Capítulo 4. Modelización de la Decisión: El proceso de investigación de activos de decisión
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
¿Nos estamos ahogando en datos? El mundo está creando actualmente más de 100 zettabytes (ZB)1 de datos cada año, "aproximadamente el equivalente a que cada ser humano genere una copia entera de la Biblioteca del Congreso cada año", según Marc Warner en Computer Weekly. Pero, ¿nos ayuda realmente? "Si la toma de decisiones basada en datos fuera correcta", añade Warner, "este crecimiento debería conducir a un rendimiento organizativo enormemente mejorado....". ¿Ha ocurrido eso? Está claro que no". ¿Qué está pasando?
Los datos sólo pueden ayudarnos a pensar o a hacer algo con más eficacia si son los datos adecuados, en la forma adecuada y en el momento oportuno. Zettabytes de datos equivocados en la forma equivocada no nos ayudan a cumplir nuestros objetivos; de hecho, los datos pueden estorbar. Por eso muchos responsables de la toma de decisiones suelen decir cosas como: "Por favor, no me envíes datos. Simplemente no me interesan".
La inteligencia de decisión soluciona este problema transformando tus datos en una forma más utilizable. El proceso de Investigación de Activos para la Toma de Decisiones (Proceso B2, ilustrado en la Figura 4-1) es el primer paso en el camino hacia la construcción de una simulación de software del camino o caminos desde las acciones hasta los resultados, para ayudarte a determinar las mejores acciones a emprender. La DDC sirve de "andamiaje" que te muestra dónde apoyan los datos esa simulación. La Investigación de Activos para la Toma de Decisiones comienza con tu DDC inicial y la utiliza como guía de tu investigación para encontrar múltiples activos que puedan utilizarse para informar la toma de decisiones basada en pruebas. En concreto, aquí es donde te preguntarás: "Si cambio el elemento o elementos de la izquierda de esta dependencia, ¿qué ocurre con el elemento de la derecha?".
Figura 4-1. Cómo se relaciona la Investigación de Activos de Decisión con otros procesos de este libro.
Como aprendiste en el Capítulo 3, el Proceso B1, Diseño de la Decisión, se centra en alinearse en torno a los resultados, identificar las palancas que pueden producir esos resultados, comprender los factores externos que influyen en esos resultados y construir las cadenas causales desde las palancas y los factores externos hasta los resultados. El Proceso B2, Investigación de Activos de Decisión, en cambio, se centra en identificar los activos que, en última instancia, te ayudarán a implantar esas cadenas causales en el software. En última instancia, tendrás una herramienta que te permitirá decir: "Si hago estas elecciones de palancas y estas suposiciones sobre los externos, esto es lo que espero medir para este resultado".
Este capítulo te lleva paso a paso por el proceso de utilización y anotación de tu CDD para identificar los activos de decisión -datos y otros tipos de tecnología- que pueden apoyar la simulación que construirás en el Capítulo 5 y facilitar la conversación con tu equipo de datos. Se trata de una conversación muy diferente de las conversaciones más habituales sobre decisiones "de atrás hacia delante". Este trabajo transforma tu "anteproyecto de decisión" en una especificación de "gemelo digital de decisión", lista para la simulación.
Decidir digitalizarse
¿Cuándo merece la pena ir más allá de una DDC y modelizar una decisión en software? La respuesta sencilla es que depende del rendimiento de la inversión (ROI) que esperes obtener de este ejercicio. Puede que descubras -como han hecho algunos de nuestros clientes- que la CDD por sí sola es un beneficio gigantesco, y que tu organización aún no está preparada para dar el siguiente paso. O puede que descubras, después de haber tenido la oportunidad de trabajar un poco con la CDD, que (a) tus clientes que toman decisiones simplemente no "lo entienden" o (b) la decisión es tan compleja y valiosa que crees que va a merecer la pena construir una simulación para ella. Si el sustento de las personas y/o grandes cantidades de dinero dependen de una decisión, entonces nuestros clientes han descubierto que invertir en la implantación de un software de decisión puede merecer la pena. Y, si quieres, puedes "sumergirte en el agua" con una simulación sencilla, a veces llamada de "baja fidelidad", antes de introducir todos los detalles de los datos y los análisis.
Si decides seguir adelante, encontrarás mucha variedad en los niveles de esfuerzo necesarios para identificar los activos de decisión. A veces, tu activo de decisión es muy simple: es sólo el conocimiento de que, si el elemento de la izquierda sube, entonces el de la derecha sube (o baja). Otras veces, puedes identificar un activo de decisión como un modelo estadístico; un modelo ML; un modelo conductual, cognitivo y/o matemático; o la experiencia humana que puede proporcionar información detallada sobre una determinada dependencia. De hecho, una de las preguntas más importantes que responderás en la Investigación de Activos de Decisión es: "¿Dónde está el modelo que informa esta flecha de dependencia?".
