Nuestros sitios
Ver edición digital Suscríbete al NEWSLETTER
Compartir

Liderazgo y analítica en la toma de decisiones

MIT SMR México 17 Dic 2020
Liderazgo y analítica en la toma de decisiones

Muchas veces no se genera información para resolver decisiones comerciales efectivas a partir de los procesos de inteligencia con que cuentan distintas organizaciones. Y los líderes deben asegurarse de que los datos sirvan para que esto funcione correctamente.


Por Bart de Langhe y Stefano Puntoni

Si le preguntas a cualquier CEO importante sobre las buenas prácticas de gestión actuales, invariablemente surgiría la toma de decisiones basada en datos. 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 encontrar una utilidad para los datos con que se cuenta. 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 existentes.

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 analítica de datos por decisiones.

La analítica de datos tradicional puede conducir a responder preguntas incorrectas. Usaremos algunas compañías de ejemplo para respaldar nuestro argumento. Comencemos con la gestión de relaciones con los clientes en RollingBoulder, una compañía de medios con un modelo comercial de suscripción. Sus clientes pueden renovar membresías anuales, respondiendo a una carta que reciben cuando su membresía está a punto de expirar. Para reducir el desgaste de los clientes, la organización a veces agrega 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 organización 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 para gestionar la cancelación del servicio 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; les permite hacer proyecciones sobre el valor de su base de clientes, por ejemplo. Sin embargo, no atiende la pregunta más relevante aquí: “¿Cuál es el efecto de hacer un obsequio en 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 sustentada en datos 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 de datos por decisiones comienza con una buena definición de las decisiones que se desean tomar y los datos necesarios para ello.

La analítica de datos tradicional puede implicar reforzar creencias preexistentes. Otro caso es el de Gwenn & Jenny’s, una heladería que quiere saber cómo su publicidad en Twitter afecta sus ventas. La red social ofrece un proceso de atribución 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 clic en los tweets 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 también es coherente con las creencias de los clientes de que la publicidad en redes sociales funciona y que su eficacia se puede medir fácilmente.

Twitter ha vendido este proceso de tres pasos a muchas empresas. Sin embargo, nosotros lo rescatamos como un caso en la toma de decisiones defectuosa.

Comparar consumidores que vieron y que no vieron el contenido de una marca es como comparar manzanas y naranjas. Estos clientes se diferencian de muchas otras formas. 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. Son leales y compran porque les gusta el producto y, por eso, también siguen la marca en redes sociales, no al revés. El enfoque de Twitter exagera demasiado el impacto de la publicidad en las ventas.

La toma de decisiones basada en datos empodera a quienes proveen y analizan los datos. El riesgo es que quienes toman decisiones consideren que los datos son consistentes con sus creencias y sesgos al pie de la letra.

Implementar la analítica de datos por decisiones. Para pasar a un enfoque de análisis de datos de acuerdo a decisiones, 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 el enfoque por decisiones 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 esa no es la analítica de datos por decisiones. Ese sería un análisis basado en preferencias y podría ser la peor forma de tomar decisiones, aunque por desgracia es muy común.

Para hacer el cambio hacia una analítica impulsada por la toma 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 los datos necesarios para determinar el mejor curso de acción. El tercer paso es emprender dicho curso de acción.

Paso 1: identificar los cursos de acción alternativos. Los responsables de la toma de decisiones deberían empezar con planteamientos amplios e ir limitándolos. Muchas decisiones se toman con el piloto automático, apenas considerando una sola vía de acción, lo cual podría dañar su calidad. Pensar de forma amplia significa generar muchas posibles vías.

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 de las muchas posibilidades de actuar. La empresa también podría mejorar el desarrollo de los clientes (por ejemplo, a través de la venta ascendente o cruzada), realizar inversiones para adquirir nuevos clientes (mediante promociones de ventas) o mejorar el contenido editorial (tal vez con nuevos escritores).

