¿Deberíamos ser más impulsados por los datos? A veces.
Sí, a veces.
Cuándo ser impulsado por datos y cuándo los datos solo obstaculizan.
Yo estaba trabajando como científico de datos en Airbnb cuando llegó el Covid-19. Y como podrías esperar, el Covid-19 fue especialmente brutal para un negocio que dependía de la interacción humana basada en la buena fe. Cuando el mundo está formando grupos sociales aislados, será difícil conseguir que alguien se quede en la casa de un desconocido. Y así, como podrías esperar, nuestras métricas se desplomaron: nuestras métricas principales cayeron a valores de un solo dígito en comparación con el año anterior. Nadie estaba reservando Airbnbs, y mucho menos buscando alojar nuevos Airbnbs.
Y mientras enfrentábamos ese precipicio de métricas, nuestro CEO Brian intervino con una respuesta sorprendentemente rápida. Mientras todos estábamos configurando oficinas en casa y acaparando papel higiénico y alimentos enlatados de Costco, Brian convocó una reunión urgente con todos los empleados. Nos dijo de manera definitiva: “los viajes tal como los conocemos han terminado”. No tenía una respuesta clara sobre qué debíamos hacer a continuación, pero aún así había una dirección como un faro en medio de la tormenta: detengan todo en lo que están trabajando que no sea crítico y descubran cómo sobrevivir a la pandemia.
Y lo que sucedió después fue impresionante. La empresa se reinventó eficazmente, lo cual es algo sorprendente en una empresa de esa escala. Lanzamos las experiencias en línea de Airbnb en un tiempo récord. Con un nuevo lema de “cerca es el nuevo lejano”, seleccionamos y animamos a las personas a dirigirse a lugares que eran excelentes refugios durante la pandemia. Se cerraron nuevas iniciativas que claramente no encajaban en el futuro (yo formaba parte de un equipo llamado “estancias sociales” y, a pesar de los altos costos incurridos, cerramos rápidamente el proyecto). Aceptamos nueva financiación, reestructuramos la empresa. La empresa tomó cientos, tal vez incluso miles de decisiones al día y, como resultado, logró sobrevivir a lo peor de la pandemia con la mayor destreza posible.
Dicho esto, aunque los movimientos empresariales fueron interesantes, me gustaría aprovechar este artículo para hablar sobre el papel de los datos durante este período y qué aprendizajes podemos obtener de esa experiencia. Mi mayor sorpresa fue que los datos, que hasta entonces habían sido un factor clave en casi todas las conversaciones estratégicas, pasaron a un segundo plano de la noche a la mañana. En ese momento, luchar por la “toma de decisiones basada en datos” habría sido ridículo, no porque los datos no fueran útiles durante este período de transición, sino porque los datos no deberían impulsar en una crisis. A continuación, analizaré la causa raíz de este cambio de mentalidad: la urgencia. Consideremos diferentes circunstancias para la toma de decisiones y luego discutiremos cómo deberíamos aprovechar los datos en cada caso. Ha llegado el momento de hablar finalmente de lo que realmente debería significar “impulsado por datos”.
Segmentación de la toma de decisiones
Existen dos ejes mediante los cuales puedes segmentar de manera ordenada la toma de decisiones: la urgencia de la decisión y la importancia de la decisión. Dependiendo de dónde se encuentre tu decisión en la matriz de Punnett, la participación de la analítica puede y debe diferir.
- ¿Debería realmente comer ese hongo?
- Inmersión profunda en el modo de copia sobre escritura de pandas &#...
- Cómo utilizar la API de PaLM 2 de Google con Python
Baja urgencia, alta importancia
Por un lado, cuando una decisión es extremadamente importante pero no particularmente urgente, podemos proceder con la analítica como idealmente lo haríamos, trabajando estrechamente con nuestras partes interesadas para navegar mejor en el espacio de posibles acciones. Imagina, por ejemplo, que los ejecutivos de tu empresa quieren renovar la página de inicio, pero quieren tu apoyo para decidir qué poner allí. El ingeniero de ML de tu equipo propone una solución de ordenación de tarjetas, pero tú y tus partes interesadas saben que la decisión más crítica a tomar es si deseas aplicar ese tipo de solución en primer lugar.
La página de inicio actual funciona bien, por lo que el cambio deseado no es urgente, pero la decisión tiene un alto impacto: tu cambio afectará la experiencia de todos y cada uno de los visitantes. Y como tal, los datos deben ser aprovechados para navegar mejor en el espacio de decisiones: puedes revisar experimentos pasados y recopilar aprendizajes que puedan informar la decisión actual; puedes realizar pequeñas comprobaciones de tamaño de oportunidad para ver cuáles podrían ser los límites de cualquier cambio; puedes proporcionar datos demográficos/canales/otras distribuciones para informar mejor en qué podrías beneficiarte más al centrarte.