Introducción al Proceso B2: Investigación de los Activos de Decisión
Este capítulo muestra cómo los equipos de pueden trabajar con los analistas para identificar los activos de decisión. Aprenderás a utilizar el proceso de Investigación de Activos de Decisión y a mantener un Registro de Activos de Decisión, en el que anotarás los activos y las personas responsables de ellos. En el caso de uso "Pruébalo tú mismo", al final del capítulo, practicarás la identificación de activos, su vinculación a una DDC y su inscripción en el registro.
Quizás quieras echar un vistazo a en el Apéndice para ver una lista completa de cómo pueden utilizarse los datos tanto durante el razonamiento de la decisión como mientras ésta se desarrolla en la realidad. Sin embargo, no necesitas esta lista completa para empezar a recopilar activos de decisión; siéntete libre de empezar sin ella. Básicamente, dice que los datos pueden informar sobre muchos de los elementos de la decisión: proporcionar predicciones o suposiciones sobre los elementos externos, proporcionar rangos esperados para los elementos intermedios y (lo más importante) impulsar los modelos que informan sobre las flechas de dependencia. Estos datos son útiles durante el razonamiento de la decisión y a medida que la acción de decisión se desarrolla en el tiempo.
Este proceso tiene dos objetivos. En primer lugar, te guía en la documentación de los activos de decisión (como datos, conocimientos y submodelos) que más tarde informarán tu simulación. En segundo lugar, te ayuda a identificar los activos que faltan para que puedas priorizar la búsqueda de esos activos o su creación mediante la preparación y recopilación de nuevos datos, la modelización y/o la investigación de iniciativas.
Es habitual que la gente se dé cuenta, a medida que se desarrolla este proceso, de que ha olvidado elementos importantes en su DDC, como un externo que determina el valor de un intermedio. No dudes en añadirlos -recurriendo al Diseño de Decisiones del último capítulo- siempre que los encuentres. Si tu organización lleva un tiempo haciendo DI, puede que descubras que otra persona ha modelado -e incluso simulado- parte de tu CDD, para que puedas ver qué datos y modelos utilizó. Cuanto más utilices el DI y conserves todos los artefactos que crees (véase el Capítulo 8), más podrás basarte en el trabajo de otros y más fácil te resultará.
De activos simples a sofisticados
Al documentar tus activos, probablemente descubrirás que sus grados de precisión están por todo el mapa. Quizá lo único que sepas es que "a medida que este elemento sube, este otro baja". O -un nivel más sofisticado- tal vez puedas dibujar un simple gráfico X/Y(gráfico de esbozo) que muestre cómo se relacionan ambos. En el extremo de la sofisticación, podrías tener una biblioteca de 30 artículos de investigación que traten sobre un activo: por ejemplo, cómo responden los nematodos a diversos tratamientos en diferentes condiciones de suelo y clima. Podrías tener algún programa informático que calcule la dependencia, o una función matemática sencilla o complicada. La Figura 4-2 ilustra activos con distintos niveles de sofisticación de modelado. La Tabla 4-2 enumera los iconos de muchos tipos de modelos sofisticados.
Figura 4-2. Diferentes niveles de sofisticación de los activos que pueden informar de las dependencias.
Documentar los activos de decisión
A medida que identifiques los activos de decisión, te recomendamos que los enumeres en un Registro de Activos de Decisión. Puedes encontrar una plantilla (Fase B, Hoja de Trabajo 2: Registro de Activos de Decisión) en el repositorio de materiales complementarios. La Tabla 4-1 muestra un ejemplo de Registro de Activos de Decisión.
| Elemento de decisión | Activo de decisión | Tipo de activo | Fuente de los activos y contacto |
|---|---|---|---|
| <Aquí, introduce o bien una descripción del elemento de decisión asociado, por ejemplo, "Dependencia del Precio al Volumen", o bien puedes etiquetar el DDC con números, e incluir aquí simplemente ese número, por ejemplo, "(1)">. | <Nombre o descripción del activo de decisión que se va a utilizar, por ejemplo, "Curva Precio/Volumen" o "Modelo denominado PV_33B en el almacén de datos">. | <Puede ser uno de los muchos tipos de activos, como un gráfico esquemático, un conjunto de datos, un modelo econométrico, una observación, conocimientos humanos y muchos más>. | <¿Quién es responsable de mantener/proveer este activo?> |
| <incluye tantas filas en la tabla como activos haya que seguir> |
|
|
|
Anotaciones CDD
A medida que rellenes el registro de activos, es una buena idea anotar tu CDD para indicar los distintos tipos de activos que estás aportando. Por impacto visual, y para evitar abarrotar demasiado el diagrama, tal vez quieras dibujar un icono que indique la naturaleza del activo. La Tabla 4-2 ofrece ejemplos de iconos que hemos utilizado antes, y la Figura 4-3 muestra parte de un modelo de decisión anotado con iconos para unos cuantos tipos de activos diferentes.
