Las 3 trampas de las decisiones data-driven
Cuando los equipos directivos o especialistas en data y analítica, se enfrentan a una sobrecarga de información, pueden bajar la guardia y tomar atajos en su análisis de datos, dejando de procesar cuidadosamente cada pieza de información para cada decisión. Estos procedimientos simplificados pueden generar sesgos que distorsionan el análisis, generalmente, sin darnos cuenta.
Estos son algunos ejemplos sobre los peligros al tomar decisiones basada en datos que recoge la guía de HBR sobre data analytics para decision makers y, en este artículo, conoceremos tres de los tipos de trampas cognitivas más frecuentes y cómo escapar de ellas.
El sesgo de la confirmación
¿Cuándo sucede?
Cuando se priorizan y eligen hallazgos que coinciden con creencias previas y se ignoran otros hechos y patrones en los datos. O, viceversa, cuando se ignoran los hallazgos que contradicen un paradigma dominante en la empresa o los que no confirman nuestras creencias (o las del jefe).
¿Cómo evitarlo?
- Previamente, especifica los datos y enfoques analíticos sobre los que basará tu decisión (para evitar prejuicios, sesgos, preferencias, etc.).
- Busca activamente hallazgos que refuten tus creencias (debatiendo con personas escépticas, abogados del diablo o a los que siempre opinan contrario).
- No descartes automáticamente los hallazgos por debajo de su umbral estadístico o práctico (tanto las relaciones con grandes y pequeños errores estándar).
- Analiza los datos entre varios equipos por separado (para saber si tienen conclusiones similares y analizar por qué tienen puntos de divergencia).
- Tratar los hallazgos como predicciones y ponerlos a prueba (con un experimento para validar esa correlación).
La trampa del exceso de confianza
¿Cuándo sucede?
Cuando se tiende a suponer que la precisión de nuestros juicios o la probabilidad de éxito en nuestras iniciativas es más favorable de lo que se halla en los datos. O cuando existe una excesiva confianza en nuestro juicio y descartamos tiempo y dinero para recoger más información o realizar más análisis.
¿Cómo evitarlo?
- Determina cómo sería el experimento perfecto (si tuvieses recursos ilimitados) para identificar cómo mejorar el real, con más recopilación de datos o técnicas analíticas.
- Incluye en tu proceso de análisis un paso para preguntarte por qué puede ser erróneo o qué fallos puede tener.
- Antes de tomar una decisión o lanzar un proyecto, pídeles a otros especialistas del proyecto que escriban qué imaginan si el proyecto fallara a mediano plazo.
- Compara tus predicciones con lo que realmente sucede, para evaluar cuáles fueron ciertas y cuáles no.
Los modelos con sobreajuste
¿Cuándo sucede?
Cuando un modelo estadístico describe ruido aleatorio, en lugar de la relación subyacente que necesitamos identificar, ayudando solo a explicar lo que sucedió pero con muy poco aportar a determinar lo que podría suceder.
¿Cómo evitarlo?
- Divide aleatoriamente los datos en «datos de entrenamiento» para estimar el modelo y «datos de validación» para probar la precisión de las predicciones del modelo.
- Antes de analizar los datos, especifica las relaciones que deseas probar y cómo planeas probarlas.
- Mantén un análisis simple que mida efectos importantes de hipótesis claras y lógicas.
- Construye narrativas alternativas.
- Evita definir patrones en datos aleatorios.
✅ ¿Listo para convertirte en una organización data-driven? Solicita una demo personalizada para ti y tu equipo, completando el siguiente formulario: https://forms.office.com/r/Ua3uJeTjR6
▶️ Conócenos: www.kaitsconsulting.com
▶️ Contáctanos: wa.me/+51993864257 | wa.me/+51997889443
#kaitsconsulting #data #analytics #predictiveanalytics #businessintelligence #bi #datadriven #businessintelligence #analítica #analitica #inteligenciaempresarial #workshop #taller #microsoftfabric
*Artículo basado en «HBR Guide: Data Analytics Basics for Managers» por Harvard Business Review Press (2018).
