Uso y abuso de las estadísticas

  Tema/s |Contabilidad
  Autor/es |Management Update, revista
  Publicado |05/2001

¿Las tasas de defecto están bajando? ¿Aumenta la satisfacción del cliente? Usted inspecciona
los números, pero no está seguro de creer en ellos. No es que le tema al fraude o a la
manipulación; usted no sabe cuánta fe merecen las estadísticas. Y tiene razón en ser cauto.
“Los cálculos estadísticos representan sólo el 5% del trabajo de un gerente”, asegura Frances
Frei, profesora de la Escuela de Negocios de Harvard que dicta seminarios sobre estadística, de
dos días de duración, para gerentes de empresas. “El otro 95% debe invertirse en determinar si
los cálculos son correctos y en interpretar los resultados”, añade. A continuación, algunas
pautas para el uso eficaz de las estadísticas, extraídas del seminario de Frei y de otras fuentes:

1. Diferencie entre lo que sabe y lo que sólo supone que sabe

“En su trabajo diario, los gerentes no ‘trituran’ tanto los números como creen hacerlo”, dice
Victor McGee, profesor emérito de la Escuela de Negocios Amos Tuck del Dartmouth College.
“De hecho -añade-, lo que más ‘mastican’ son ideas: pasan la mayor parte de su tiempo tratando
de persuadir a los demás con sus aseveraciones. Pero rara vez se dan cuenta de hasta qué
punto sus afirmaciones se apoyan en hipótesis no comprobadas.” McGee recomienda a los
gerentes que codifiquen sus “conocimientos” con colores, a fin de identificar cuáles deben ser 1
probados. El rojo puede representar lo que realmente saben, el verde lo que suponen que
saben, y el azul lo que “saben” como consecuencia de lo que suponen. Las suposiciones e
hipótesis (conocimiento verde y azul) no deben ser consideradas seriamente, a menos que haya
conocimiento rojo sustentándolas.

2. Sea claro acerca de lo que quiere descubrir

Algunos informes de administración de empresas dependen, en gran medida, del promedio o

media aritmética de un conjunto de números. En un Gráfico se analiza los resultados de un
estudio de satisfacción del cliente en una escala de 1 a 5. Para este conjunto de datos, la media
es 4. Si eso es todo lo que usted vio, podría pensar que los clientes están bastante satisfechos.
Pero, como muestra el gráfico, en realidad nadie dio a su producto una calificación de 4. Las
respuestas, en cambio, se agrupan en torno de un conjunto de clientes muy satisfechos, que le
dieron un puntaje de 5, y de otro moderadamente satisfecho, que lo calificaron con un 3. Sólo si
usted había decidido de antemano que quería considerar subgrupos dentro de su base de
clientes, sabría que la media no es, probablemente, la cifra más útil para su investigación.
“Formule preguntas directas -aconseja McGee-. Las que apuntan, realmente, a descubrir lo que
quiere saber.”

3. No dé por sentada la relación causa-efecto

La gestión de un negocio, según McGee, significa tratar de encontrar los mecanismos que
afectarán su desempeño: “Si hago tal cosa, sucederá tal otra.” Pero este es un mundo de
conocimiento verde y azul. Las hipótesis dependen de las suposiciones hechas a partir de
determinadas causas, y la única manera de confiar en el curso hipotético de una acción es
probar que las supuestas conexiones causales se sostienen. Digamos, por ejemplo, que usted
está empeñado en hacer una inversión importante en la capacitación de su equipo de ventas, y
tiene cifras que demuestran que los ingresos por ventas aumentan según el dinero invertido en
capacitación. ¿Estableció una relación causa-efecto? “No -dice Frei-. Todo lo que tiene es una
correlación.” Para establecer una causalidad genuina, es necesario formularse tres preguntas.
¿Hay una asociación entre las dos variables? ¿La secuencia de tiempo es precisa? ¿Hay alguna
otra razón que podría explicar la correlación? Para establecer la asociación, Frei recomienda
observar los datos en crudo, y no sólo la correlación aparente.