Tener demasiadas alternativas puede hacer que el problema sea intratable desde una perspectiva gerencial y analítica. Limitar planteamientos quiere decir que quienes toman las decisiones usan su juicio para definir cursos de acción; tal es el caso del gerente de relaciones con el cliente en RollingBoulder, que puede darse cuenta de que mejorar el contenido editorial queda fuera de sus responsabilidades.

Al generar planteamientos “amplios y luego limitarlos”, se aumenta la probabilidad de que los cursos de acción finales incluyan opciones factibles y de alta calidad.

El objetivo de la analítica de datos es convertir las incógnitas en conocimientos para que los planes de acción puedan clasificarse de manera más objetiva.

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 de datos es convertir las incógnitas en conocimientos para que los planes de acción puedan clasificarse de manera más objetiva.

Tomar en cuenta primero las decisiones centra la atención en las incógnitas y esto tiene una gran ventaja. Inmediatamente se vuelve obvio que existen límites para lo conocido y que las incógnitas se pueden abordar de muchas formas diferentes. Por ejemplo, si le dice a la gente que Interbrand ha determinado 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 Y si se le pregunta a la gente cuánto cree que vale Mastercard, la mayoría advertirá que el valor de la marca sólo se puede cuantificar de manera imperfecta y de diversas formar. Y tienen razón.

Kantar Millward Brown calcula que Mastercard tiene un valor de 108 mil millones (puesto 10 en el mundo), mientras que Brand Finance calcula 19.8 mil millones (puesto 86).6 A partir de lo desconocido se destaca que el mundo es complejo e incierto.

El análisis de datos por decisiones 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 conocidos para resolver incógnitas, entonces no hay ningún beneficio en recopilar y analizar datos.

Con frecuencia, los datos recopilados con el fin de tomar una decisión tienen más valor que los datos que ya están disponibles. RollingBoulder decidió agregar un regalo a la carta de renovación de ciertos clientes. Pero para tomar esta decisión, la empresa necesitaba saber de qué manera influye un regalo en la probabilidad de que un cliente cancele su suscripción. Esta pregunta no se puede responder con datos conocidos. Requiere ejecutar una prueba controlada aleatorizada (por sus siglas en iglés, RCT, o también llamada prueba A/B): se selecciona a algunos clientes al azar para recibir un regalo o no, y luego la empresa observa qué clientes cancelan y qué clientes permanecen.

Paso 3: elige 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 con éxito la probabilidad de abandono de algunos clientes, pero resultó contraproducente para otros. Los clientes que tenían menos probabilidades de cancelar el servicio sin la intervención, se volvieron aún menos propensos de cancelar después de la prueba.

En contraste, los clientes con más probabilidades de cancelar su suscripción sin el regalo, aumentaron su propensión a hacerlo cuando recibieron la intervención. En otras palabras, la empresa siempre se ha dirigido precisamente 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. Sólo pueden darte respuestas”. El análisis de datos por decisiones enfatiza la importancia de hacer preguntas y, por lo tanto, la importancia del juicio gerencial. Este enfoque llama la atención sobre las incógnitas y el valor de la recopilación y el análisis de datos adicionales. Las empresas y los líderes que adoptan este método se benefician al garantizar que las iniciativas de analítica estén vinculadas a la acción, se centren en responder las preguntas que importan y desafíen, en lugar de refuercen, las creencias de los ejecutivos acerca de cómo funciona el mundo.

Acerca de los autores

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.

Artículo traducido por Elvira Rosales Abundiz, a partir de: https://sloanreview.mit.edu/article/leading-with-decision-driven-data-analytics/?og=Home+Editors+Picks

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 MIT SMR México
MIT SMR México La guía en español para los tomadores de decisiones Ofrecemos a nuestros lectores contenido de alto valor con rigor y veracidad sobre innovación y tendencias del mundo empresarial ayudándolos en la toma de decisiones en su vida cotidiana.
Descarga GRATIS nuestro especial
descargable
Descarga AQUÍ el artículo completo Especial Foro MIT 2024. ¡Descárgalo GRATIS!
Suscríbete al Newsletter
¡SUSCRÍBETE!
LEE MÁS CONTENIDO
¿QUÉ TEMA TE INTERESA?