| Símbolo | Tipo de activo de decisión |
|---|---|
 |
Modelo matemático (financiero o econométrico) |
 |
Modelo matemático (no financiero ni econométrico) |
 |
Modelo ML |
 |
Modelo estadístico |
 |
Modelo conductual o psicológico |
 |
Gráfico de conocimiento / modelo de inferencia |
 |
Modelo médico |
 |
Modelo gemelo digital (experiencia humana o no humana en un dominio) |
 |
Esquema gráfico que incorpora la experiencia humana |
 |
Pericia humana no incorporada a un modelo o esquema gráfico |
 |
Fuente de datos para datos no incorporados a un modelo o gráfico de croquis |
 |
Fuente de información para la información no incorporada a un modelo o esquema gráfico |
 |
Modelo de movimiento humano basado en agentes |
 |
Sistema de observación, captura de datos, medición o monitoreo |
 |
Restricción |
 |
Suposición (normalmente basada en el conocimiento humano, la intuición o una fuente de información) |
 |
Submodelo de decisión |
Figura 4-3. Subconjunto de un CDD, que muestra varios tipos diferentes de los activos de datos y tecnología que informan su estructura. Este modelo conductual predice cómo la inversión en un programa de marketing para promover el distanciamiento social afectará al cumplimiento del distanciamiento social. El modelo econométrico muestra cómo los precios conducen a la demanda, y el modelo ML predice cómo la inversión en un programa de marketing afectará al cumplimiento de la máscara. Consulta el modelo de decisión completo en la Figura P-2 o en el repositorio de materiales suplementarios.
Teniendo todo esto en cuenta, consulta la "Descripción formal del proceso": Proceso B2: Investigación de activos de decisión" (que incluye rellenar el registro y anotar la DDC), a continuación encontrarás algunas orientaciones sobre cómo hacerlo. Ten en cuenta que este proceso es diferente del paso 12, que consiste en evaluar los conocimientos técnicos, del Proceso B1, Diseño de la Decisión(Capítulo 3), porque supone una DDC completa como entrada al proceso. También se trata de descubrir elementos técnicos que sirvan de puente entre el DDC y un modelo informatizado, no de investigar nuevos elementos para el DDC. Ambos procesos mejoran el DDC, sólo que de formas distintas.
Registro de los activos de decisión
Necesitas registrar más información sobre cada activo de decisión de la que puedes mostrar en una DDC. La forma de registrarla depende de cómo gestione tu organización los datos y el conocimiento. Si gestionas los datos y el conocimiento a nivel departamental, podrías utilizar una hoja de cálculo o una tabla como la Tabla 4-3 como Registro de Activos de Decisión para registrar las ubicaciones y los propietarios de los activos asociados a tus elementos CDD.
Por otra parte, si tienes una arquitectura de gobierno de datos madura, tu léxico puede definir con precisión cada término de datos y documentar la fuente autorizada para obtener o calcular su valor. Puedes hacer referencia a las entradas del léxico en una hoja de cálculo, pero a medida que creas DDC, puedes plantearte crear un léxico de dependencias que documente los elementos que aparecen como intermedios o resultados y sus dependencias, las flechas hacia ellos y los elementos a la izquierda de esas flechas con vínculos a tu léxico de datos para los datos que informan esas dependencias. Esto hace que las dependencias estén fácilmente disponibles para futuras DDC.
Si decides seguir este camino más formal, un léxico de dependencias te permitirá responder a preguntas como "¿Qué resultados organizativos impulsa este dato?", así como a la pregunta que aborda la Investigación de Activos de Decisión: "¿Qué datos y conocimientos afectan a este resultado?". Si tu organización dispone de sistemas, normas y/o procesos maduros de gestión del conocimiento (GC), puedes vincular igualmente tu léxico de dependencias a ellos para las dependencias informadas por el conocimiento humano.
También podrías pensar en investigar cómo los LLM como ChatGPT y/o las herramientas de búsqueda semántica pueden ayudarte a localizar elementos dentro de tu léxico formal: éste puede ser el futuro de la GC, que ahora puede tratar los modelos de decisión como un valioso activo corporativo que almacenar y mejorar continuamente. Podrías utilizar los LLM y la búsqueda semántica para identificar elementos de decisión almacenados en tu base de conocimientos.