Para la segunda interrogante -¿es exacta la secuencia de tiempo?-, el problema reside en

establecer cuál variable, en la correlación, ocurre primero. Su hipótesis es que la capacitación
precede al desempeño, pero debe verificar los datos cuidadosamente para tener la seguridad de
que no sucede lo contrario: que un volumen de ventas mayor genera el dinero que se destinará
a dar más capacitación. La pregunta tres -¿puede descartar otras explicaciones convincentes
para la correlación?- es la que lleva más tiempo de análisis. ¿Hay alguna variable escondida en
el trabajo? Por ejemplo: ¿incorporó más personal de ventas calificado y, debido a ello, aumentó
el desempeño?, ¿hizo cambios en el sistema de incentivos? Sólo si elimina otros factores, usted
podrá establecer con certeza la relación entre capacitación y desempeño. Y, si se trata de
certeza, es importante que recuerde lo siguiente:

4. Sobre la base de las estadísticas es imposible probar algo con un 100% de certeza

Únicamente cuando usted registra todas las impresiones de todos los clientes que tuvieron
alguna experiencia con un producto en particular, puede establecer con certeza la satisfacción
del cliente. Pero, para hacerlo, necesitaría demasiado tiempo y dinero, de modo que usted toma
muestras al azar. Una muestra al azar -fácil de generar (con Microsoft Excel, por ejemplo-
significa que cada miembro de la población tiene las mismas posibilidades de ser elegido. Pero
manejarse con una muestra que no es al azar, según Frei, es el primer error que cometen las
empresas cuando hacen una investigación. “Todos los muestreos obedecen al teorema de la
distribución normal y el límite central”, continúa Frei. Estos principios -que pueden encontrarse 2
en cualquier manual de estadística- permiten calcular un “intervalo de confianza” para toda una
población, en función de una muestra. Digamos que usted parte de una tasa de error del 2,8%
en la muestra. Según sea el tamaño de la muestra y de otros factores, podría decir que tiene un
95% de confianza en que la cifra real oscila entre un 2,5% y un 3,1%. A menor tasa de error, a
propósito, el mayor tamaño de su muestra servirá para establecer un intervalo de confianza del
95%. “Por lo tanto -dice Frei-, a medida que mejora, debe invertir más en el muestreo que
asegura calidad, no menos.”

5. Un resultado que es numérica o estadísticamente significativo, puede resultar

inútil para la gestión de una empresa, y viceversa

Consideremos un índice de satisfacción del cliente de 3,9. Si usted implementó un programa

para mejorarlo, realizó encuestas durante varios meses para probar la eficacia del programa, y
se encuentra con un nuevo índice de 4,1, ¿puede decir que su programa tuvo éxito? No
necesariamente: debe verificar el intervalo de confianza. En este caso, 4,1 tal vez no sea
estadísticamente diferente de 3,9, debido a que el índice quedó incluido en el intervalo de
confianza. En otras palabras, no podría tener más confianza en que 4,1 es el verdadero índice
de satisfacción del cliente, respecto de la que tiene en que el índice de 3,9 es el correcto.
Debido a que no son conscientes de cómo funciona el intervalo de confianza, los gerentes
tienden a exagerar premios y castigos. Por ejemplo: un vicepresidente podría creer que el 4,1
indica una mejora genuina, y otorgaría una bonificación al gerente que lanzó el nuevo programa
de satisfacción del cliente. Seis meses más tarde, si el índice desciende a 3,9, podría
despedirlo. En ambos casos, las decisiones de ese vicepresidente se basarían en cambios de
datos poco significativos desde el punto de vista estadístico. Pero, si el nuevo muestreo produjo
un índice que excede el intervalo de confianza -por ejemplo, 4,3-, el ejecutivo podría confiar en
que el programa tuvo un efecto positivo. Tenga en claro lo que quiere descubrir antes de apelar
a las herramientas estadísticas. Asegúrese de haber establecido una causalidad genuina, y no
sólo una correlación, sin olvidar que las estadísticas no le permitirán probar algo con absoluta
certeza. Y recuerde que no todos los resultados son estadísticamente significativos o útiles para
la gestión. Aunque los consejos que le dimos en este artículo no lo convertirán en un experto en
el análisis estadístico, lo ayudarán a decidir qué pedirles a los analistas, de cuyos números
usted depende.
© Harvard Management Update