Manténgase al día con sus cuantitativos

«No sé por qué no eliminamos las hipotecas de nuestros libros», me dijo hace unos años un analista cuantitativo sénior de un gran banco estadounidense. «Tenía un modelo que indicaba claramente que muchas de ellas no se pagarían, y se lo envié al director de nuestro departamento hipotecario». Cuando le pregunté al responsable del negocio hipotecario por qué había ignorado el consejo, me respondió: «Si el analista me mostró un modelo, no estaba en términos que yo pudiera entender. Ni siquiera sabía que su grupo estaba trabajando en las probabilidades de reembolso». El banco acabó perdiendo miles de millones en préstamos incobrables. Vivimos en la era del Big Data. Tanto si trabaja en servicios financieros, bienes de consumo, viajes y transporte o productos industriales, el análisis de datos se está convirtiendo en una necesidad competitiva para su organización. Pero, como muestra el ejemplo de la banca, no basta con disponer de Big Data, ni siquiera con contar con personas capaces de manipularlo con éxito. Las empresas necesitan directores generales que puedan colaborar eficazmente con los «cuantitativos» para garantizar que su trabajo dé lugar a mejores decisiones estratégicas y tácticas. The Explainer: Big Data y análisis de datos Para las personas que dominan el análisis, como Gary Loveman, de Caesars Entertainment (PhD por el MIT), Jeff Bezos, de Amazon (licenciado en Ingeniería Eléctrica e Informática por Princeton), o Sergey Brin y Larry Page, de Google (doctorados en Informática por Stanford), no hay ningún problema. Pero si usted es un ejecutivo típico, es probable que sus conocimientos de matemáticas y estadística se limiten a una o dos clases universitarias. Puede que sea experto en el uso de hojas de cálculo y sepa interpretar gráficos de barras o circulares, pero cuando se trata de análisis, a menudo se siente superado en el aspecto cuantitativo. Entonces, ¿qué significa para usted el cambio hacia la toma de decisiones basada en datos? ¿Cómo puede evitar el destino del director del banco hipotecario que generaba pérdidas y, en cambio, llevar a su empresa a la revolución analítica, o al menos convertirse en un buen soldado en ella? Este artículo, una introducción para personas sin conocimientos cuantitativos, se basa en extensas entrevistas con ejecutivos, incluidos algunos con los que he trabajado como profesor o consultor. Usted, el consumidor Empiece por considerarse a sí mismo como un consumidor de análisis. Los productores son los cuantitativos cuyos análisis y modelos integrará con su experiencia empresarial y su intuición a la hora de tomar decisiones. Por supuesto, los productores son buenos recopilando los datos disponibles y haciendo predicciones sobre el futuro. Pero la mayoría carece de los conocimientos suficientes para identificar hipótesis y variables relevantes y saber cuándo se están produciendo cambios en los cimientos de una organización. Por lo tanto, su trabajo como consumidor de datos —generar hipótesis y determinar si los resultados y las recomendaciones tienen sentido en un entorno empresarial cambiante— es de vital importancia. Eso significa aceptar algunas responsabilidades clave. Algunas solo requieren cambios de actitud y perspectiva; otras exigen un poco de estudio. Aprenda un poco sobre análisis. Si recuerda el contenido de su curso de estadística de la universidad, no tendrá ningún problema. Si no es así, repase los conceptos básicos del análisis de regresión, la inferencia estadística y el diseño experimental. Debe comprender el proceso para tomar decisiones analíticas, incluyendo cuándo debe intervenir como consumidor, y debe reconocer que todos los modelos analíticos se basan en supuestos que los productores deben explicar y defender. (Véase el recuadro «Toma de decisiones basada en el análisis: seis pasos clave»). Como señaló el famoso estadístico George Box, «Todos los modelos son erróneos, pero algunos son útiles». En otras palabras, los modelos simplifican intencionadamente nuestro complejo mundo. Toma de decisiones basada en análisis: seis pasos clave Cuando se utiliza Big Data para tomar decisiones importantes, las personas que no son expertas en análisis cuantitativo deben centrarse en el primer y el último paso del proceso. Los expertos en números suelen ocuparse de los detalles intermedios, pero las personas que no son expertas en análisis cuantitativo y son sensatas hacen muchas preguntas a lo largo del proceso. 1. Reconozca el problema o la pregunta. Enmarque la decisión o el problema empresarial e identifique posibles alternativas al enmarcado. 2. Revise los hallazgos anteriores. Identifique a las personas que han intentado resolver este problema o similares, y los enfoques que utilizaron. 