Descripción formal del proceso: Proceso B2: Investigación de activos de decisión
- Descripción
Identificar y documentar los datos, la información, los conocimientos humanos y otras tecnologías existentes y ausentes que informan los elementos de decisión en el CDD, como preparación para integrar estos activos en un modelo de decisión informatizado.
- Requisitos previos
La CDD creada durante el Diseño de la Decisión.
Un mandato (normalmente del cliente de la decisión) para crear una simulación automatizada basada en la DDC.
Orientación sobre el tiempo, el esfuerzo y la fidelidad necesarios para este proceso.
Considera la posibilidad de leer el Apéndice.
Crea un Registro de Activos de Decisión en blanco en el que anotar tus hallazgos, o utiliza la Fase B, Hoja de Trabajo 2: Registro de Activos de Decisión, disponible en el repositorio de materiales complementarios, o entiende cómo utilizar cualquier herramienta organizativa que vincule los CDD a tu sistema de gobierno de datos y a tu sistema de gestión del conocimiento.
- Función responsable
Líder del equipo de decisión. Estarán asistidos por personas de dentro y fuera del equipo de decisión que puedan aportar datos, información, modelos, documentos u otras formas de conocimiento humano relacionadas con la DDC.
- Pasos
Lee este proceso y adáptalo, según proceda, a tu equipo.
Examina la DDC que creaste durante el Diseño de la Decisión como primer paso:
Empieza por documentar los "frutos maduros": los activos de decisión que ya has identificado durante la elicitación de la DDC (quizá los capturaste en un "aparcamiento"). Añádelos al Registro de Activos de Decisión.
Pide a tu equipo que vuelva a examinar el DCC e identifique las cadenas causales que, en su opinión, tendrán el mayor impacto en los resultados. Documéntalas, incluyendo palancas, elementos externos, intermedios y/o resultados. Al igual que hiciste con los resultados y las palancas, también podrías preguntar cuáles creen que son las "tres principales" cadenas que marcan la diferencia.
Para cada elemento intermedio y resultado, especialmente los que se encuentran a lo largo de las "tres primeras" cadenas causales, investiga si existe algún modelo o función que informe sobre cómo depende del elemento o elementos inmediatamente anteriores. ¿Qué datos aporta cada elemento al modelo o función? ¿Falta algún elemento externo, palanca o intermediario?
Para cada intermedio, pregunta:
¿Existen restricciones en sus valores permitidos? Esto te servirá de base para la simulación y para el monitoreo de la decisión a lo largo del tiempo.
¿Existen sistemas que observen o midan ese intermedio (como una herramienta BI)?
Añade tus respuestas al Registro de Activos de Decisión, y anota la DDC para que tengas una conexión clara entre cada activo y la ubicación dentro de la DDC a la que se aplica.
Para cada externo, documenta su:
Valor(es) supuesto(s)
Restricciones
Conjuntos de datos relevantes
Observaciones
Sistemas de medición o monitoreo
Modelos (como un modelo predictivo del PIB de la India para los próximos cinco años)
Documenta dónde crees que faltan activos que se necesitan pero que aún no se han obtenido.
- Entregables
Investigación de Activos de Decisión: Una batata CDD impulsa la recopilación de datos y la investigación
Como ya se ha explicado, el proceso de Investigación de Activos de Decisión tiene dos finalidades: identificar los activos existentes y priorizar la recopilación de nuevos datos o la construcción de modelos. He aquí una historia sobre cómo se desarrolló esto en un proyecto reciente.
Hace unos años, los cultivadores de batata de Estados Unidos se enfrentaban a una nueva especie de plaga agrícola transmitida por el suelo llamada nematodo. Básicamente es una especie de gusano feo. Los consumidores al por menor tienden a preferir los productos sin manchas, pero los nematodos les restan atractivo estético. Aunque las patatas sean perfectamente comestibles, este producto "feo" no es apto para la venta al consumidor y debe venderse a un precio mucho más bajo a las conserveras o a los fabricantes de alimentos para mascotas, lo que supone un duro golpe económico para los cultivadores.
Los cultivadores pueden controlar los nematodos de varias maneras. Los métodos más comunes son rotar el cultivo (es decir, plantar un cultivo diferente, como cacahuetes, en un campo con muchos nematodos durante una temporada), aplicar pesticidas, o ambas cosas. Estos dos enfoques tienen costes asociados, y los cultivos de rotación son sustancialmente menos rentables que los cultivos de batata. Elegir el mejor paso a dar constituye una decisión compleja en un entorno volátil, y la decisión puede tener un gran impacto financiero.
