Una introduccion a las decisiones basadas en datos para gerentes que no les gusta la matematicas

Una introducción a las decisiones basadas en datos para gerentes a quienes no les gustan las matemáticas.

No pasa una semana sin que publiquemos algo aquí en HBR sobre el valor de los datos en los negocios. Big data, small data, interno, externo, experimental, observacional: dondequiera que miremos, la información se captura, cuantifica y utiliza para tomar decisiones comerciales.

No todo el mundo necesita convertirse en un cuanto. Pero vale la pena repasar los conceptos básicos del análisis cuantitativo, a fin de comprender y mejorar el uso de los datos en su negocio. Hemos creado una lista de lectura de los mejores artículos de HBR sobre el tema para comenzar.

¿Por qué los datos son importantes?

Las empresas están limpiando datos para tomar mejores decisiones sobre todo, desde el desarrollo de productos y la publicidad hasta la contratación. Andrew McAfee y Erik Brynjolfsson describieron la oportunidad e informaron que “las empresas en el tercio superior de su industria en el uso de decisiones basadas en datos fueron, en promedio, un 5% más productivas y un 6% más rentables que sus competidores ”incluso después de tener en cuenta varios factores de confusión.

Esto no debería ser una sorpresa, argumenta McAfee en un par de publicaciones recientes. Los datos y los algoritmos tienden a superar a la intuición humana en una amplia variedad de circunstancias.

Escoger las métricas correctas

"Hay una diferencia entre los números y los números que importan", escribe Jeff Bladt y Bob Filbin en una publicación del año pasado. Uno de los pasos más importantes para comenzar a tomar decisiones con datos es elegir las métricas correctas. Las buenas métricas "son consistentes, baratas y rápidas de recopilar". Pero lo más importante es que deben capturar algo que a su negocio le importa.

La diferencia entre analítica y experimentos.

Los datos pueden provenir de todo tipo de fuentes, incluidas las encuestas de clientes, el software de inteligencia empresarial y la investigación de terceros. Una de las distinciones más importantes para hacer es entre análisis y experimentos. El primero proporciona datos sobre lo que está sucediendo en un negocio, la última prueba activamente diferentes enfoques con diferentes segmentos de consumidores o empleados y mide la diferencia en la respuesta. Para obtener más información sobre para qué se puede usar la analítica, lea el artículo 2013 de HBR de Thomas Davenport, Analytics 3.0. Para más información sobre la ejecución de experimentos exitosos, pruebe estos dos artículos.

Haga las preguntas correctas de los datos.

Aunque el análisis estadístico se dejará a los analistas cuantitativos, los gerentes tienen un papel fundamental que desempeñar al principio y al final del proceso, al estructurar la pregunta y al analizar los resultados. En el artículo de 2013 "Manténgase al día", Thomas Davenport enumera seis preguntas que los gerentes deberían hacer para rechazar las conclusiones de sus analistas:

1. ¿Cuál fue la fuente de sus datos?

2. ¿Qué tan bien representan los datos de la muestra a la población?

3. ¿Su distribución de datos incluye valores atípicos? ¿Cómo afectaron los resultados?

4. ¿Qué supuestos hay detrás de tu análisis? ¿Podrían ciertas condiciones hacer que tus suposiciones y tu modelo sean inválidos?

5. ¿Por qué decidiste sobre ese enfoque analítico en particular? ¿Qué alternativas consideraste?

6. ¿Qué tan probable es que las variables independientes estén realmente causando los cambios en la variable dependiente? ¿Podrían otros análisis establecer la causalidad más claramente?

El artículo ofrece una introducción a cómo encuadrar preguntas de datos también. Para un recorrido más corto sobre cómo pensar como un científico de datos, intente esta publicación aplicando un razonamiento estadístico muy básico al ejemplo cotidiano de las reuniones.

Correlación vs. causa y efecto

La frase "la correlación no es una causalidad" es un lugar común, pero no es tan fácil averiguar qué implica en el contexto empresarial. ¿Cuándo es razonable actuar sobre la base de una correlación descubierta en los datos de una empresa?

En este post, Thomas Redman examina el razonamiento causal en el contexto de su propia dieta, para dar una idea de cómo funciona la causa y el efecto. Y David Ritter de BCG ofrece un marco para decidir cuándo la correlación es suficiente para actuar aquí:

[pic 1]

Conocer los fundamentos de la visualización de datos.

Regla # 1: No más círculos de basura. Para decidir cómo mostrar mejor sus datos, haga estas cinco preguntas. Asegúrate de navegar por algunas de las mejores infografías de todos los tiempos. Y antes de presentar sus datos al tablero, consulte esta serie sobre cómo persuadir con datos. (No olvides contar una buena historia.)

Aprender estadisticas

Hace un par de años, Davenport declaró en HBR que los científicos de datos tienen el trabajo más sexy del siglo XXI. ¿Su consejo para el resto de nosotros? Si no tiene una comprensión pasajera de las estadísticas introductorias, podría valer la pena un repaso.

Eso no tiene por qué significar volver a la escuela, como aconseja Nate Silver en una entrevista con HBR. "El mejor entrenamiento casi siempre será el entrenamiento práctico", dice. "Creo que ensuciarse las manos con el conjunto de datos es mucho mejor que pasar demasiado tiempo leyendo y así sucesivamente".

Análisis de negocio

El análisis de negocios ( BA ) se refiere a las habilidades, tecnologías, prácticas para la exploración iterativa continua y la investigación del desempeño empresarial anterior para obtener una perspectiva e impulsar la planificación empresarial. [1] El análisis de negocios se enfoca en el desarrollo de nuevos conocimientos y comprensión del desempeño del negocio basado en datos y métodos estadísticos . En contraste, la inteligencia de negocios tradicionalmente se enfoca en el uso de un conjunto consistente de métricas para medir el desempeño pasado y guiar la planificación de negocios, que también se basa en datos y métodos estadísticos. [ cita requerida ]

...