3. Modelar la solución y seleccionar las variables. Formule una hipótesis detallada sobre cómo afectan determinadas variables al resultado. 4. Recopile los datos. Recopile datos primarios y secundarios sobre las variables hipotéticas. 5. Analice los datos. Ejecute un modelo estadístico, evalúe su idoneidad para los datos y repita el proceso hasta encontrar un buen ajuste. 6. Presentar y actuar en función de los resultados. Utilice los datos para contar una historia a los responsables de la toma de decisiones y a los stakeholder, de modo que estos tomen medidas. Para mejorar sus conocimientos sobre datos, inscríbase en un programa de formación ejecutiva en estadística, realice un curso en línea o aprenda de los analistas cuantitativos de su organización trabajando estrechamente con ellos en uno o varios proyectos. Jennifer Joy, vicepresidenta de operaciones clínicas de Cigna, optó por la tercera opción. Joy tiene un título en enfermería y un MBA, pero no se sentía del todo cómoda con sus habilidades analíticas. Sin embargo, sabía que los voluminosos informes que recibía sobre las operaciones de su centro de atención telefónica no le decían si las llamadas de asesoramiento realizadas a los pacientes realmente les ayudaban a controlar sus enfermedades y a evitar el ingreso en el hospital. Así que Joy se puso en contacto con el grupo de análisis de Cigna, en concreto con los expertos en diseño experimental, el único enfoque analítico que puede demostrar potencialmente la relación causa-efecto. Aprendí, por ejemplo, que podía realizar estudios piloto para descubrir qué segmentos de su población objetivo se beneficiaban más (y cuáles menos) de los servicios de su centro de atención telefónica. En concreto, utiliza el análisis para «emparejar» a parejas de pacientes y, a continuación, asignar aleatoriamente a uno de los miembros de la pareja para que reciba esos servicios, mientras que el otro obtiene una alternativa, como una intervención por correo o asistencia en línea. Cada estudio piloto dura solo un par de meses y se realizan varios estudios simultáneamente, por lo que Joy ahora obtiene información sobre la eficacia de sus programas de forma continua. Al final, Joy y sus compañeros cuantitativos descubrieron que el coaching funcionaba para personas con determinadas enfermedades, pero no para otros pacientes, por lo que algunos miembros del personal del centro de atención telefónica fueron reasignados. Ahora, su grupo realiza entre 20 y 30 pruebas de este tipo al año para descubrir qué es lo que realmente marca la diferencia para los pacientes. Puede que no entienda todos los detalles metodológicos, pero, como atestigua Michael Cousins, vicepresidente de investigación y análisis de Cigna en Estados Unidos, ha aprendido a ser «muy analítica». Alineese con el tipo adecuado de cuantitativo. Karl Kempf, líder del grupo de ingeniería de decisiones de Intel, es conocido en la empresa como el «überquant» o «matemático jefe». A menudo dice que las decisiones cuantitativas eficaces «no tienen que ver con las matemáticas, sino con las relaciones». Lo que quiere decir es que los cuantitativos y los consumidores de sus datos obtienen resultados mucho mejores si establecen vínculos profundos y de confianza que les permitan intercambiar información e ideas libremente. Por supuesto, las personas muy analíticas no siempre destacan por sus habilidades sociales, por lo que esto puede resultar difícil. Como aconsejó en tono jocoso un bromista: «Busque a los cuantitativos que miran sus zapatos, en lugar de los suyos, cuando entabla conversación con ellos». Pero es posible encontrar personas que se comuniquen bien y sientan pasión por resolver problemas empresariales, en lugar de matemáticos, y, una vez que haya establecido una relación, fomentar el diálogo franco y el desacuerdo basado en datos entre ustedes dos. Katy Knox, del Bank of America, ha aprendido a alinearse con los productores de datos. Como directora de estrategia minorista y distribución de la división de consumo del banco, supervisa más de 5400 sucursales que prestan servicio a más de 50 millones de consumidores y pequeñas empresas. Durante varios años, ha animado a sus subordinados directos a utilizar el análisis de datos para tomar mejores decisiones, por ejemplo, sobre qué sucursales abrir o cerrar, cómo reducir los tiempos de espera de los clientes, qué incentivos conducen a interacciones multicanal y por qué algunos vendedores son más productivos que otros. Bank of America cuenta con cientos de analistas cuantitativos, pero la mayoría de ellos estaban agrupados en un equipo al que los gerentes no podían acceder fácilmente. Knox insistió en tener su propio equipo de analistas y estableció una sólida relación de