Como parte de un proyecto del Departamento de Agricultura de Estados Unidos (USDA) para ayudar a los cultivadores de batata a tomar mejores decisiones utilizando el DI, desarrollamos un modelo de decisión para este problema. Trabajando con un grupo de expertos en batata dirigidos por el Dr. David Roberts y el Dr. Michael Kudenov, junto con la Dra. Adrienne Gorny, fitopatóloga, obtuvimos resultados, palancas y elementos externos; conectamos el CDD; e iteramos unas cuantas veces para asegurarnos de que no se nos había pasado nada importante. El resultado fue el DCC que se muestra en la Figura 4-4.
Figura 4-4. El modelo de los nematodos de la batata, con las funciones indicadas (cortesía del proyecto DECIDE-SMARTER financiado por la Iniciativa de Investigación en Agricultura y Alimentación del USDA, reproducido con permiso).
Tras el proceso de Diseño de la Decisión, pasamos a la Investigación de los Activos de la Decisión. Nuestros expertos nos enviaron varias listas de fuentes de datos. Las cotejamos con el DDC y descubrimos, para nuestra gran sorpresa, que había mucha investigación y datos para apoyar una parte del DDC, pero ninguna investigación en absoluto para apoyar otras partes. En concreto, el eslabón de la concentración de nematicidas (marcado con f5a en la Figura 4-4) y los eslabones de rendimiento, precio y beneficio (marcados con f6 a f13) estaban bien investigados, pero los eslabones restantes tenían muy poca investigación que los respaldara.
Resultó que, sin el CDD para mostrar visualmente la estructura de la toma de decisiones, los investigadores no se habían dado cuenta de que sólo estaban construyendo datos y realizando investigaciones para apoyar algunos de ellos.
Si no te has enfrentado antes a esta situación, quizá te sorprenda que haya ocurrido. A nosotros también nos sorprendió: con tantos datos ahí fuera, ¿cómo es posible que no informen todo el modelo de decisión, y cómo es posible que haya lagunas tan grandes entre lo que necesitan los responsables de la toma de decisiones y lo que se ha investigado? Pero hemos visto que este patrón se repite una y otra vez: los sistemas de datos actuales están diseñados para responder preguntas y proporcionar información, pero no para conectar las acciones con los resultados. Al carecer de la perspectiva acción/resultado, a menudo se quedan cortos.
Así que, volviendo al proceso que nos ocupa: el ejemplo anterior muestra que el análisis de la DDC puede decirte no sólo cuándo tienes activos para respaldar una decisión, sino que también puede indicarte cuándo no los tienes: tendrás que plantearte una nueva investigación, encontrar una nueva fuente de datos y/o utilizar la DDC como un modelo de baja fidelidad por el momento.
Datos para Externos
Anteriormente, aprendiste a investigar los datos de que podrían ayudar a informar sobre las dependencias. Los externos también necesitan datos. Puedes pensar en los externos en cuatro categorías:
Cosas que nunca cambian, como el diámetro de la tierra
Valores que cambian individualmente y que puedes medir, como la temperatura actual
Valores que cambiarán en el futuro y que puedes predecir, como la temperatura máxima de mañana
Conjuntos de valores que puedes predecir para el futuro, como la temperatura máxima diaria de los próximos seis meses
Consejo
A menudo llamamos "suposiciones" o "predicciones" a los valores que cambiarán en el futuro y que puedes predecir para el futuro. Ten en cuenta que la lengua inglesa también utiliza estas palabras para los intermedios y los resultados, por ejemplo: "Predecimos que nuestra empresa aumentará un 20% sus ingresos el mes que viene". Pero ya sabes, como modelador de decisiones, que es muy útil distinguir entre las cosas en las que puedes influir mediante tus acciones (resultados) y las cosas sobre las que no tienes control (externos). Así que te recomendamos que enseñes a tus equipos a utilizar el lenguaje más inequívoco de "intermedios" (o "indicador principal" o "indicador clave del proceso") en lugar de "suposición" o "predicción", para evitar confusiones.
Pero volvamos a las predicciones sobre lo externo. A menudo, los analistas y estadísticos utilizan información sobre el pasado que extrapolan al futuro para hacer este tipo de predicciones. A veces esto funciona, y a veces no.