Hay una amplia gama de opciones entre las que los interesados deben navegar, y tú puedes ayudarles a hacerlo de manera medida y basada en hipótesis. Estás comprando un coche. Es una buena inversión dedicar algo de tiempo a buscar opciones.
Alta urgencia, alta importancia
Por otro lado, reconsideremos la situación de Airbnb durante la Covid-19 mencionada anteriormente. La compañía está en modo crisis y el liderazgo ya ha determinado el mejor curso de acción: necesitamos identificar algunos mercados en los que promocionar refugios atractivos contra el Covid. Podrías aplicar el mismo enfoque que en el ejemplo anterior, analizando cuidadosamente los segmentos, revisando experimentos pasados, etc. Pero cada día que retrasas una elección, estás perdiendo dos cosas:
- Oportunidad de aprovechar el nuevo mercado.
- Oportunidad de realizar una prueba y aprender algo.
Consecuentemente, formulaste una hipótesis sencilla: si eliges lugares que estén relativamente cerca de las ciudades principales, maximizarás las reservas porque los huéspedes se sentirán (a) suficientemente aislados del Covid pero también (b) lo suficientemente cerca como para poder regresar a casa con sus amigos y familiares en caso de emergencia. Te comunicas con los ejecutivos en pocas horas, lanzan una iniciativa para promocionar estos lugares y descubres que algunos funcionan mejor que otros, lo que te informa sobre cómo debería ser tu segunda ronda de elecciones.
La participación óptima de la analítica aquí es un poco diferente a la del caso de baja urgencia: aún estás ayudando a tus interesados a navegar por el laberinto de ideas, pero las decisiones que se toman se basan en gran medida en la intuición, por lo que tu participación es necesariamente más superficial. Esto no quiere decir que debas cumplir ciegamente, reforzando un precedente de reactividad; aún debes entender por qué, pero acepta que tu participación será menos estructurada, menos rigurosa. Y aunque podrías ayudar a los interesados a tomar una mejor decisión si tuvieras suficiente tiempo, no tienes suficiente tiempo, y una decisión correcta en un 80% ahora es infinitamente más valiosa que una decisión correcta en un 90% mañana.
Tienes un accidente de coche. Es útil obtener algunos datos para evaluar tu bienestar, el bienestar del conductor contrario y la mejor ruta hacia el hospital más cercano, pero probablemente no deberías pasar horas leyendo reseñas de hospitales.
Baja importancia
Finalmente, a veces las decisiones no son realmente tan importantes. Mueves un botón en una página de soporte al usuario, el experimento no converge, pero el interesado quiere conocer la verdad del resultado. Aquí es donde debes resistirte: la analítica ciertamente puede proporcionar una respuesta, pero ¿qué acciones se cambiarán como resultado? ¿Aprenderás algo? Los interesados ya saben que esta es una experiencia mejorada, pero piden certeza, aunque sabes que la certeza en este nivel de exposición experimental es imposible.
Si nuestras decisiones no cambian debido a nuestro trabajo con los datos, o al menos no aprendemos algo al explorar nuestros datos, probablemente no deberíamos estar haciendo ese trabajo en primer lugar. Aprende a predecir cuál podría ser el impacto de tu trabajo: ¿cuál es el aumento potencial si ayudas a tomar esta decisión? Luego actúa en consecuencia.
Comentarios finales
Para ser claro, no estoy abogando por un corte drástico aquí, pero la velocidad y la importancia deben considerarse al elegir el análisis adecuado para una tarea. Cuando una decisión es urgente, los datos casi siempre deben quedar en segundo plano en comparación con la intuición. Cuando la decisión es extremadamente importante, los datos deben utilizarse de manera más diligente para validar suposiciones y mantener la intuición bajo control. Cuando la decisión no es importante, no deberías estar dedicando mucho tiempo a preocuparte por ella, por lo que cualquier trabajo analítico debería ser reconsiderado antes de hacerlo.
👋 ¡Hola! Soy Robert, CPO de Hyperquery y antiguo científico de datos + analista. Esta publicación se publicó originalmente en Win With Data, donde hablamos semanalmente sobre cómo maximizar el impacto de los datos. Si deseas obtener más información sobre cómo Hyperquery puede ayudarte a maximizar tu impacto, no dudes en ponerte en contacto. Puedes encontrarme en LinkedIn o Twitter.