trabajo con sus miembros mediante reuniones frecuentes y sesiones de presentación de informes sobre los proyectos. Trabajó especialmente de cerca con dos jefes de equipo, Justin Addis y Michael Hyzy, que tenían experiencia en banca minorista y Six Sigma, por lo que eran capaces de comprender los problemas empresariales de su unidad y comunicárselos a los cuantitativos más expertos que gestionaban. Después de que Knox sentara el precedente, Bank of America creó una estructura matricial para sus analistas en la banca minorista, y ahora la mayoría de ellos dependen tanto de una línea de negocio como de un grupo analítico centralizado. Céntrese en el principio y el final. Enmarcar un problema, identificarlo y comprender cómo otros podrían haberlo resuelto en el pasado, es la etapa más importante del proceso analítico para un consumidor de big data. Es aquí donde su experiencia empresarial y su intuición cobran mayor importancia. Al fin y al cabo, una hipótesis no es más que una corazonada sobre cómo funciona el mundo. La diferencia con el pensamiento analítico, por supuesto, es que se utilizan métodos rigurosos para poner a prueba la hipótesis. Por ejemplo, los ejecutivos de las dos compañías madres de Transitions Optical creían que la empresa de lentes fotocromáticas podría no estar invirtiendo en marketing a niveles óptimos, pero no había datos empíricos que confirmaran o refutaran esa idea. Grady Lenski, que dirigía la división de marketing en ese momento, decidió contratar a consultores analíticos para medir la eficacia de diferentes campañas de ventas, un enfoque constructivo que ampliaba la simple pregunta binaria de si los costes eran demasiado elevados o no. Si no es un analista cuantitativo, también debe centrarse en el paso final del proceso, es decir, presentar y comunicar los resultados a otros ejecutivos, ya que es un paso que muchos analistas cuantitativos descartan o pasan por alto y que probablemente tendrá que asumir usted mismo en algún momento. Si el análisis consiste principalmente en «contar una historia con datos», ¿qué tipo de historia preferiría? ¿Qué tipo de lenguaje y tono utilizaría? ¿La historia debería contarse en términos narrativos o visuales? ¿Qué tipo de gráficos le gustan? Por muy sofisticados que sean sus análisis, se debe animar a los cuantitativos a explicar sus resultados de forma sencilla para que todo el mundo pueda entenderlos, o usted debe hacerlo por ellos. Una historia sobre métodos estadísticos («primero realizamos una prueba de chi-cuadrado, luego convertimos los datos categóricos en ordinales, a continuación realizamos una regresión logística y, por último, retrasamos los datos económicos un año») rara vez es aceptable. Muchos empresarios se centran en el retorno de la inversión (ROI): ¿cómo aumentará el nuevo modelo de toma de decisiones las conversiones, los ingresos o la rentabilidad? Por ejemplo, un ejecutivo de Merck responsable de una unidad de negocio global ha trabajado estrechamente con el grupo de análisis comercial de la empresa farmacéutica durante muchos años para responder a diversas preguntas, entre ellas cuál es el ROI de las promociones directas al consumidor. Antes de realizar un análisis del ROI, él y el grupo discuten qué medidas tomarán cuando descubran si las promociones tienen un éxito elevado, marginal o nulo, para dejar claro que el esfuerzo no es meramente un ejercicio académico. Tras el análisis, el ejecutivo reúne a los analistas con su equipo directivo para presentar y debatir los resultados. Haga muchas preguntas a lo largo del camino. El exsecretario del Tesoro de los Estados Unidos, Larry Summers, que en su día fue asesor de un fondo de cobertura cuantitativo, me contó que su principal responsabilidad en ese puesto era «mirar por encima del hombro», es decir, hacer preguntas igualmente inteligentes a los cuantitativos más brillantes de la empresa sobre sus modelos y supuestos. Muchos de ellos no habían sido presionados de esa manera antes; necesitaban un consumidor inteligente de datos que les ayudara a reflexionar y mejorar su trabajo. Por mucho que confíe en sus cuantitativos, no deje de hacerles preguntas difíciles. A continuación le presento algunas que casi siempre conducen a análisis más rigurosos y defendibles. (Si no entiende una respuesta, pida que se la den en un lenguaje más sencillo). ¿Cuál fue la fuente de sus datos? ¿En qué medida los datos de la muestra representan a la población? ¿La distribución de sus datos incluye valores atípicos? ¿Cómo afectaron a los resultados? ¿Qué supuestos hay detrás de su análisis? ¿Podrían ciertas condiciones invalidar sus supuestos y su modelo? ¿Por qué decidió utilizar ese enfoque analítico en particular? ¿Qué alternativas consideró? ¿Qué probabilidad hay de