Por poner un ejemplo famoso, los fabricantes de papel higiénico disponían de años de datos muy estables sobre la demanda de los consumidores frente a la demanda de las empresas. Llevaban años tomando decisiones basadas en datos sobre las líneas de producción y los canales de distribución. Utilizaron sus datos existentes para hacer predicciones sobre cuál sería la oferta y la demanda de papel higiénico en 2020. Sin embargo, debido a la pandemia de Covid-19, ¡sería difícil argumentar que 2020 era "igual" que 2019! Y como muchas de las decisiones tomadas en 2019 se tomaron en 2020, muchas cosas cambiaron, incluidoun aumento del 40% de la demanda de papel higiénico por parte de los consumidores frente a la demanda comercial, por no hablar de las compras de pánico y el acaparamiento. Las cadenas de distribución minorista "justo a tiempo" de las que dependen los fabricantes de papel higiénico para hacer llegar su producto a los consumidores no pudieron soportar el aumento de la carga, y el sistema se rompió. La lección es que los conjuntos de datos grandes y estables sólo son "datos duros" si estamos hablando del pasado. Al hablar del futuro, sólo podemos hacer predicciones.
Estrechamente relacionado con la idea de una predicción está el concepto de una suposición externa. Una suposición es una conjetura sobre el valor de un externo del que no estás seguro, bien porque se refiere a un futuro incierto, bien porque no confías en tu capacidad para medirlo con precisión en el presente. Por ejemplo, nuestros cultivadores de batatas pueden suponer que todos los campos tienen cierta concentración de nematodos, porque deciden que el coste de hacer realmente las pruebas no merece la pena. Todas las predicciones son suposiciones, pero no todas las suposiciones son predicciones.
He aquí algunos tipos de datos que podrías encontrar para ayudarte con los supuestos externos:
Valores específicos o intervalos de valores, como "Se supone que las emisiones de gases de efecto invernadero se sitúan entre 60 y 70 gramos por pasajero-kilómetro de ingresos".
Predicciones y modelos, incluidos los valores numéricos predichos o las distribuciones de probabilidad de modelos matemáticos o ML
Conjuntos de datos, como las temperaturas máximas y mínimas diarias de un lugar concreto durante los últimos 100 años
También puede resultarte útil documentar las restricciones de los externos: rangos o valores que crees que harán imposible alcanzar tus resultados. Por ejemplo: "Si la temperatura sale del intervalo de 0 grados centígrados a 40 grados centígrados durante más de una hora, esta planta morirá".
El caso práctico del juguete rompecabezas: la conversación sobre los activos de decisión
¡Enhorabuena! El nuevo producto de escritorio para ejecutivos de tu empresa -un puzzle tridimensional- ¡está listo para su lanzamiento! Después de que tú y tu equipo celebréis el logro de ese hito, tenéis que decidir cómo llevar vuestro nuevo y reluciente puzzle al mercado.
Tienes que tomar algunas decisiones:
¿Cuánto deberías cobrar por cada puzzle?
¿Cuántas unidades debes pedir para la primera tirada de producción?
¿Qué inversión debes hacer para comercializar el puzzle?
Tienes que someter tus decisiones a la aprobación del equipo directivo, y sabes que querrán pruebas contundentes de que tu plan será rentable y de que tus decisiones no expondrán a la empresa a riesgos inaceptables.
Por suerte, tienes acceso al mejor equipo de analistas y científicos de datos de tu organización y a un software de BI de última generación. Convocas una reunión de "sala de guerra" con tu equipo de analistas para explicarles las tres decisiones y empezar a resolverlas. Los analistas empiezan a llenar tu pizarra con diagramas de lagos de datos. Te hablan del algoritmo de IA que van a utilizar y abren sus portátiles para mostrarte una hoja de cálculo con 20 hojas de trabajo, sus asombrosas herramientas de análisis y las aún más asombrosas perspectivas que ofrecen. Durante la semana siguiente, reúnen su mejor información para crear el cuadro de mandos de la Figura 4-5.
Figura 4-5. Un cuadro de mando para el lanzamiento del producto juguete rompecabezas.
Es bastante impresionante, pero tienes que preguntar: "¿Cómo responde este cuadro de mando a mis tres preguntas?". Los científicos de datos parecen confusos. Como la empresa nunca ha lanzado un producto como éste, no tienen ningún gráfico que pueda conectar tus tres opciones de decisión con el resultado que estás midiendo.
Los científicos de datos están desconcertados y un poco frustrados. La empresa ha gastado mucho dinero en recopilar, preparar y gestionar una vasta colección de datos. Después de todo, "tu decisión es tan buena como tus datos", ¿verdad? Seguro que en algún lugar, en toda esa tecnología, se encuentran las respuestas a estas preguntas aparentemente sencillas. Pero, ¿dónde?
Afortunadamente, al principio del proyecto, utilizaste una DDC para decidir qué tipo de juguete construir. Ahora te das cuenta de que un nuevo CDD puede responder a tus preguntas. Las tres preguntas sugieren tres cosas que controlas, tus tres palancas: precio de venta, tamaño del pedido de producción y gasto en marketing como porcentaje del beneficio. El resultado es fácil: el beneficio. Tu objetivo es maximizar ese beneficio. Con un poco de ayuda de tu equipo, esbozas rápidamente el CDD que se muestra en la Figura 4-6.
