Explora Libros electrónicos
Categorías
Explora Audiolibros
Categorías
Explora Revistas
Categorías
Explora Documentos
Categorías
De: Gino, Francesca, Harvard Business Review, 00178012, Nov/Dec2019, Vol. 97,
Fascículo 6
Base de datos: Business Source Complete
LA CAUSA
Los líderes que intentan crear culturas colaborativas tienden a enfocarse en
inculcar los valores correctos o diseñar el espacio correcto. Pasan por alto el
hecho de que la colaboración requiere ciertas habilidades.
LA SOLUCIÓN
Siga el ejemplo de Pixar, Webasto y otras compañías, y enseñe a las personas a
escucharse genuinamente unas a otras; abordar las discusiones con empatía, no
con opiniones; sentirse cómodo con la retroalimentación; liderar y seguir; hablar
con claridad y evitar abstracciones; y tener interacciones de ganar-ganar.
Sesgo de selección
¿Alguna vez has escrito una reseña en línea? Si es así, ¿qué te hizo decidir
comentar en esa ocasión en particular? La investigación ha demostrado que las
decisiones de los usuarios de dejar una revisión a menudo dependen de la calidad
de su experiencia. En algunos sitios, los clientes pueden dejar comentarios si su
experiencia fue buena; en otros, solo si fue muy bueno o muy malo. En cualquier
caso, las calificaciones resultantes pueden sufrir sesgos de selección: es posible
que no representen con precisión la gama completa de experiencias de los
clientes del producto. Si solo las personas satisfechas dejan comentarios, por
ejemplo, las calificaciones se inflarán artificialmente. El sesgo de selección puede
ser aún más pronunciado cuando las empresas solo empujan a los clientes
satisfechos a dejar un comentario.
EBay encontró el desafío del sesgo de selección en 2011, cuando notó que su
sospechosamente altos: la mayoría de los vendedores en el sitio tuvieron
calificaciones positivas superiores al 99%. La compañía trabajó con los
economistas Chris Nosko y Steven Tadelis y descubrió que era mucho más
probable que los usuarios dejaran una revisión después de una buena
experiencia: de unos 44 millones de transacciones que se habían completado en
el sitio, solo el 0,39% tenía críticas o calificaciones negativas, pero más del doble
(1%) tenía un "boleto de disputa" real, y más del siete veces (3%) había llevado a
los compradores a intercambiar mensajes con vendedores que implicaban una
mala experiencia. El hecho de que los compradores decidieran o no revisar a un
vendedor era, de hecho, un mejor indicador de futuras quejas, y por lo tanto un
mejor indicador de calidad, que la calificación de ese vendedor.
EBay planteó la hipótesis de que podría mejorar las experiencias de los
compradores y, por lo tanto, las ventas al corregir el sesgo de selección de los
evaluadores y diferenciar más claramente a los vendedores de mayor calidad.
Reformuló los puntajes del vendedor como el porcentaje de todas las
transacciones de un vendedor que generaron calificaciones positivas (en lugar del
porcentaje de calificaciones positivas). Esta nueva medida arrojó una mediana del
67% con una distribución sustancial en la distribución de puntajes, y los clientes
potenciales que estuvieron expuestos a los nuevos puntajes tenían más
probabilidades que un grupo de control de regresar y realizar otra compra en el
sitio.
Al trazar los puntajes en su plataforma de manera similar, puede investigar si sus
calificaciones están sesgadas, qué tan grave puede ser el problema y si los datos
adicionales pueden ayudarlo a solucionarlo. Cualquier sistema de revisión se
puede diseñar para mitigar el sesgo que es más probable que enfrente. Todo el
proceso de revisión, desde la pregunta inicial hasta los mensajes que reciben los
usuarios a medida que escriben sus revisiones, brinda oportunidades para incitar a
los usuarios a comportarse de manera menos sesgada. Experimentar con
opciones de diseño puede ayudar a mostrar cómo reducir el sesgo en la
autoselección de los revisores, así como cualquier tendencia que los usuarios
tengan que calificar de una manera particular.
Requerir revisiones. Un enfoque más duro requiere que los usuarios revisen una
compra antes de hacer otra. Pero tenga cuidado: esto puede hacer que algunos
clientes salgan de la plataforma y puede conducir a una avalancha de
clasificaciones no informativas que los clientes usan por defecto, creando ruido y
un tipo diferente de error en sus comentarios. Por esta razón, las plataformas a
menudo buscan otras formas de minimizar el sesgo de selección.
Permitir comentarios privados. Los economistas John Horton y Joseph Golden
descubrieron que en el sitio de revisión de freelance Upwork, los empleadores
eran reacios a dejar comentarios públicos después de una experiencia negativa
con un freelance, pero estaban abiertos a dejar comentarios que solo Upwork
podía ver. (Los empleadores que informaron malas experiencias en privado
todavía dieron la mayor retroalimentación pública posible casi el 20% del tiempo).
Esto proporcionó a Upwork información importante, sobre cuándo los usuarios
estaban o no dispuestos a dejar una revisión, y sobre freelancers problemáticos.
que podría usar para cambiar el algoritmo que sugería coincidencias de freelance
o para proporcionar comentarios agregados sobre freelancers. La
retroalimentación agregada cambió las decisiones de contratación, lo que indica
que era información adicional relevante.
Diseñe indicaciones con cuidado. En términos más generales, las revisiones que
las personas dejan dependen de cómo y cuándo se les pide que las dejen. Las
plataformas pueden minimizar el sesgo en las revisiones al diseñar
cuidadosamente diferentes aspectos del entorno en el que los usuarios deciden si
revisar. Este enfoque, a menudo denominado arquitectura de elección, un término
acuñado por Cass Sunstein y Richard Thaler (los autores de Nudge: Mejorando
las decisiones sobre salud, riqueza y felicidad), se aplica a todo, desde cómo se
redactan las indicaciones hasta cuántas opciones se le da un usuario.
En un experimento que realizamos en Yelp, variamos los mensajes que incitan a
los usuarios a dejar una reseña. Algunos usuarios vieron el mensaje genérico "La
próxima revisión espera", mientras que a otros se les pidió que ayudaran a las
empresas locales a ser descubiertas u otros consumidores a encontrar empresas
locales. Descubrimos que este último grupo tendía a escribir reseñas más largas.