que las variables independientes estén causando realmente los cambios en la variable dependiente? ¿Podrían otros análisis establecer la causalidad con mayor claridad? Frank Friedman, director financiero y socio gerente de finanzas y administración del negocio de Deloitte en Estados Unidos, es un incansable interrogador. Ha reunido a un grupo de científicos de datos y analistas cuantitativos para que le ayuden en varias iniciativas, entre ellas la optimización de los precios de los servicios, el desarrollo de modelos que predigan el rendimiento de los empleados y la identificación de los factores que impulsan las cuentas por cobrar. «Las personas que trabajan conmigo saben que pregunto mucho, sobre todo, siempre», afirma Friedman. «Después de mis preguntas, saben que tendrán que volver atrás y rehacer algunos de sus análisis». También cree que es fundamental admitir cuando no se entiende algo: «Sé que no soy la persona más inteligente de la sala en mis reuniones con estas personas. Siempre busco una mayor claridad [porque] si no puedo expresarlo con claridad, no puedo defenderlo ante los demás». Establezcan una cultura de investigación, no de defensa. Todos sabemos lo fácil que es «mentir con las cifras y manipular los datos». Los consumidores de análisis nunca deben presionar a sus productores con comentarios como «A ver si puede encontrar alguna prueba en los datos que respalde mi idea». En cambio, su objetivo explícito debe ser encontrar la verdad. Como dice el director del grupo de análisis comercial de Merck: «Nuestro equipo directivo quiere que seamos como Suiza. Solo trabajamos para los accionistas». De hecho, algunos altos ejecutivos animan a sus analistas a hacer de abogado del diablo. Esto establece el tono cultural adecuado y ayuda a perfeccionar los modelos. «Todas las organizaciones buscan complacer al líder», explica Gary Loveman, de Caesars, «por lo que es fundamental cultivar un entorno que considere las ideas como algo independiente de las personas e insista en la necesidad de pruebas rigurosas para distinguir entre esas ideas». Loveman anima a sus subordinados a presentar datos y análisis, en lugar de opiniones, y revela sus propias hipótesis, conclusiones y decisiones erróneas. De esta manera, tanto los gerentes como los cuantitativos comprenden que sus «opiniones a veces poco convincentes y mal consideradas», como él mismo las describe, necesitan pruebas tan objetivas e imparciales como las de cualquier otra persona. Por ejemplo, a menudo dice que su mayor error como nuevo CEO fue decidir no despedir a los administradores de propiedades que no compartían su orientación analítica. Pensó que su experiencia sería suficiente. Loveman utiliza el ejemplo para demostrar tanto que es falible como que insiste en ser un consumidor de análisis. Cuando todo cuadra Warren Buffett dijo una vez: «Cuidado con los geeks... y sus fórmulas». Pero en el mundo actual, impulsado por los datos, no puede permitirse eso. En su lugar, debe combinar la ciencia del análisis con el arte de la intuición. Sea un directivo que conozca a los geeks, comprenda sus fórmulas, les ayude a mejorar sus procesos analíticos, interprete y comunique eficazmente los resultados a los demás y, como resultado, tome mejores decisiones. Compárese el banco mencionado al principio de este artículo con el Toronto-Dominion Bank. El CEO de TD, Ed Clark, tiene conocimientos cuantitativos (es PhD en Economía) y también insiste en que sus gerentes comprendan las matemáticas que hay detrás de cualquier producto financiero del que dependa la empresa. Como resultado, TD supo evitar los productos con estructuras más arriesgadas y salir de otros antes de incurrir en pérdidas importantes durante la crisis financiera de 2008-2009. El énfasis de TD en los datos y los análisis también afecta a otras áreas del negocio. La remuneración, por ejemplo, está estrechamente vinculada a las medidas de gestión del rendimiento. Y las sucursales de TD permanecen abiertas más tiempo que la mayoría de los demás bancos porque Tim Hockey, antiguo director de banca minorista, insistió en comprobar sistemáticamente el efecto de la ampliación del horario comercial (con grupos de control) y descubrió que esto generaba más depósitos. Si alguien sugiere una nueva dirección en una reunión de la dirección, se le pide que aporte datos y análisis que la respalden. Clark reconoce que TD no es perfecta, pero «nadie nos acusa nunca de no analizar las cifras». Es posible que su organización no sea tan analítica como TD y que su CEO no sea como Ed Clark. Pero eso no significa que no pueda convertirse en un gran consumidor de análisis por su cuenta y dar ejemplo al resto de su empresa.

Manténgase al día con sus cuantitativos

Resumen.

Partner Center