Artículo

digital

Datos

Las decisiones basadas en

datos comienzan con estas
4 preguntas
por Eric Haller y Greg Satell

This document is authorized for use only in Reini Caceres's Casos Harvard Escuela de Posgrado (6.8.2023) at Universidad Tecnologica de Honduras (UTH) from Jun 2023 to Dec 2023.
 HBR / Artículo digital / Las decisiones basadas en datos comienzan con estas 4 pre...

Las decisiones basadas en

datos comienzan con estas
4 preguntas
por Eric Haller y Greg Satell
Publicado en HBR.org / 11 de febrero de 2020 / Reimpresión H05EW8

Jorg Greuel/Getty Images

Los datos se han convertido en el centro de la forma en que dirigimos

nuestros negocios hoy en día. De hecho, la empresa de inteligencia de
mercado global International Data Corporation (IDC) prevé que el gasto
en datos y análisis alcanzará los 274 300 millones de dólares en 2022.
Sin embargo, gran parte de ese dinero no se está gastando de forma
inteligente. El analista de Gartner Nick Heudecker estimó que hasta el
85 % de los proyectos de macrodatos fracasan.

Gran parte del problema es que los números que aparecen en la pantalla
de una computadora adquieren un aire especial de autoridad. Una

Copyright © 2020 Harvard Business School Publishing. Todos los derechos reservados. 2

This document is authorized for use only in Reini Caceres's Casos Harvard Escuela de Posgrado (6.8.2023) at Universidad Tecnologica de Honduras (UTH) from Jun 2023 to Dec 2023.
 HBR / Artículo digital / Las decisiones basadas en datos comienzan con estas 4 pre...

vez que los datos se extraen a través de bases de datos masivas y se

analizan mediante programas informáticos complejos de análisis, rara
vez nos preguntamos de dónde proceden, cómo se modificaron o si son
adecuados para el fin previsto.

La verdad es que para obtener respuestas útiles de los datos, no

podemos limitarnos a tomarlos al pie de la letra, sino que tenemos que
aprender a hacer preguntas reflexivas. En particular, necesitamos saber
cómo se obtuvieron, qué modelos se utilizaron para analizarlos y qué
se dejó de lado. Sobre todo tenemos que ir más allá de utilizar los datos
solo para optimizar las operaciones y aprovecharlos para imaginar
posibilidades nuevas.

Podemos empezar por preguntar:

¿Có
ómo se obtuvieron los datos?
Se ha dicho que los datos son el plural de la anécdota. Los
acontecimientos del mundo real, como las transacciones, los
diagnósticos y otra información relevante, se registran y se almacenan
en enormes granjas de servidores. Sin embargo, pocos se molestan en
preguntar de dónde proceden los datos y, por desgracia, la calidad y el
cuidado con que se recogen pueden variar mucho. De hecho, un estudio
reciente de Gartner reveló que las empresas pierden una media de
15 millones de dólares al año debido a la mala calidad de los datos.

A menudo los datos están sujetos a errores humanos, como cuando

los dependientes mal pagados y desmotivados del comercio minorista
realizan comprobaciones de inventario. Sin embargo, incluso cuando
el proceso de recogida de datos está automatizado, existen fuentes de
error importantes, como los cortes intermitentes de energía en las torres
de telefonía móvil o los errores en el proceso de compensación de las
transacciones financieras.

Los datos de mala calidad o utilizados en un contexto equivocado

pueden ser peores que la ausencia de datos. De hecho, un estudio reveló
que el 65 % de los datos de inventario de un minorista eran inexactos.
Otra preocupación que se volvió cada vez más importante desde que

Copyright © 2020 Harvard Business School Publishing. Todos los derechos reservados. 3

This document is authorized for use only in Reini Caceres's Casos Harvard Escuela de Posgrado (6.8.2023) at Universidad Tecnologica de Honduras (UTH) from Jun 2023 to Dec 2023.
 HBR / Artículo digital / Las decisiones basadas en datos comienzan con estas 4 pre...

la UE aprobó las estrictas normas de datos del RGPD, es si hubo un

consentimiento adecuado cuando se recopilaron los datos.

Así que no se limite a asumir que los datos que tiene son precisos y de
buena calidad. Tiene que preguntarse de dónde proceden y cómo se
mantuvieron. Cada vez más tenemos que auditar nuestras transacciones
de datos con tanto cuidado como nuestras transacciones financieras.

¿Có
ómo se analizaron?
Incluso si los datos son precisos y están bien mantenidos, la calidad de
los modelos analíticos puede variar mucho. A menudo los modelos se
sacan de plataformas de código abierto, como GitHub, y se reutilizan
para una tarea concreta. Al poco tiempo todo el mundo se olvida de su
procedencia o de cómo se evalúa un conjunto de datos concreto.

Lapsos como estos son más comunes de lo que se piensa y pueden causar
daños graves. Piense en el caso de dos economistas destacados que
publicaron un documento de trabajo en el que advertían de que la deuda
de Estados Unidos se acercaba a un nivel crítico. Su trabajo provocó una
conmoción política, pero resultó que habían cometido un error simple de
Excel que hizo que exageraran el efecto que la deuda tenía sobre el PIB.

A medida que los modelos se vuelven más sofisticados e incorporan

más fuentes, también vemos cada vez más problemas en la forma de
entrenar los modelos. Uno de los errores más comunes es el sobreajuste,
que básicamente significa que cuantas más variables se utilicen para
crear un modelo, más difícil resulta hacerlo válido en general. En
algunos casos, el exceso de datos puede dar lugar a una fuga de datos, en
la que los datos de entrenamiento se mezclan con los de prueba.