Figura 4-6. El CDD de lanzamiento del producto listo para la Investigación de Activos de Decisión.
Ahora estás preparado para mirar en las flechas de dependencia y buscar datos y modelos que las informen. Rápidamente observas que el coste unitario está inversamente relacionado con el tamaño de la orden de producción; cuanto más compras, más barata es cada unidad. También te das cuenta de que no tienes control sobre el coste de producción. Eso lo controla fabricación, un departamento distinto dentro de tu empresa. Así que tienes un nuevo externo: coste unitario frente a número producido. Y tu equipo de análisis tiene datos de fabricación que predicen el coste frente al número de otros productos de juguetes de escritorio. De hecho, está ahí mismo, en el cuadro de mandos que te dieron. Así que ahora has añadido un externo y su conjunto de datos asociado al CDD, como se muestra en la Figura 4-7.
Figura 4-7. Añadir un externo y sus datos asociados.
A continuación examina la relación entre el precio de venta y las unidades vendidas. Las unidades vendidas dependen de otro factor externo, el comportamiento del cliente. Más concretamente, depende de un componente específico del comportamiento del cliente, la demanda frente al precio. Tu equipo de análisis tiene un modelo ML que predice la demanda de productos similares, y lo han representado en el cuadro de mandos gráficamente como Demanda Base, una curva que muestra el índice de penetración en el mercado frente al precio de venta. El índice de penetración en el mercado son las unidades vendidas divididas por el tamaño del mercado. Así que, para entender la relación entre el precio de venta y las unidades vendidas, necesitas otro dato externo, el tamaño del mercado. El equipo de análisis encontró información de marketing que estima el tamaño de tu mercado en 500.000 unidades. La parte "precio de venta a unidades vendidas" de la CDD tiene ahora el aspecto de la Figura 4-8.
Figura 4-8. Añadir externos y datos que muestren la relación entre el precio de venta y las unidades vendidas.
Te das cuenta de que el gasto en marketing también impulsará la demanda, y recurres a la cadena causal que empieza con el gasto en marketing como porcentaje de los beneficios. Necesitas un externo más: el aumento de la demanda frente al gasto en marketing. El equipo de análisis ha proporcionado una función predictiva, representada en el tablero de mandos por el gráfico "Aumento de la demanda impulsado por el marketing". Muestra el porcentaje de aumento de la demanda en función del gasto en marketing. Sumando eso se obtiene el CDD que se muestra en la Figura 4-9.
Figura 4-9. Añadir la subida de marketing externa.
Refinando el CDD para mostrar cada lugar donde se necesitan los datos, se obtiene el CDD anotado de la Figura 4-10.
Figura 4-10. El CDD al final de la Investigación de Activos de Decisión.
Pruébalo tú mismo: Investigación de Activos de Decisión para el Caso de Uso de las Telecomunicaciones
Construiste un DDC en "Pruébalo tú mismo: Diseño de Decisiones para un Caso de Uso de Telecomunicaciones". En esta sección, completarás un pequeño proceso de Investigación de Activos de Decisión para ese caso de uso.
Empezaremos con un enfoque muy sencillo para identificar activos, que consiste en "encontrar" conocimiento dentro de tu propio cerebro sobre las direcciones de algunas dependencias.
En tu siguiente reunión, diriges al equipo de decisión de telecomunicaciones para que lean juntos la descripción del proceso de Investigación de Activos de Decisión. Como primer paso en la revisión del CDD, decides fijarte en las flechas de dependencia. Observas que en la mayoría de las dependencias de este diagrama, cuando aumenta el elemento de la izquierda, también aumenta el elemento de la derecha (son las llamadas dependencias directas). Pides al equipo que busque excepciones: ¿hay alguna dependencia inversa, en la que los cambios vayan en direcciones opuestas? El equipo identifica rápidamente la flecha de "precios" a "volumen" como una dependencia inversa y la marca en el DDC, como se muestra en la Figura 4-11. A continuación, el equipo encuentra otras dos dependencias inversas y las marca en el CDD.
Figura 4-11. El CDD del plan de uso ilimitado con las dependencias inversas anotadas.
Puede que oigas algunos desacuerdos sobre el funcionamiento de ciertas dependencias, como la forma del gráfico de esbozo. Dependiendo del tipo de vínculo, resolverlos requerirá distintos enfoques: un vínculo basado en una simple fórmula puede significar hablar con expertos del departamento financiero, mientras que un vínculo basado en ML puede requerir construir un nuevo modelo. También es posible que quieras capturar distintos conjuntos de activos en dos listas diferentes, de modo que puedas probar ambas para ver si conducen a decisiones diferentes.
