Capítulo 1. Introducción Introducción
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
"Los responsables de la toma de decisiones sólo utilizan el 22% del batiburrillo de ideas basadas en datos que reciben", escribe Erik Larson en Forbes. ¿Qué ocurre? Es una pregunta especialmente importante cuando pensamos en los altos dirigentes, cuyas decisiones son decisivas para el éxito de sus organizaciones y, a veces, del mundo.
Es triste pensar que esta poderosa tecnología tenga un impacto tan limitado. Las tecnologías definen una época: la imprenta propició el Renacimiento, la máquina de vapor fue fundamental para la Revolución Industrial y los ordenadores crearon la "Era de la Información". Pensábamos que la analítica y los datos tendrían un impacto similar para mejor. Pero, al entrar este libro en imprenta, el jurado sigue deliberando.
Durante un tiempo existió la creencia generalizada de que "más datos = mejores decisiones", pero, lamentablemente, no estamos viendo organizaciones -públicas o privadas- que pensemos que lo estén haciendo mejor que nunca. Algunos dirían que las cosas están peor.
¿Qué está ocurriendo? Parte de la respuesta es que muchas organizaciones se enfrentan a una complejidad y volatilidad sin precedentes debidas a factores externos. La globalización significa que la tienda de la esquina ha dado paso a la tienda big-box, la pandemia ha cambiado nuestra forma de trabajar y colaborar, y los cambios en los medios de comunicación y el clima significan que todos nos estamos acostumbrando a una "nueva normalidad".
En respuesta, muchos líderes y científicos de datos se han embarcado en un viaje de transformación digital, pasando de los registros en papel a la información digitalizada, y utilizando después esa información para impulsar la inteligencia empresarial (BI) y para entrenar la inteligencia artificial (IA).
Pero los datos, la IA y el BI no son suficientes. Las organizaciones líderes están reconociendo la importancia tanto de la inteligencia colaborativa (IC) como de la inteligencia de decisión (ID): integrar la experiencia de múltiples perspectivas para tomar mejores decisiones, que conduzcan a mejores resultados. IA/IC/IC/ID: todas son necesarias para cosechar los beneficios de la nueva era. La ID, desde este punto de vista, es la "última milla" para hacer realidad la visión de la transformación.
De hecho, puedes pensar en las organizaciones modernas como fábricas de decisiones, que utilizan reuniones, correos electrónicos y demás para producir una decisión tras otra. Como escribe Dominik Dellermann, director general de Vencortex: "En última instancia, el valor de tu empresa no es más que la suma de las decisiones tomadas y ejecutadas..... [La] capacidad de tomar decisiones más rápidas, más coherentes, más adaptables y de mayor calidad a escala define el rendimiento de toda tu empresa".
Pero el viaje hacia una mejor toma de decisiones, como cabría esperar, incluye baches y obstáculos a lo largo del camino. Un obstáculo común es que, a pesar de estas transformaciones digitales generalizadas, muchas organizaciones siguen tomando decisiones sin el beneficio de pruebas y datos que estén claramente conectados con los resultados empresariales, incluso cuando las decisiones que toman son más importantes que nunca.
Lo esencial para superar este obstáculo es un enfoque más profesional de la gestión de los ingredientes de una decisión típica. ¿Cómo integrarlos en un conjunto de acciones bien justificadas que (tienes buenas razones para creer) conducirán a los resultados que deseas? En el entorno volátil, complejo e incierto de las organizaciones (comerciales y públicas), este reto -por prometedor que sea- puede parecer abrumador. Como nos dijo el experto en toma de decisiones Dr. Roger Moser, lo importante es que "la gente empiece a centrarse en diseñar procesos de toma de decisiones más eficaces y eficientes, y los nuevos avances tecnológicos a lo largo de la cadena de valor de los datos (incluyendo IA/ML, almacenamiento de datos, lagos de datos, etc.) permitan un nuevo nivel de profesionalidad en el diseño de procesos de decisión".
La buena noticia es que un poco da para mucho. En la mayoría de las organizaciones, la gente sigue tomando decisiones importantes utilizando procesos y "tecnología" del siglo XX. La mayoría de la gente no ve los procesos de toma de decisiones eficaces y eficientes como algo fundamental para gestionar las decisiones. No piensan en "una decisión" como algo que pueden crear en colaboración, ampliar, comprobar si hay "errores", reutilizar y mejorar con el tiempo.
De hecho, una decisión es un poco como una nave espacial: es algo que creas con otros expertos de distintas partes de tu organización, utilizando tecnología avanzada para alcanzar objetivos elevados. Este simple cambio mental hacia la comprensión de que las decisiones son como otras cosas que podemos construir y ampliar puede ser un paso poderoso hacia la resolución de problemas complejos.
¿Necesitas inteligencia para la toma de decisiones?
Quizá hayas oído una o varias de estas preguntas en tu organización:
"Creo que las decisiones de nuestra organización deberían basarse más en pruebas. ¿Cuál es la mejor manera de hacerlo?"
"He oído que los datos y la IA están transformando las organizaciones, y no quiero perder el tren. Pero, ¿por dónde empiezo?"
"Creo que podríamos hacerlo mejor cuando los equipos de decisión se reúnen para tomar decisiones estratégicas que nos afectan durante muchos meses o años. ¿Cómo podemos gestionar eficazmente las suposiciones, la incertidumbre y el riesgo?"
"Hacemos un seguimiento de ciertos indicadores clave de rendimiento (KPI) de en nuestra empresa, y eso es un buen comienzo, pero deja una pregunta abierta: ¿no puede la tecnología ayudarnos a decidir qué hacer cuando los KPI muestran que tenemos problemas?"
Si es así, entonces necesitas DI. (Tendremos más que decir sobre la evaluación de tu decisión concreta en cuanto a su idoneidad para el DI en el Capítulo 2.)
Lo que el DI hace por ti y por tu organización
En muchos sentidos, el DI es como otras nuevas disciplinas que han cambiado nuestra forma de trabajar juntos, como la gestión de proyectos, la reingeniería de procesos empresariales o la gobernanza de datos. Sabemos que probablemente estés abrumado con las nuevas tecnologías y métodos, ¡y no queremos complicarte aún más la vida! Sin embargo, te pedimos que te unas a nosotros en un viaje, y en una curva de aprendizaje.
Si llevas un tiempo trabajando en una organización mediana o grande, es posible que ya hayas empezado a pensar en cómo arreglar las organizaciones a nivel sistémico, en lugar de añadir otra bala de plata técnica. El DI es esa solución sistémica: no se trata de otro método ingenioso y exagerado, sino de una disciplina sólidamente diseñada que se basa en más de un siglo de innovación en gestión, en lugar de sustituirla.
La mayor parte de este libro te guía a través de los nueve procesos de DI que mencionamos brevemente en el Prefacio. No temas: ¡no son difíciles! Puedes aprenderlos paso a paso, y al final del libro tendrás a tu disposición una de las disciplinas más poderosas del siglo XXI.
Pero antes de llegar a los procesos, este capítulo pone la mesa con algo de contexto. Te proporcionaremos una rampa de acceso fácil al DI, describiremos cómo motivar a tu organización para que utilice el DI y te daremos una breve visión de la historia y el estado actual de la disciplina. No hay ningún problema si decides saltarte este capítulo y pasar directamente al Capítulo 2, donde podrás arremangarte y ponerte manos a la obra.