Este tipo de errores puede afectar incluso a las empresas más

sofisticadas. Amazon y Google, por nombrar dos de los casos
más destacados, tuvieron hace poco escándalos muy mediáticos
relacionados con el sesgo de los modelos. Al igual que hacemos con los
datos, debemos plantearnos una y otra vez preguntas difíciles sobre
nuestros modelos. ¿Son adecuados para el propósito para el que los
utilizamos? ¿Tienen en cuenta los factores adecuados? ¿Los resultados
reflejan de forma veraz lo que ocurre en el mundo real?

Copyright © 2020 Harvard Business School Publishing. Todos los derechos reservados. 4

This document is authorized for use only in Reini Caceres's Casos Harvard Escuela de Posgrado (6.8.2023) at Universidad Tecnologica de Honduras (UTH) from Jun 2023 to Dec 2023.
 HBR / Artículo digital / Las decisiones basadas en datos comienzan con estas 4 pre...

¿Qué
é no nos dicen los datos?
Los modelos de datos, al igual que los seres humanos, tienden a basar
sus juicios en la información que está más disponible. A veces los datos
que no se tienen pueden afectar a la toma de decisiones tanto como los
que sí se tienen. Solemos asociar este tipo de sesgo de disponibilidad
con las decisiones humanas, pero a menudo los diseñadores humanos lo
transmiten a los sistemas automatizados.

Por ejemplo, en el sector financiero, quienes tienen un historial

crediticio amplio pueden acceder al crédito con mucha más facilidad
que quienes no lo tienen. Estos últimos, a los que a menudo se
los denomina clientes con un «historial reducido», pueden tener
dificultades para comprar un coche, alquilar un apartamento u obtener
una tarjeta de crédito (Greg, uno de nosotros, experimentó este
problema en primera persona cuando regresó a EE. UU. después de
15 años en el extranjero).

Sin embargo, un expediente escaso no indica de forma inequívoca

un riesgo crediticio bajo. Las empresas a menudo acaban rechazando
a clientes potencialmente rentables tan solo porque carecen de
datos sobre ellos. Experian recién comenzó a abordar este problema
con su programa Boost, que permite a los consumidores elevar sus
puntuaciones al darles crédito por cosas como el pago regular de
las telecomunicaciones y los servicios públicos. Hasta la fecha se
inscribieron millones de personas.

Por eso es importante hacerse preguntas difíciles sobre lo que puede

faltar en los modelos de datos. Si gestiona lo que mide, debe asegurarse
de que lo que mide refleja el mundo real, no solo los datos más fáciles de
recopilar.

¿Cóómo podemos utilizar los datos para rediseñ

ñar los productos y
los modelos de negocio?
A lo largo de la última década, aprendimos cómo los datos pueden
ayudarnos a gestionar nuestros negocios de forma más eficiente.
Utilizar los datos de forma inteligente nos permite automatizar
procesos, predecir cuándo necesitan mantenimiento nuestras máquinas
y servir mejor a nuestros clientes. Son los datos los que facilitan que
Amazon ofrezca envíos en el mismo día.

Copyright © 2020 Harvard Business School Publishing. Todos los derechos reservados. 5

This document is authorized for use only in Reini Caceres's Casos Harvard Escuela de Posgrado (6.8.2023) at Universidad Tecnologica de Honduras (UTH) from Jun 2023 to Dec 2023.
 HBR / Artículo digital / Las decisiones basadas en datos comienzan con estas 4 pre...

Los datos también pueden convertirse en una parte importante del

propio producto. Por poner un ejemplo famoso, Netflix lleva mucho
tiempo utilizando el análisis de datos inteligente para crear una
programación mejor por menos dinero, lo que dio a la empresa una
ventaja importante sobre rivales como Disney y WarnerMedia.

Sin embargo, cuando de verdad se pone emocionante es cuando se

pueden utilizar los datos para reimaginar el negocio por completo. En
Experian, donde trabaja Eric, fueron capaces de aprovechar la nube
para pasar de entregar solo datos procesados en forma de informes
crediticios a un servicio que ofrece a sus clientes acceso en tiempo
real a datos más granulares en los que se basan los informes. Puede
parecer un cambio sutil, pero se convirtió en una de las partes de mayor
crecimiento del negocio de Experian.

Se ha dicho que los datos son el nuevo petróleo, pero son mucho más
valiosos que eso. Tenemos que empezar a tratar los datos como algo
más que una clase de activo pasivo. Si se utilizan con sensatez, pueden
ofrecer una ventaja competitiva verdadera y llevar a un negocio por
direcciones completamente nuevas. Sin embargo, para conseguirlo no
se puede empezar tan solo a buscar respuestas. Hay que aprender a
hacer preguntas nuevas.

Eric Haller es vicepresidente ejecutivo y director global de Experian

EH DataLabs, que desarrolla productos innovadores generados a partir

de la experimentación de vanguardia al aprovechar la inteligencia
artificial y los activos de datos. Puede seguir a DataLabs en Twitter
(@ExperianDataLab).

Greg Satell es un conferencista internacional, asesor y autor del

GS éxito de ventas Cascades: How to Create a Movement that Drives

Transformational Change. Su obra anterior, Mapping Innovation,
fue seleccionada como uno de los mejores libros de negocios de 2017.
Puede conocer más sobre Greg en su sitio web, GregSatell.com y
seguirlo en Twitter (@DigitalTonto).

Copyright © 2020 Harvard Business School Publishing. Todos los derechos reservados. 6

This document is authorized for use only in Reini Caceres's Casos Harvard Escuela de Posgrado (6.8.2023) at Universidad Tecnologica de Honduras (UTH) from Jun 2023 to Dec 2023.