“Debemos dejar absolutamente espacio para la duda o no hay progreso y no hay aprendizaje. No hay aprendizaje sin tener que plantear una pregunta.”
“El papel de la cultura científica en la sociedad moderna” – Richard Feyman
Mire de cerca el trabajo de cualquier analista de negocios con un historial sobresaliente en la resolución de problemas complejos, y probablemente encontrará múltiples ejemplos de ellos que desafían los métodos existentes y la sabiduría convencional para dar rienda suelta a soluciones creativas.
En el núcleo de esta capacidad para resolver problemas que nadie había resuelto antes se encuentra lo que comúnmente llamamos pensamiento de primeros principios. En las palabras de James claro,
El pensamiento de primeros principios es una forma elegante de decir “piensa como un científico”. Los científicos no asumen nada. Comienzan con preguntas como, ¿Qué estamos absolutamente seguros de que es verdad? ¿Qué se ha probado?
Una anécdota que escuché hace años en un podcast ilustra cómo no pensar desde los primeros principios puede limitar los resultados. La invitada del programa contó la historia de cómo cuando tenía 12 años había visto desde una ventana a un vecino fumando, y resueltamente se acercó a decirle lo malo que era fumar para su salud. El vecino la miró sin inmutarse, luego tomó otra bocanada. Una vez que se dio cuenta de que su advertencia había sido en vano, se dio la vuelta y tímidamente caminó de regreso a casa.
En la entrevista, la mujer usó esta historia como ejemplo de lo común que es que asumamos erróneamente que podemos convencer a las personas con datos. como yo escribió anteriormente, “Simplemente lograr que la gente entienda intelectualmente lo que debe suceder no es suficiente. Las estadísticas y los hechos pueden hacer creer a la gente, pero sentimientos son los que inspiran a las personas a actuar”.
Un analista que ayude a diseñar una intervención para dejar de fumar podría evitar este error desafiando cualquier creencia que no esté respaldada por evidencia firme. En lugar de aceptar la sabiduría convencional que dice: “Si quiere que la gente deje de fumar, debe decirles que los mata”, el analista preguntaría: “¿Cómo sabemos que esto es cierto? ¿Cuáles son las fuentes?
Estas preguntas podrían conducir a evidencia experimental eso muestra que la fuente (el ‘mensajero’) influye en gran medida en la intención de los fumadores de usar cigarrillos electrónicos y cigarrillos de tabaco. Con este conocimiento, el equipo podría salirse del pensamiento tradicional e idear una intervención más efectiva para ayudar a los fumadores que simplemente brindarles información sobre los efectos nocivos de los cigarrillos.
Ejemplos de mi papel como científico de datos
En mi trabajo como científico de datos, volver a los primeros principios me ha salvado varias veces del fracaso del proyecto o de resultados subóptimos.
En uno de mis proyectos, trabajé en una aplicación de software que mostraba la ubicación estimada de activos en movimiento equipados con sensores GPS, actualizando la posición de los activos cada 5 minutos. Antes de unirme al equipo, los responsables de la toma de decisiones estaban convencidos de que la confianza del cliente requería que todas las estimaciones de ubicación fueran muy precisas. Al preguntar: “¿Por qué creemos que esto es cierto?” aprendimos que los clientes estarían felices de esperar 10 minutos para obtener una posición precisa. Con base en este hallazgo, evitamos desperdiciar grandes cantidades de dinero en modelos para garantizar la precisión de todas las lecturas de ubicación. En cambio, redirigimos nuestros esfuerzos a una solución mucho menos costosa que consistía en detectar y descartar las lecturas incorrectas ocasionales del GPS. El sistema simplemente esperaría la próxima posición informada para actualizar la posición del activo en la pantalla, asegurando que los clientes solo vieran estimaciones de ubicación precisas.
En otra ocasión, me uní a un equipo encargado de detectar fraudes en una plataforma de búsqueda que presentaba anuncios junto con los resultados de la búsqueda. La suposición inicial fue que alguna actividad de búsqueda sospechosa observada en los datos no era fraudulenta porque solo involucraba búsquedas sin clics en los anuncios mostrados. Dado que la plataforma usaba un modelo de pago por clic, todos pensaron que la actividad provenía de usuarios auténticos, no de estafadores que intentaban aumentar los ingresos de la actividad falsa.
En lugar de dar por sentado su conclusión, decidí investigar más. Resulta que fuera de la plataforma, los anunciantes estaban contratando especialistas en marketing para crear su contenido patrocinado. A esos especialistas en marketing se les pagó con un modelo de pago por impresión. La suposición inicial de que solo los clics producían una recompensa y, por lo tanto, el tráfico sospechoso sin clics no era fraudulento había sido incorrecta.
Cómo aplicar los primeros principios a su trabajo de BA
Cuando se enfrente a problemas comerciales aparentemente intratables o simplemente busque enfoques no tradicionales para la resolución tradicional de problemas, pregúntese:
¿Qué estamos absolutamente seguros de que es verdad? ¿Qué ha sido tratado como verdad sin ser probado?
A veces, las mejores soluciones están justo frente a nosotros, escondidas a simple vista. Acostúmbrese a trabajar desde los primeros principios y le resultará más fácil eliminar ideas preconcebidas para cambiar la pregunta empresarial y ver rápidamente las alternativas que puede haber pasado por alto.
Para aprender más sobre esta poderosa técnica, lea Primeros principios: los componentes básicos del verdadero conocimiento
Autor: Adriana Beal
Adriana Beal trabaja como científica de datos desde 2016. Su formación académica incluye títulos de posgrado en Ingeniería Eléctrica y Gestión Estratégica de la Información obtenidos en las mejores escuelas de su país natal, Brasil, y certificados en Big Data y Análisis de Datos de la Universidad de Texas y Especialidad en Machine Learning de AWS. Durante los últimos cinco años, ha desarrollado modelos predictivos para mejorar los resultados en atención médica, movilidad, IoT, ciencia del cliente, servicios humanos y agricultura. Antes de eso, trabajó durante más de una década en análisis de negocios y gestión de productos ayudando a las empresas estadounidenses Fortune 500 y nuevas empresas de alta tecnología a tomar mejores decisiones de software. Adriana tiene dos libros de estrategia de TI publicados en Brasil y trabajos publicados internacionalmente por IEEE e IGI Global. Puede encontrar más de sus útiles consejos para analistas de negocios en bealprojects.com.