De los datos a las decisiones
Probablemente te hayas topado en algún momento de tu carrera con una iniciativa "basada en datos" o de transformación digital. Como mínimo, es probable que tu organización se haya preguntado: "¿Qué podemos hacer con todos estos datos? ¿Pueden ayudarnos a alcanzar nuestros objetivos?". La mayoría de las organizaciones no comprenden del todo cómo encajan los datos en la toma de decisiones. A menudo, los analistas de datos hacen conjeturas sobre las decisiones que van a respaldar sin comprenderlas claramente. Aplican sofisticadas técnicas matemáticas y de IA para obtener información y encontrar pautas y tendencias, proporcionan tablas y gráficos que creen que serán útiles, y luego lo arrojan todo "por la borda" a los no tecnólogos.
Imagina que estás sentado en un restaurante y el camarero te trae un cuenco de agua, una taza de harina y un cuenco de especias. Así es como se sienten muchos no tecnólogos cuando sus equipos de datos les muestran tablas y gráficos: esta información no está "cocinada" de forma que sea "digerible". Los datos, las percepciones, incluso la información: son como esos ingredientes. Para que la información "sepa bien", tiene que mostrar cómo tus acciones conducen a los resultados que deseas. Porque así es como piensa la gente no técnica.
Por eso, el eje central del DI es encontrar los datos que ayuden a los responsables de la toma de decisiones a conectar las acciones con los resultados: esto es lo que significa que los datos estén "bien cocinados", porque el pensamiento acción-resultado es el proceso de pensamiento "natural" que utilizan los responsables de la toma de decisiones.
En la mayoría de las organizaciones existen tres lagunas específicas entre los datos y las decisiones.
En primer lugar, hemos descubierto que a muchos analistas y no tecnólogos les cuesta llegar a un entendimiento compartido sobre cómo se utilizarán los datos. ¿Qué intentas conseguir: ventas, beneficios, retención de clientes, salud de la población? ¿De qué acciones dispones para alcanzar tu(s) objetivo(s)? ¿Qué puedes medir que te ayude a comprender el camino que va de las acciones a los resultados?
En segundo lugar, a menudo es difícil saber por dónde empezar con una nueva iniciativa de toma de decisiones. El contexto de la decisión, las acciones disponibles y los resultados requeridos están en manos de quien toma la decisión, que a menudo no es una persona técnica. Los datos y modelos que informan la decisión están en manos de los analistas. ¿Cómo pueden los no técnicos comunicar eficazmente el contexto de la decisión a los analistas para que éstos puedan proporcionar datos que conecten las acciones con los resultados?
En tercer lugar, aunque dispongas de datos precisos, puede ser difícil utilizarlos bien. Para tomar una decisión sólida basada en pruebas, necesitas saber cómo dependen tus resultados deseados de las acciones que puedes emprender y de tu entorno externo. A pesar de las mejores técnicas de IA, normalmente tus datos no responden a la pregunta: "Si emprendo estas acciones, ¿cuáles serán los resultados?".
El DI es, pues, la disciplina de convertir esos "ingredientes crudos" en la forma adecuada. Y este libro es tu receta.
El techo de la complejidad de las decisiones
La toma de decisiones organizativas ha alcanzado un techo de complejidad: los factores que entran en juego al tomar una decisión importante son tantos y tan complejos que superan la capacidad de los decisores humanos para tomar las decisiones correctas.1 La construcción, el software, las finanzas, la fabricación y muchas otras disciplinas se han enfrentado a techos de complejidad similares a medida que han ido evolucionando: todas llegaron a un punto en el que el número de entradas, las interacciones entre ellas y los plazos en los que había que conseguir resultados desbordaron a las técnicas de la época. Dice la empresaria de DI Jazmine Cable-Whitehurst, de CModel: "Puede que en otros tiempos no necesitáramos diseñar decisiones para una tienda de la esquina. Pero ahora, las empresas tienen un alcance mucho mayor, y se ven afectadas a su vez por factores globales como el cambio climático, la diversidad, la raza, los límites planetarios y la política: todas ellas cosas de las que tienen que ser conscientes hoy y en las que no tenían que pensar hace 50 años."
Una encuesta de Gartner de 2021, por ejemplo, descubrió que el 65% de las decisiones organizativas son más complejas -a menudo implican a más partes interesadas u opciones- de lo que eran sólo dos años antes. Y la complejidad se ve exacerbada por la volatilidad: la toma de decisiones no puede seguir el ritmo de un contexto que cambia rápidamente. Esta complejidad puede incluir
- Longitud y complejidad de la cadena causal
El número de elementos que componen las decisiones, incluidas las elecciones de acciones, los resultados deseados, las dependencias entre los elementos de la decisión, las consecuencias periféricas (a menudo involuntarias) y las largas cadenas de causa y efecto.
- Variación temporal
Factores que cambian durante el proceso de decisión y ejecución
- Datos
Datos sólo parcialmente disponibles, inciertos, incorrectos o difíciles de obtener, gestionar o interpretar
- Factores humanos
Los diferentes puntos de vista de los participantes en la toma de decisiones, sus niveles de competencia y experiencia, y los efectos de las relaciones políticas y sociales, por nombrar algunos.
Debes tener en cuenta tanta información, tantas opciones, tantas interacciones potenciales entre ambas, y consecuencias potenciales tan graves en caso de malas decisiones, que puede resultar abrumador. Por eso, las organizaciones acaban asumiendo grandes riesgos innecesarios, basados en justificaciones que a menudo distan mucho de ser sólidas.
En los últimos años, una respuesta instintiva a la complejidad ha sido simplemente recopilar más datos, crear más modelos, contratar estadísticos o pedir al departamento informático que construya una arquitectura de la información que permita un mayor intercambio y colaboración. Aunque estos enfoques pueden ser útiles a veces, no suelen ser suficientes, a menudo añaden complejidad y sobrecarga cognitiva, y carecen de integración entre las personas, los procesos y la tecnología. El resultado es que, en muchas organizaciones, los sistemas, los datos y las personas interesadas están separados por la cultura, el idioma, la distancia geográfica y los retrasos.
Las apuestas se han vuelto demasiado altas, y el juego se juega ahora demasiado rápido, para que las organizaciones confíen en la intuición y la suerte. Los responsables de la toma de decisiones necesitan un sistema que les ofrezca las máximas posibilidades de ganar. El DI es una solución a este cambio fundamental.
Afortunadamente, ha surgido un patrón de solución muy eficaz. Disciplinas como la construcción, la ingeniería de software y la ingeniería de sistemas han superado el techo de complejidad desarrollando y adoptando ampliamente una metodología que:
Sistematiza las tareas necesarias para completarlas con éxito y las hace objetivas (como enmarcar una casa).
Define comprobaciones y balances de control de calidad para cada conjunto de tareas (como inspeccionar una casa antes de ocuparla).
Define una nomenclatura formal común que elimine la ambigüedad y facilite el intercambio de información y conocimientos entre grupos con aptitudes y formación muy diferentes (como tener una forma estándar de dibujar una puerta en un plano).
Se apoya en herramientas (como planos y herramientas de diseño asistido por ordenador)
El DI aplica estos enfoques probados a la toma de decisiones.
