano Puntoni
Bart de Langhe, Stefano Puntoni Bart de Langhe es científico del comportamiento y profesor de marketing en la Universidad Esade Ramon Llull. Stefano Puntoni es profesor de marketing en la Escuela de Administración Rotterdam de la Universidad Erasmus y director del laboratorio de Psicología de IA en el Centro Erasmus de Analítica de Datos.
Descarga GRATIS nuestro especial
descargable
Descarga AQUÍ el artículo completo IA ¿Un riesgo para el planeta? ¡Descárgalo GRATIS!
Suscríbete al Newsletter
¡SUSCRÍBETE!
LEE MÁS CONTENIDO
¿QUÉ TEMA TE INTERESA?