Preguntas al equipo si conocen activos existentes que puedan aportar más información sobre alguna de las dependencias de su CDD. Un jefe de producto señala que la relación del precio con el volumen rara vez es una simple línea recta. Para ilustrarlo, crea un gráfico de esbozo rápido como el de la Figura 4-12. Hace la entrada correspondiente en la fila 1 del Registro de Activos de Decisión, como se muestra en la Tabla 4-3.
Figura 4-12. Gráfico esquemático que muestra cómo afecta el precio a la demanda.
| Elemento de decisión | Activo de decisión | Tipo de activo | Fuente de los activos y contacto |
|---|---|---|---|
| Dependencia del precio del volumen | Curva precio/volumen | Esquema gráfico | Joe Smith, Jefe de Producto, Marketing |
| Dependencia del precio del volumen | Resultados de las pruebas de precios al consumo | Modelo ML, basado en un conjunto de datos | Mary Brown, Científica de Datos Sr. Científica de Datos, Grupo ML |
| Palanca de marketing/publicidad | Eficacia histórica de la publicidad | Conocimiento humano | Shanice Johnson, Responsable de Publicidad, Marketing |
| Macroeconomía exterior | Econ. Modelo 1042 | Modelo econométrico | Prof. Sara García, Dpto. UXY |
| Comportamiento de la competencia externa | Inteligencia competitiva | Observación | John Wu, Sr. Analista de Investigación, Marketing |
El experto en ML del equipo responde, hablando por primera vez: "Tengo un conjunto de datos de un producto similar en el que probamos diferentes niveles de precios en varios miles de clientes potenciales con diferentes características. Demuestra que la relación precio-volumen no es una simple línea recta. De hecho, apuesto a que podría utilizar ese conjunto de datos para darte un modelo inicial de cómo las diferentes decisiones de precios cambiarían la demanda del producto, algo así como un estimador de la demanda de precisión basado en el aprendizaje automático." El equipo se alegra de identificar un conjunto de datos existente que podría ser útil para la decisión, y tú etiquetas la dependencia para mostrarlo, como se muestra en la Figura 4-13, al tiempo que haces la entrada correspondiente en el Registro de Activos de Decisión, como se muestra en la segunda fila de la Tabla 4-3.
Figura 4-13. El CDD del plan de uso ilimitado, anotado con activos de decisión.
El director de producto vuelve a hablar, explicando que acaba de enviar un mensaje de texto a una colega del departamento de publicidad y le ha pedido que se pase por allí y se una al grupo. Cuando llega, explica que es de "dominio público" que una campaña de publicidad dirigida convencerá a alrededor del 2% de los clientes potenciales para que se pasen a la empresa que realiza la campaña. Anotas este dato de conocimiento humano en la CDD y añades la tercera fila al Registro de Activos de Decisión.
Ahora pasas a examinar los aspectos externos. Pides al equipo que identifique los supuestos de tus externos y que piense en cualquier activo que pueda respaldar esos supuestos. Un científico de datos recomienda un modelo macroeconómico de acceso público de una universidad cercana (fila 4 del Registro de Activos de Decisión); alguien de marketing explica que su departamento incluye un grupo de investigación de la competencia que sabe inmediatamente cuándo un competidor lanza un producto similar (fila 5 del Registro de Activos de Decisión). Se trata de una observación que puedes utilizar para seguir el comportamiento de la competencia.
Añades los activos al CDD como se muestra en la Figura 4-13 y felicitas al equipo por su trabajo, pero observas que no han encontrado todos los activos de decisión posibles. Acabas de hacer la pasada inicial, que sólo busca los activos fáciles de encontrar: la "fruta al alcance de la mano". Más adelante harás otra pasada para buscar cualquier activo de decisión adicional que necesites para construir una simulación de decisión o tomar la decisión; también podrías enviar el CDD a otras personas de la empresa para que aporten su experiencia. Incluso podrías asignar a un becario la búsqueda de activos potenciales para apoyar la DDC.
Conclusión
En este capítulo sobre el Proceso B2, Investigación de Activos de Decisión, has aprendido a empezar a recopilar una lista de activos que te ayudarán a construir un modelo informático de cómo las acciones conducen a los resultados y, en última instancia, a trabajar codo con codo con un ordenador para determinar las mejores acciones a elegir. Has capturado esos activos anotando el DDC del Capítulo 3 y enumerándolos en un registro de activos. En el Capítulo 5, utilizarás el registro y el DDC anotado para ayudarte a simular y hacer un seguimiento de las decisiones.
1 Es un número muy, muy grande: 1.000.000.000.000.000.000.000 (1021) bytes.
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.