La Figura 1-1 muestra un DDC sencillo para una decisión: si comprar café normal o café de comercio justo respetuoso con las aves. Como puedes ver, la decisión contiene acciones que conducen a resultados a través de una cadena de acontecimientos. Esos acontecimientos están definidos por los intermedios, los pasos de la cadena causal que va de las acciones a los resultados. También dependen de factores externos, o cosas fuera de tu control que afectan a los resultados.
Figura 1-1. Una visión general del DI, desde el punto de vista de un DCC, distinguiendo el proceso de decisión del proceso de acción, los flujos de DI de los flujos de proceso, y las soluciones tecnológicas de las no tecnológicas.
Hay una diferencia entre el proceso de pensar en una decisión (a la izquierda de la Figura 1-1) y el proceso de emprender realmente una acción basada en una decisión (a la derecha). Esta figura también muestra la diferencia entre un proceso en el que se toma una decisión (conducir hasta la tienda, elegir un café, etc.) y el CDD acción-resultado (que también utiliza casillas y flechas, pero no muestra un proceso). El lado derecho es una abstracción o representación del lado izquierdo. La distinción aquí es similar al argumento filosófico de que "el mapa no es el territorio".
Este libro está organizado en torno a empezar por el lado izquierdo de la Figura 1-1: diseñar primero una decisión, emprender una acción y luego utilizar el modelo de decisión para hacer un seguimiento de la acción a medida que se desarrolla en el tiempo. Para un enfoque diferente, podrías empezar por la derecha, con intermedios que ya estés monitoreando: en el ejemplo del café, tal vez tengas varias medidas de la deforestación causada por las plantaciones de café. A continuación, puedes estructurar esas medidas en un DCC centrado en los resultados y los indicadores principales, retrocediendo hasta las acciones a lo largo del tiempo. Todo esto tendrá más sentido al final del libro.
El enfoque del DI para la toma de decisiones basada en pruebas empieza con la decisión, no con las pruebas. Primero tienes que entender tu decisión: los resultados que quieres, las acciones que puedes emprender, los factores externos que pueden afectar a los resultados y las cadenas causales de las acciones a los resultados. Luego puedes encontrar pruebas: los datos, los modelos y la experiencia humana que proporcionan información sobre las casillas y las flechas del DDC.
Una ventaja del enfoque de "la decisión primero" es que ahora puedes dejar de lado con seguridad toda la información que no sea relevante para tu decisión. Esto es una gran ventaja, porque para tomar la decisión que tienes entre manos, no necesitas limpiar, examinar o evaluar ningún dato que no afecte a tus resultados.
Tu DI es una herramienta para integrar múltiples pruebas que te ayuden a comprender cómo tus acciones conducen a los resultados que deseas. Esta integración es una ventaja clave del DI. Con la adición de pruebas, un modelo de decisión se convierte en una poderosa herramienta para razonar sobre tu decisión o simularla. A veces basta con trabajar manualmente con unos cuantos ejemplos para mostrar patrones importantes o iluminar las acciones más eficaces. Y cuando hay muchos dólares o vidas en juego y tú y las partes interesadas tenéis dificultades para comprender la decisión, puede merecer la pena desarrollar simulaciones de software en profundidad y potentes visualizaciones para encontrar el equilibrio adecuado entre riesgos y recompensas. (Para más información, consulta el Capítulo 5 ).
¿Qué es el DI?
En el Prefacio, esbozamos cómo diseñar una decisión, resumimos los elementos del DI y te dimos una breve introducción a los nueve procesos del DI. Aquí te contaremos algo más, para preparar el escenario de los capítulos restantes, pero esperamos que sigas teniendo preguntas. Tu comprensión de lo que es el DI y de cómo utilizarlo se profundizará con cada capítulo.
El DI es una metodología y un conjunto de procesos y tecnologías para tomar decisiones mejores y más basadas en pruebas, ayudando a los responsables de la toma de decisiones a comprender cómo las acciones que emprenden hoy pueden afectar a los resultados deseados en el futuro.
El concepto clave del DI es la idea de que puedes diseñar decisiones (ver Capítulo 3). Es importante destacar que una decisión, tal y como la tratamos aquí, es un proceso de pensamiento sobre una acción que, una vez tomada, conduce a resultados específicos sin ninguna intervención posterior. (Contrasta esto con un flujo de procesos -si estás familiarizado con ellos- en el que tienes control sobre cada paso).
Al igual que las organizaciones diseñan coches, edificios y aviones antes de construirlos mediante planos y herramientas, resulta que también puedes diseñar decisiones. Al igual que un plano, el diseño de una decisión ayuda a alinear a todos los implicados en ella -incluidas las partes interesadas- en torno a su fundamento. Si consideras la creación de decisiones como un problema de diseño, también puedes aplicar muchas buenas prácticas de diseño, como la ideación, la documentación, la representación, el perfeccionamiento, la garantía de calidad y el pensamiento de diseño. Todo esto lo documentarás en un DDC, como introdujimos en el Prefacio.
Puede parecer mucho, pero un aspecto importante del DI es que es fácil de hacer, al menos los primeros procesos.
El DI empieza y termina con el grupo o la persona que toma la decisión. En lugar de pedirte que pienses sobre las decisiones de una forma nueva, el DI simplemente te pide que documentes la forma en que piensas sobre las decisiones en la actualidad. Te darás cuenta de que el simple hecho de dibujar la imagen de una decisión -como te enseñaremos a hacer- es muy útil.
Construye tu primer CDD, ¡ahora mismo!
Es un libro largo, y esperamos que te resulte una lectura amena. Pero, si te sientes impaciente y quieres empezar a hacer DI ahora mismo, puedes centrarte en el proceso simplificado de DI que se muestra aquí. Este proceso es para construir un CDD, como los del Prefacio. En los capítulos siguientes lo explicaremos con mucho más detalle y daremos muchos más ejemplos. Pero, seamos sinceros -y en serio-, si te limitas a leer y poner en práctica este único proceso, hoy mismo, estarás bien encaminado para tomar mejores decisiones en tu organización. (A nosotros también nos sorprendió cuando empezamos a hacerlo).
Trabaja tú solo si eres el único responsable de la decisión, o reúne a un equipo de decisión, idealmente diverso, que incluya a expertos, partes interesadas y a la persona que será responsable del resultado de la decisión. A continuación, sigue estos pasos:
Facilita una sesión de lluvia de ideas para escribir los objetivos/resultados de una decisión (como, por ejemplo, "lanzar un nuevo producto que sea rentable en dos años"). (Véase el Capítulo 3.)
Selecciona unos tres resultados para el enfoque inicial. (Puedes añadir más en el paso 8 si lo necesitas.) (Consulta el Capítulo 3 para más información sobre los pasos 2 a 8.)
Discute esos resultados y asegúrate de que el equipo está de acuerdo con ellos y de que son lo bastante precisos como para poder medirlos.
Haz una lluvia de ideas de acciones que podrían conducir a esos resultados (como, por ejemplo, "lanzar un curso de vídeo").
Selecciona unas tres de esas acciones para el enfoque inicial. (De nuevo, puedes añadir más en el paso 8).
Discute las cadenas de acontecimientos que podrían llevar de las acciones a los resultados. Documéntalos en forma de recuadros y flechas, trabajando de izquierda a derecha en una pizarra. (Aunque esto se parece a un diagrama de flujo, de flujo de datos o de proceso, las casillas y las flechas significan algo muy distinto. Te lo explicaremos mejor en el Capítulo 3).
Revisa el esquema para asegurarte de que le gusta a todo el mundo.
Añade más acciones y resultados a los conjuntos originales de tres, de uno en uno, según creas conveniente. Detente cuando creas que el diagrama es lo suficientemente complejo como para ser valioso, pero no abrumador.
Limpia el diagrama y publícalo dentro de tu organización para su revisión. (Quizá simplemente cuélgalo en la pared. Incluso puedes enviarnos una foto si está permitido, ¡nos encantaría ver lo que se te ocurre!) Considera también la posibilidad de redactar un documento narrativo explicativo.
Utiliza el diagrama para apoyar las conversaciones sobre decisiones.
Envía el diagrama a tu equipo de análisis y pregúntales cómo podrían aportar datos, modelos de ML u otras tecnologías para perfeccionar tu comprensión de cómo las acciones descritas conducen a los resultados deseados (véase el Capítulo 4).
Revisa el diagrama de vez en cuando para ampliarlo, actualizarlo y modificarlo según cambien las circunstancias.
Te sorprendería la cantidad de decisiones que se toman sin llegar siquiera al paso 4. Simplemente alinearte en torno a los resultados que quieres obtener de tus decisiones tiene un poder tremendo (porque -seamos claros- tomas miles de decisiones al día, la mayoría de las cuales nunca se modelarán, y una imagen como ésta puede ayudar a todos a estar mejor alineados).
El proceso descrito anteriormente es un puente para tratar las decisiones como artefactos diseñados. Una vez que documentes las decisiones de este modo, podrás revisarlas, mejorarlas y reutilizarlas, y tratarlas como un andamiaje para integrar datos, conocimientos humanos, herramientas preexistentes, etc. Este proceso es un punto de partida para los beneficios que puedes conseguir con una comprensión más profunda del DI, como la capacidad de tomar mejores decisiones basadas en pruebas, utilizar mejor tu pila de datos y la IA, y comprender cómo las acciones en un silo de tu organización repercuten en otros silos. Si quieres pasos prácticos para aprovechar al máximo esta nueva y poderosa disciplina, este manual es para ti.
El DI trata de decisiones de acción a resultado
Si has participado en sistemas que implican la toma de decisiones, sobre todo si son sistemas tecnológicos, puede que te sientas un poco confuso sobre lo que queremos decir con la palabra decisión. No es de extrañar, porque esta palabra tiene significados superpuestos, algunos de los cuales pueden resultar desconocidos para los lectores no técnicos. Si es así, no te preocupes por ellos. Quedan fuera del alcance de este libro. Para todos los demás, es importante centrarse en lo que entendemos por "decisión" dentro del DI. Considera los tipos de decisión mostrados en la Figura 1-2 y resumidos como sigue:
- Decisiones de clasificación
A veces llamamos a esto "decisiones que": por ejemplo, decidir que una foto concreta muestra un gato.
- Decisiones de regresión (predicciones)
Otra "decisión que": por ejemplo, que hay un 20% de probabilidades de que llueva mañana.
- Decisiones de acción a resultado
Decisiones de emprender una o más acciones para lograr uno o más resultados.2 En este caso, las acciones que elegimos son asignaciones irrevocables de recursos, como describe la Dra. Cassie Kozyrkov, Jefa Científica de Decisiones de Google.
Figura 1-2. Diferentes significados de la palabra decisión.
Este libro abarca principalmente la tercera categoría: las decisiones sobre acciones que conducen a resultados. En la historia de los datos, la estadística y la IA, las dos primeras categorías -decisiones de clasificación y regresión- han recibido la mayor parte de la atención, mientras que las decisiones sobre acciones que conducen a resultados han recibido poca atención, a pesar de lo fundamentales que son para la forma de pensar de las personas. El DI llena este vacío.
He aquí algunos ejemplos que se ajustan a este patrón de acciones a resultados:
Un profesor que decide si ofrecer un curso online o presencial
Un empleado que decide si viajar a una conferencia o asistir virtualmente
Un gestor de instalaciones decidiendo cómo y cuándo reabrir un edificio de oficinas al final de un periodo de trabajo desde casa por pandemia
Un ciudadano que decide a qué organización benéfica debe donar, cuándo y cuánto
Un departamento de recursos humanos decidiendo los detalles de una política de contratación de diversidad
Un agricultor decidiendo la mejor opción de gestión de plagas para sus cultivos
Un legislador decidiendo qué elementos incluir en un proyecto de ley que garantice un acceso equitativo a la banda ancha para todos los ciudadanos
Un médico compara los posibles tratamientos para un paciente
Lo que todos estos ejemplos tienen en común es que alguien quiere conseguir, o es responsable de conseguir, uno o más resultados y tiene autoridad para emprender una de varias acciones para conseguir esos resultados. El responsable de la toma de decisiones quiere saber qué acción o acciones producirán los resultados deseados.
Las mejores decisiones para abordar con DI son aquellas para las que al menos una de las siguientes es cierta:
A alguien de tu organización le importa la decisión.
La decisión tiene un impacto lo suficientemente grande en ti o en otra persona como para que creas que merece una reflexión detenida.
Crees que la decisión podría tomarse de un modo mejor.
Crees que algunos datos podrían ayudar a mejorar la decisión.
Ten en cuenta que no es necesario que tengas muchos conocimientos sobre la decisión. De hecho, a veces las organizaciones trabajan "en la oscuridad", tomando decisiones sobre circunstancias totalmente nuevas. Estas situaciones pueden encajar bien con el DI, que ayuda a reunir a las mejores mentes y tecnologías en situaciones novedosas. Por otra parte, el DI no es sólo para las grandes decisiones estratégicas únicas. El DI aporta un valor repetido en las decisiones tácticas, que suelen ser las decisiones en los distintos pasos de los procesos empresariales organizativos.
El DI trata de decisiones humanas en bucle
Otra dimensión que utilizamos para clasificar las decisiones es el grado en que intervienen humanos, IA o ambos: es decir, decisiones automatizadas, híbridas o manuales.
La metodología DI descrita en en este libro se aplica a las decisiones tomadas por personas (normalmente con el apoyo de la tecnología) para emprender una o más acciones con el fin de lograr uno o más resultados. Las decisiones totalmente automatizadas, como el recomendador de productos de Amazon, no son el núcleo de esta metodología, ¡aunque resulta que el DI también es muy útil para ellas! En pocas palabras, el DI ayuda a las organizaciones a tomar mejores decisiones combinando lo mejor de la experiencia humana con todo tipo de tecnología.
El mundo de la IA no siempre presta mucha atención a las decisiones que incluyen a un humano en el bucle: una persona que consulta algún recurso -quizá tablas y gráficos de datos- antes de tomar una decisión. Creemos que esto se debe a que muchas de las grandes "victorias" de la IA a lo largo de los años se han producido en casos de uso totalmente automatizados, como los anuncios de Facebook y Google. Este es otro vacío que llena DI. El DI entra en la categoría de los métodos de toma de decisioneshíbridos -también llamados aumentados-, los que implican tanto a humanos como a IA, que según McKinsey constituyen uno de los mercados tecnológicos de más rápido crecimiento en estos momentos.3
Puedes tener decisiones automatizadas, híbridas o manuales en cada una de las tres categorías de decisión: clasificación, regresión o acción-resultado. Este libro y nuestro trabajo se centran en las decisiones híbridas de acción a resultado. Como otros métodos no las cubren, se nos ha pedido una y otra vez que abordemos las decisiones híbridas de acción a resultado.
Los modelos de IA pueden tomar valiosas decisiones de un solo enlace, como qué artículo de venta cruzada sugerir o qué anuncio mostrar. El DI te permite utilizar varios modelos de IA juntos para fundamentar una decisión, e integrar la IA y otras tecnologías con la experiencia humana y el juicio humano en la toma de decisiones. Si juntas las decisiones de acción a resultado con la toma de decisiones humana en el bucle, obtienes un conjunto de capacidades que se necesitan desesperadamente y que son nuevas en comparación con los métodos estándar de IA y análisis. Esperamos que el valor que esto proporciona te motive a seguir leyendo este libro y a adoptar el DI en tu trabajo.
El núcleo del DI es la idea de que puedes diseñar estas decisiones de acción a resultado del mismo modo que los ingenieros diseñan coches, edificios y aviones antes de construirlos utilizando planos o herramientas. Al igual que un plano ayuda a muchos colaboradores a construir un rascacielos, el diseño de una decisión ayuda a alinear a todos los implicados -incluidas las partes interesadas- en torno a su fundamento. Y si tratas las decisiones como un problema de diseño, también puedes aplicar las buenas prácticas del campo del diseño, como la ideación, la documentación, la representación, el refinamiento, la garantía de calidad y el pensamiento de diseño. En el fondo, el DI consiste en integrar y conectar a los responsables humanos de la toma de decisiones con los datos, la IA, el modelado de sistemas complejos, el comportamiento humano y muchas otras disciplinas. En pocas palabras, el DI ayuda a las organizaciones a tomar mejores decisiones combinando lo mejor de la experiencia humana con todo tipo de tecnología.
Por qué los responsables de la toma de decisiones basados en datos necesitan DI
Muchos responsables de la toma de decisiones quieren que vaya más allá de la mejora de los métodos manuales de toma de decisiones y aprenda a utilizar los datos y la tecnología de forma más eficaz. Se podría argumentar, incluso, que un líder organizativo moderno está atrasado si sólo confía en su "instinto visceral" para tomar decisiones importantes. Por eso tantas organizaciones se esfuerzan por ser "basadas en datos" y "basadas en pruebas".
Una y otra vez, hemos visto a analistas técnicos abrir una reunión sobre un nuevo proyecto diciendo: "Aquí tenéis los datos y modelos de IA que tenemos para vosotros". Este planteamiento es retrógrado: ¿cómo pueden los analistas proporcionar la información adecuada antes de saber qué necesita su "cliente" (ajeno al departamento de análisis)? Siento decirlo, pero normalmente sólo hacen conjeturas sobre cómo utilizarán sus datos e información los responsables de la toma de decisiones. Hablan de qué datos y gráficos son "interesantes" y dónde están las mejores "percepciones", sin comprender realmente cómo se traduce nada de eso en acciones y resultados empresariales. Sin comprender las cadenas de causa y efecto que vinculan las acciones a los resultados y qué datos informan esas cadenas, los tecnólogos suelen recopilar y procesar más datos de los que realmente necesitas, como hemos descrito al principio de este capítulo. Preparar datos que no son útiles probablemente lleve demasiado tiempo y suponga mucho trabajo innecesario.
Hay una forma mejor, y empieza por iniciar la conversación en la dirección correcta. Considera una situación análoga. Cuando una organización de TI necesita crear un software que resuelva un problema, lo primero que se le da es una lista de requisitos del cliente. La interacción entre los equipos de ciencia de datos y analítica y sus clientes debería comenzar de la misma manera. El cliente analítico debe poder decir: "Esto es lo que necesito que hagas por mí" en un lenguaje que entiendan tanto los técnicos como los no técnicos.
Entonces, ¿por qué hay tanta diferencia entre los proyectos de datos, en los que parece que la cola mueve al perro, y los proyectos de software, en los que el producto final lo definen quienes tienen los problemas que el software pretende resolver?
La razón es que la ingeniería de software lleva años, si no décadas, reconociendo que el software sólo tiene éxito cuando satisface las necesidades de los usuarios finales. Por ello, la disciplina ha desarrollado metodologías formales e informales para obtener los requisitos de los usuarios, expresados de forma que los usuarios no técnicos puedan entenderlos y que los desarrolladores de software puedan utilizar para construir sistemas que satisfagan las necesidades de los usuarios. Esta es la primera etapa de cualquier proyecto de ingeniería de software.
Los responsables de la toma de decisiones necesitan herramientas de "requisitos" para obtener beneficios similares. El DI está empezando a aportar este mismo tipo de madurez al mundo de la toma de decisiones. Pero los requisitos de software por sí solos no bastan, porque las decisiones son muy distintas de las aplicaciones de software. En el Capítulo 3, te mostramos cómo diseñar una decisión para que puedas ver qué datos necesitas. Luego, en el Capítulo 4, te mostramos cómo vincular los datos a la decisión que has diseñado.
Erik Balodis, director de analítica y apoyo a la toma de decisiones del Banco de Canadá, ilustra en un artículo de Medium por qué es necesaria la DI, señalando "un reconocimiento de que invertir en datos para 'tomar mejores decisiones' es demasiado vago". También describe un patrón que ha percibido dentro de las organizaciones como
el deseo de mejorar la cultura de la decisión y mitigar los riesgos inherentes a la toma de decisiones no estructurada o ad hoc, basada principalmente en la heurística; el deseo de ver la inteligencia de la decisión (ID) como una disciplina unificadora, que reúna la tan necesaria influencia de diversas ciencias sociales, métodos cuantitativos y conceptos empresariales.
Balodis también menciona "una serie de razones muy empresariales", entre ellas "la optimización de la inversión en datos y análisis; el diseño optimizado y la reutilización de los productos y artefactos de datos, análisis y decisión; [y] la orientación de las actividades de apoyo a la decisión para permitir la estrategia y la supervisión empresarial".
El DI ofrece una metodología práctica que aborda dos problemas muy extendidos en la toma de decisiones basada en datos.
- Problema 1: ¿Cómo podéis tú y tu equipo de ciencia de datos identificar los datos que necesitáis para respaldar vuestras decisiones?
Necesitas saber cómo dependen los resultados que intentas conseguir de las acciones que puedes emprender. Pero rara vez se dispone de datos que relacionen directamente las acciones con los resultados. Aunque a menudo puedes determinar esta relación a partir de los datos, ¿cómo puedes saber qué datos utilizar y cómo se relacionan con la decisión que tienes que tomar?
El DI te proporciona un método sistemático para utilizar una declaración de decisión con el fin de derivar requisitos y especificaciones para la ciencia de datos y el trabajo analítico necesarios para respaldar tu decisión. El núcleo del DI es el modelado de decisiones, o la creación de un CDD (o "anteproyecto de decisión") y la adición a él de datos y modelos existentes. (Consulta los Capítulos 3 y 4 para más detalles).
- Problema 2: ¿Cómo puedes utilizar tus inversiones tecnológicas y humanas preexistentes para encontrar acciones que conduzcan a los resultados que deseas?
Las decisiones de acción a resultado se basan en esta pregunta: "Si tomamos este curso de acción, ¿cuál será el resultado?". Históricamente, ha habido una serie de tecnologías para responder a esta pregunta, como la programación lineal y el campo de la investigación operativa. El DI añade una nueva herramienta al conjunto de herramientas, la simulación: el proceso de utilizar tu cerebro o un ordenador para ver cómo afectan las distintas acciones a los resultados. (Trataremos la simulación mucho más en el Capítulo 5).
De dónde viene el DI
A diferencia de la IA y la ciencia de datos, DI nació en el mundo comercial y adopta un enfoque que da prioridad a los problemas, no a las soluciones, para salvar la distancia entre las partes interesadas y la tecnología. El DI empieza y termina con el cliente que toma la decisión, empezando por definir el problema o los objetivos y terminando con la solución, algo que puede ser (pero no tiene por qué ser) muy sofisticado "bajo el capó".
Mark Zangari y L. Y. Pratt, coautor de este libro, inventaron el DI en 2008 basándose en cientos de entrevistas con responsables de la toma de decisiones. Al principio lo llamamos "ingeniería de la decisión", pero más tarde lo rebautizamos como "inteligencia de la decisión" para dejar claro que el DI es algo más que un simple campo técnico. Aunque el término inteligencia de las decisiones ya aparecía impreso en 1994, la metodología de DI de este manual se originó con el libro blanco de Pratt y Zangari de 2008 (Pratt y Zangari no conocían el significado anterior de esta frase, ni se basaron en él).
Nuestra investigación de 2008 planteaba una pregunta ambiciosa: "Si la tecnología te resolviera un problema que hoy no resuelve, ¿cuál sería?". Sorprendentemente, escuchamos una respuesta consistente: "Ayudarme a tomar mejores decisiones, utilizando datos y otras tecnologías emergentes".
L. Link, de Y. Pratt : How Decision Intelligence Connects Data, Actions, and Outcomes for a Better World fue el primer libro sobre DI. Proporciona una introducción para principiantes a las buenas prácticas del DI y describe cómo los proyectos de DI en todo el mundo han ahorrado y generado muchos cientos de millones de dólares de valor, así como beneficios no financieros. No es necesario que leas Link antes que este libro, pero puede que te parezca una visión general interesante y menos técnica del campo.
Link generó una nueva oleada de interés por el DI, y el Grupo Gartner incluyó el DI en sus informes sobre las "Diez Tendencias Principales" para 2020, 2021 y 2022. Sin embargo, hemos descubierto que Link necesita una guía práctica como volumen complementario. Este manual es esa guía. Se basa libremente en un libro de consulta que escribimos en colaboración con un banco central del G20 cuando implantamos el DI en esa organización.
Otro importante líder de pensamiento en DI es la Dra. Cassie Kozyrkov, científica jefe de decisiones de Google Cloud, que escribe que DI es "una ciencia vital para la era de la IA, que abarca las habilidades necesarias para dirigir proyectos de IA de forma responsable y diseñar objetivos, métricas y redes de seguridad para la automatización a escala". Kozyrkov define el DI como una mezcla de economía y psicología del comportamiento, ciencia de los datos, estadística y ciencia de la decisión. Estamos de acuerdo con este enfoque multidisciplinar: La definición de "campo unificado" de DI de Kozyrkov incluye correctamente el rigor estadístico, así como factores de decisión tanto "duros" como "blandos".
El DI no es la única disciplina diseñada para apoyar mejores decisiones. Otras incluyen la inteligencia empresarial, el apoyo a las decisiones, la gestión del conocimiento, los cuadros de mando integral, los KPI, la visualización de datos, la ciencia de datos, el modelado de procesos empresariales,4 y el análisis de decisiones.5 Muchas organizaciones han descubierto que estas prácticas pueden ser muy útiles, pero para la toma de decisiones en circunstancias complejas, no van lo suficientemente lejos. Y el DI se basa en ellas, no las sustituye.
Una analogía ilustra mejor lo que está ocurriendo. El mundo disponía de una tecnología eficaz de aviones mucho antes de tener simuladores de vuelo. Para aprender a volar, tenías que observar a un piloto en la vida real y luego tomar tú mismo los mandos. ¡Eso era peligroso! Es mucho mejor -y mucho más seguro tanto para los pilotos como para los pasajeros- que los alumnos pilotos aprendan muchas veces en escenarios desafiantes dentro de simuladores de vuelo antes de tomar los mandos de un avión real.
El DI es así: introduce un entorno de "simulación" en la toma de decisiones. Reúne otras tecnologías para cambiar fundamentalmente la experiencia y la seguridad de "volar" -tomar decisiones organizativas-. Puedes probar cosas y "estrellarte" en la simulación en vez de en la realidad, lo que es mucho más rentable. Este enfoque integra tecnologías eficaces de datos e IA preexistentes y hace que su uso sea más fácil y natural para los responsables humanos de la toma de decisiones. Al hacerlo, ayuda a resolver problemas complejos, antes irresolubles.
Por último, el DI es un enfoque de lo que en algunos llaman computación neurosimbólica, que integra el histórico mundo simbólico (palabras y lógica) de la IA con enfoques más modernos centrados en los datos. Los que hemos dado unas cuantas vueltas a la IA no estamos casados con uno u otro de estos enfoques, sino que vemos el DI como una forma de integrarlos para obtener lo mejor de ambos mundos. James Duez, director general de Rainbird.AI, lo dice mejor que nadie:
A lo largo de los años, el campo de la IA ha experimentado cambios notables. Mientras que la IA simbólica dominó la década de 1980, en la actualidad el enfoque se ha desplazado considerablemente hacia la ciencia de datos y el aprendizaje automático, valorando las predicciones a partir de datos y percepciones por encima de los modelos simbólicos del conocimiento humano. Si miramos hacia delante, el futuro de la IA estará determinado por una integración equilibrada de estos enfoques, aprovechando los méritos tanto del razonamiento simbólico como de la ciencia de datos y el aprendizaje automático a través de la inteligencia de decisiones.
Lo que no es el DI
Hay una serie de disciplinas que a menudo se confunden con el DI. Echémosles un vistazo rápido para aclarar las diferencias.
DI no es modelización de procesos ni planificación de proyectos
El modelado de procesos es la práctica de acordar una secuencia de pasos para alcanzar algún objetivo. Un área relacionada es la planificación de proyectos. Ambas suelen utilizar cajas y flechas para representar tareas y dependencias, respectivamente.
He aquí una forma de entender la diferencia entre el modelado de procesos/planificación de proyectos y el DI: piensa en la diferencia entre elegir un precio para un producto e implementar ese precio en algún software. Son tareas fundamentalmente distintas. Elegir el precio depende de tu modelo de la cadena de acontecimientos que conduce a tus ingresos, como la curva de demanda que determina cuánta gente comprará tu producto, así como de factores externos como el clima económico y el precio de tu competidor.
En cambio, configurar tu sitio web para cobrar 20 $ al mes por tu producto implica una serie de actividades muy diferentes que podrían plasmarse mejor en un diagrama de procesos o un plan de proyecto. Esa secuencia de pasos podría consistir en actualizar dos campos, cambiar un cupón y luego probar que el sistema de pago sigue funcionando. Cada uno de estos pasos podría representarse como un recuadro en un diagrama, con flechas entre ellos para indicar su orden relativo. Esto no es DI, pero interactúa con DI en el punto en el que decides cobrar 20 $ al mes.
El DI no es un árbol de decisión
Un árbol de decisión es una secuencia de preguntas que hay que hacer para llegar a alguna conclusión. Por ejemplo, un médico podría utilizar un árbol de decisión para diagnosticar una enfermedad cardiaca a un paciente. El árbol podría empezar con "medir la tensión arterial", luego "si la tensión arterial es superior a 140 sistólica, hacer un análisis de sangre al paciente", y así sucesivamente. Al final de la secuencia de preguntas, el árbol de decisión podría decir "este paciente no tiene una enfermedad cardiaca". Observa que el árbol de decisión conduce al médico a través de una serie de preguntas y mediciones. El árbol de decisión determina qué mediciones tomar y en qué orden, pero no muestra ninguna causa y efecto.
Un árbol de decisión es fundamentalmente diferente que un DDC, porque las casillas de un DDC representan una cadena de causa y efecto entre acciones y resultados. Puede decirte que "si cobras este precio", combinado con "si te diriges a este grupo demográfico", entonces "esta cantidad de gente se interesará por tu producto", lo que, a su vez, puede provocar que "esta cantidad de gente compre tu producto", lo que, a su vez, puede provocar "esta cantidad de ingresos en este ejercicio fiscal". Como puedes ver, se trata de una representación de una cadena de acontecimientos puestos en marcha por tu acción, no de una lista de pruebas o preguntas que responder para llegar a una decisión.
DI no es flujo de datos
También puedes ver muchas cajas y flechas en un diagrama de flujo de datos (también llamado canalización de datos). Allí, dependiendo de cómo hagas las cosas, las cajas podrían representar datos en un formato o ubicación concretos, y las flechas podrían representar cómo se cambian esos datos a un nuevo formato o ubicación. Modelar cómo fluyen los datos no es lo mismo que modelar cómo podría desarrollarse en el mundo una cadena causal sin datos: el flujo de datos ocurre dentro de un ordenador, y las cadenas causales ocurren fuera de un ordenador.
Lo que puede resultar confuso aquí es que puedes utilizar el flujo de datos para simular acontecimientos que ocurren fuera de un ordenador, como veremos con más detalle en el Capítulo 5. La diferencia clave es que el flujo de datos puede diseñarse como quieras, pero el flujo causal debe representar algún proceso no informático: el ordenador es sólo una simulación del flujo que va de las acciones a los resultados, aunque puedas utilizar algún tipo de datos para simularlo.
El DI no se trata de "decisiones que"
Algo a tener en cuenta: la palabra decisión está un poco sobrecargada. Podemos utilizarla para referirnos a "decisiones que" o predicciones humanas o automatizadas. Por ejemplo, podemos decidir que una determinada foto muestra un gato (clasificación) o predecir que hay un 20% de probabilidades de que un usuario haga clic en un botón (regresión). En DI, la palabra decisión tiene un tercer significado: la elección de realizar una acción con la intención de conducir a un resultado.
El DI no es investigación operativa ni programación lineal
Para algunas decisiones, puedes utilizar las matemáticas de para determinar la mejor acción que conduzca a tus resultados. Si es así, entonces la madura y poderosa disciplina de la investigación operativa tiene grandes respuestas para ti (formalmente, la investigación operativa se centra en métodos analíticos en contraste con el enfoque numérico del DI). Pero la inmensa mayoría de las decisiones no son susceptibles de este enfoque, así que necesitamos algo diferente. Si tienes alguna matemática que funcione para tu decisión, ¡entonces te decimos que vayas a por ella! Pero si no (y sobre todo si las matemáticas no son lo tuyo), entonces este libro es para ti.
El DI no es un análisis de decisiones
Aunque están estrechamente relacionados, DI y el análisis de decisiones (DA) no son lo mismo. He aquí cómo Link describe la diferencia:
Con más de 30 años de historia, el campo del Análisis de Decisiones (AD) abarca la filosofía, la metodología y la práctica profesional para abordar formalmente las decisiones importantes... a menudo en situaciones complejas en las que hay múltiples objetivos y las decisiones deben tomarse bajo incertidumbre.
La DA se solapa considerablemente con el DI, pero con un enfoque particular: proporcionar herramientas y técnicas para que los equipos y los líderes formalicen y estructuren decisiones de alto valor en situaciones complejas. Está menos centrado en la tecnología y los datos que el apoyo a la toma de decisiones, la inteligencia empresarial y el DI, que van más allá de la toma de decisiones y proporcionan herramientas que se utilizan continuamente en una organización.
Aunque se inventó de forma independiente, puedes pensar en el DI como un descendiente natural de la importante disciplina del DA. El DI añade la integración tecnológica, la simulación, los datos y la IA. Es independiente, pero si realmente quieres ser un experto en la toma de decisiones, te recomendamos que le eches también un vistazo a algunos libros de DA.
El proceso de Encuadre de la Decisión del Capítulo 2 da más detalles sobre cómo decidir si tu decisión es adecuada para el DI.
El modelo de madurez del DI
El Modelo de Madurez del DI de la Figura 1-3 recoge una serie de trayectorias por las que las organizaciones mejoran su adopción del DI a lo largo del tiempo.
Figura 1-3. El Modelo de Madurez de la Inteligencia para las Decisiones, versión 1.3.
Al igual que el Modelo de Madurez de la Capacidad de Integración para el software o la ISO/IEC 15504 para los procesos, el Modelo de Madurez DI es una hoja de ruta para mejorar la forma en que una organización hace DI. Muestra los atributos de organizaciones con distintos niveles de madurez. Sin embargo, no te dice cómo "personalizar" los niveles de madurez para que funcionen en tu contexto organizativo específico, ni cómo reconocer si tu organización está preparada para empezar a subir de nivel. ¡Ningún libro puede hacer eso! En su lugar, recurre a las mismas personas de RRHH, gestión del cambio o desarrollo organizativo que pueden ayudarte a comunicar el valor del DI. También pueden ayudarte a llevar a tu organización a un nivel superior de madurez de DI.
El cambiante significado de la "inteligencia de decisión"
Como es habitual en muchos campos nuevos y apasionantes, varias organizaciones -especialmente proveedores de tecnología- han empezado a utilizar el nombre "inteligencia de decisión" con significados incoherentes. Algunas de estas empresas utilizan "DI" de forma coherente con nuestro enfoque (y el de Google), mientras que otras se centran mucho en la tecnología, pero no en las personas o los procesos.
Este manual pretende corregir ese desequilibrio. Para obtener el máximo beneficio de esta nueva e importante disciplina, deben incluirse las tres "patas del taburete": las personas, el proceso y la tecnología.
¿Quién hace DI hoy?
El DI se está aplicando en muchos ámbitos, como la agricultura, las telecomunicaciones, la administración pública, la sanidad, el clima, el espacio, la energía, las ciencias de la tierra y la inversión de riesgo. Como se explica ampliamente en Link, existe una creciente comunidad de práctica del DI: personas y organizaciones apasionadas por el DI que trabajan para mejorar la metodología y desarrollar herramientas. Existe un vibrante mercado de proveedores y organizaciones de DI en todo el mundo, muchos de los cuales son graduados en cursos de DI. Muchos de ellos pertenecen a la categoría de Proveedores de Servicios de Inteligencia para las Decisiones (DISP): expertos en verticales/decisiones específicas que utilizan el DI para llevar sus productos al mercado. Entre las empresas se encuentran Data Innovation.AI, que utiliza el DI para ayudar a los edificios a tomar decisiones sobre la salud de los empleados, CModel, IntelliPhi (recientemente adquirida por una gran consultora de gestión), SatSure y C-Plan.IT; el grupo de encuentro Decision Intelligence Tokyo; y empresas como Astral Insights, Diwo, Pyramid Analytics, Tellius, Peak, Rainbird.AI y Aera. Decision Intelligence News también cubre esta disciplina. Y Trillium Technologies colabora con la Universidad de Oxford y la Agencia Espacial Europea para aportar DI a importantes problemas de gestión del clima.
A medida que cualquier disciplina madura, las certificaciones (como el PMP para los gestores de proyectos o el sistema de cinturones Six Sigma para los gestores de calidad) adquieren importancia para la contratación y la consultoría. Actualmente se están desarrollando varios programas de certificación de DI.
Los Nueve Procesos DI
El núcleo de este libro es un modelo de proceso DI de nueve partes, que se muestra en la Figura 1-4.
Figura 1-4. Visión general de los nueve procesos de DI.
Los nueve procesos están organizados en cinco fases, de la A a la E, que agrupan procesos estrechamente relacionados, con uno o dos procesos por fase. Presentamos la fase y los procesos que la componen, explicamos la terminología y los conceptos, y luego proporcionamos las herramientas que necesitas para ejecutar los procesos: las descripciones de los procesos y las hojas de trabajo que documentan los resultados de los procesos. Algunas fases se tratan en un solo capítulo, mientras que otras requieren dos (uno por proceso). A lo largo del libro, incluimos muchos ejemplos de casos de uso y ejercicios "Pruébalo tú mismo", que te muestran cómo ejecutar y documentar los procesos de esa fase y te permiten practicar lo que has aprendido.
El Capítulo 2 trata de la Fase A, la fase de Requisitos de la Decisión, que establece las expectativas de los entregables del Modelado de Decisiones. En el Proceso A1, Declaración del Objetivo de la Decisión, el cliente de la decisión (la persona que tiene la autoridad y la responsabilidad de la decisión) proporciona una breve descripción de la decisión al equipo de decisión (o individuo) encargado de ejecutar los procesos de DI para esa decisión. En el Proceso A2, Encuadre de la Decisión, el equipo trabaja con el cliente para comprender los requisitos y limitaciones de la decisión y los registra en una hoja de trabajo o Documento de Encuadre de la Decisión.
El Capítulo 3 inicia la Fase B, Modelización de Decisiones, centrándose en el Proceso B1, Diseño de Decisiones. Los requisitos de la decisión son un requisito previo para un modelado eficaz de la decisión, pero el modelado es donde construyes el valor. En el proceso de Diseño de la Decisión, creas tu DDC inicial, el "anteproyecto" de tu decisión.
El Capítulo 4 trata de el segundo proceso de la Fase B: Proceso B2, Investigación de Activos de Decisión. En este proceso, identificas los datos, modelos y experiencia humana existentes que informan la decisión y añades estos activos de decisión a tu DDC.
El Capítulo 5 inicia la Fase C, Razonamiento de la Decisión, en la que utilizarás tu DDC para comprender el comportamiento del sistema y los riesgos asociados a tu decisión. El Proceso C1, Simulación de la Decisión, te permite comprender el comportamiento del sistema causa-efecto subyacente a la decisión: los mecanismos por los que las acciones conducen a los resultados.
El Capítulo 6 continúa la Fase C con el Proceso C2, Evaluación de decisiones. Este proceso te ayuda a gestionar el riesgo.
El Capítulo 7 cubre la Fase D, Acción de Decisión, cuando tú (o la persona que toma la decisión) ejecuta una o más acciones. Estas acciones se basan en tu DDC y en la documentación de apoyo que creaste en procesos anteriores. Ponen en marcha las cadenas de causa y efecto que finalmente conducen a los resultados. El Proceso D1, Monitorización de la Decisión, te permite monitorizar, gestionar, modificar y corregir las cadenas causales de la decisión a medida que se desarrollan, para lograr los resultados que deseas.
Terminamos con el Capítulo 8, sobre la Fase E, Revisión de las decisiones. Esta fase te permite mejorar tus decisiones a lo largo del tiempo e identificar vías de mejora. El Proceso E1, Retención de Artefactos de Decisión, conserva toda la información valiosa (o artefactos de decisión) de tu decisión bien documentada para que puedan servir como puntos de partida o bloques de construcción reutilizables para futuras decisiones. El Proceso E2, Retrospectiva de la Decisión, es el proceso final. Permite a tu equipo reflexionar sobre la decisión actual y aprender de ella. Aquí, te preguntarás si tu proceso de decisión fue acertado, y luego determinarás las posibles mejoras de tu proceso, información, conocimiento y/o modelo.
Conclusión
Si te has tomado la molestia de leer el Capítulo 1, ya sabes de dónde viene el DI, cómo encaja con otras disciplinas y, sobre todo, qué no es el DI. A estas alturas, probablemente estés deseando conocer los detalles de cómo hacer DI. Bien, porque ése es el punto principal del libro. Empecemos por el Capítulo 2, que te guía en el inicio de tu viaje por el DI.
1 L. Pratt y Mark Zangari, "Overcoming the Decision Complexity Ceiling Through Design", diciembre de 2008, Quantellia; L. Pratt y Mark Zangari, "High Performance Decision Making: A Global Study", enero de 2009, Quantellia.
2 Nota para los expertos: por supuesto, la elección de conducir tu coche, coger el autobús o ir andando al trabajo es, estrictamente hablando, una decisión de clasificación. Pero no solemos utilizar la regresión estadística o ML o la clasificación para este tipo de elección. En el fondo, la diferencia está en cómo hacemos esa elección: utilizando datos históricos (clasificación y regresión) frente al razonamiento mecanicista y la simulación, sobre una comprensión del mundo (decisiones de acción a resultado de DI).
3 Cada vez más, incluso los proyectos de toma de decisiones totalmente automatizados utilizan métodos de DI para alinear a los equipos técnicos en torno a las decisiones. Aunque no es el tema principal de este libro, a partir del Capítulo 3 hay material sustancial para apoyar casos de uso totalmente automatizados. Esto es especialmente cierto en los proyectos que necesitan combinar varios modelos de IA en un proceso denominado orquestación de la IA.
4 S. Williams, "El modelado de procesos empresariales mejora el control administrativo", Automatización, diciembre, 1967, 44-50.
5 Ronald A. Howard y Ali E. Abbas, Fundamentos del Análisis de Decisiones, Edición Global (Boston: Pearson, 2015).
Get El Manual de Inteligencia para la Toma de Decisiones now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
