Pensamiento Administrativo: Toma de decisiones: ¿Con matrices simples o modelos predictivos complejos?

2017-02-01

Toma de decisiones: ¿Con matrices simples o modelos predictivos complejos?

Matrices estratégicas frente a modelos predictivos complejos.

Por Ignacio Gavilán.

Blue Chip.

Toma de decisiones: ¿Con matrices simples o modelos predictivos complejos?

Desde hace ya varios años, entre el arsenal de herramientas del análisis estratégico y también el análisis de posicionamiento de productos e incluso de personas, se intenta entender realidades complejas mediante el uso de modelos simples.

Modelos simples

En muchas ocasiones, estos modelos simples adoptan la forma de una matriz de cuatro cuadrantes. Se establecen dos ejes de coordenadas con dos atributos ortogonales y una clasificación ambigua del tipo alto / bajo. Cada eje se subdivide en dos y el cruce de ambos genera cuatro cuadrantes... una matriz simple. Según los modelos, a cada uno de esos cuadrantes se le asigna una forma de tratar los elementos que en ella se encuadran o bien, simplemente se clasifican los elementos en uno de esos cuadrantes.

Por si esto deja más claro de qué estamos hablando, recordemos, por ejemplo, el análisis DAFO de posicionamiento estratégico, la matriz del Boston Consulting Group para el análisis de una cartera de productos o el cuadrante mágico de Gartner para clasificar empresas y/o productos en un cierto campo.

En áreas ya no ligadas al análisis estratégico o de mercado, podríamos, y sólo por poner algún ejemplo, citar la matriz Eisenhower para la gestión del tiempo o la ventana de Johari acerca de la personalidad y su manifestación exterior.

Existen otros modelos que simplifican la realidad aunque no adopten la forma de matrices. Mencionemos, por ejemplo, el modelo de las 5 fuerzas o el de la cadena de valor de Michael Porter para el análisis estratégico o la famosa pirámide de Maslow sobre necesidades y motivaciones.

En todos los casos, la táctica es hacer modelos muy simples, reducir una realidad tremendamente compleja a representaciones simplificadas que nos permiten entender, analizar, clasificar y decidir cursos de acción más o menos genéricos. En cierto sentido, en su simplicidad reside precisamente su virtud.

Modelos complejos

Hoy día, con el explosivo auge de las tecnologías de la información, con el espectacular crecimiento de las capacidades de computación y con el desarrollo de algoritmos complejos de análisis y explotación de la información, se nos pueden estar abriendo posibilidades nuevas.

Existen un arsenal de técnicas, algunas novedosas, otras no tanto que, si bien precisan de unas capacidades computacionales elevadísimas, son capaces de proporcionar resultados fiables, basados en datos reales y con entradas complejas. Estaríamos hablando, desde técnicas más tradicionales como los modelos econométricos o las redes neuronales, a técnicas más modernas como el análisis de redes complejas o la explotación del denominado Big Data.

Al explosivo aumento de las capacidades de computación se une la ubicuidad de terminales que pueden actuar como sensores, en el sentido de servirnos como puntos de generación, recogida o medida de información. No es ya sólo la generalización del uso del ordenador personal, ni siquiera se trata sólo del espectacular aumento del uso de smartphones o tablets, que añaden a sus capacidades de procesamiento y comunicación, la posibilidad de geolocalización.

Es que, a todo esto se añaden Terminales Punto de Venta, medios de pago, máquinas de check-in o vending y un sin fin de dispositivos que pueden recoger y transmitir información. El desarrollo del M2M, del Internet de las cosas, hace que, incluso, elementos y sensores que antes estaban fuera del flujo general de información, se unan a él.

Se conjugan además, por un lado, la recolección de ingentes cantidades de datos de tipo numérico/objetivo mediante sensores y terminales, a la obtención de datos de comportamiento o preferencia mediante análisis de navegación, resultados de compras o interacciones sociales.

¿Qué tenemos, pues? Tenemos tres cosas:

Datos muy ricos y muy abundantes
Grandes capacidades de computación
Algoritmos capaces de analizar la complejidad y obtener conclusiones

En ese contexto ¿para qué necesitamos la simplificación? ¿Por qué recurrir a modelos simplificados y no apostar directamente por el análisis complejo?

El valor de los modelos simplificados

Más o menos, esto es lo que se preguntan Mikael Krogerus y Roman Tschäppeler al final de su libro 'El pequeño libro de las grandes decisiones'. Se trata de un libro que, precisamente, recoge y explica brevemente, decenas de modelos simplificados, incluyendo varios de los citados en este artículo. En ese sentido, resulta paradójico que, justo al final, en el momento, digamos, de la despedida, se planteen este tipo de cuestiones. Sin embargo, la pregunta parece pertinente.

¿Cómo contestan los autores a la cuestión que ellos mismos plantean? Veámoslo:

"¿Esto quiere decir que usted puede olvidar todos los modelos que ha aprendido en este libro? No. La aplicación de los modelos de antaño no se debe subestimar. Nos ayudan en un mundo caótico a ordenar, reducir y establecer puntos clave. Quienes sepan qué modelos emplear, aunque reflejen sólo una parte simplificada de la realidad, pueden sacar un buen provecho de ellos."

Creo que los modelos simplificados mantienen su valor en muchos aspectos.

En primer lugar, la capacidad humana de comprensión sigue siendo limitada, por lo que, en el ámbito del aprendizaje, la comunicación y la comprensión, siempre serán valiosos esos modelos simplificados.

Por otro lado, no existen, al menos actualmente, modelos y capacidades de cálculo para entender cualquier fenómeno. En aquellos ámbitos que por novedosos, por complejos o por cualquier otra razón, no existan modelos de predicción complejos, los modelos simplificados siempre darán un primer paso muy importante hacia la comprensión del fenómeno y el soporte a la decisión.

Finalmente, incluso existiendo modelos complejos de predicción, éstos pueden no estar a nuestro alcance en un momento o circunstancia dadas. En esas situaciones, un modelo sencillo siempre lo podremos llevar con nosotros.

Por todo ello, las matrices estratégicas o, de forma más general, los modelos simplificados, conservan su valor. Eso no obsta para continuar desarrollando, adoptando y confiando de forma creciente en los modelos complejos basados en datos que, una vez refinados y maduros, parece que nos deben proporcionar diagnósticos, predicciones y propuestas mucho más confiables.

Como en tantos ámbitos, debemos elegir la herramienta, en este caso el modelo, más adecuado a la circunstancia.

lunes, 9 de enero de 2012

Ignacio G.R. Gavilán

Ingeniero Industrial, MBA y PMP. Profesional del sector de las TIC. Negocio digital, Sociedad digital, Servicios TIC, Dirección Proyectos, Social Media, Liderazgo 2.0. Aficionado a literatura y deportes. Mis valores: honestidad, compromiso y conocimiento.
Ignacio Gonzalez de los Reyes Gavilan
Ingeniero Industrial, MBA y PMP. Profesional del sector de las TIC. Negocio digital, Sociedad digital, Servicios TIC, Dirección Proyectos, Social Media, Liderazgo 2.0.
Gerente de Soporte Operación Transversal en Telefonica de España.
Madrid y alrededores, España .
Telecomunicaciones .
Anterior: Telefónica España, Telefonica Soluciones, Telefónica Investigación y Desarrollo.
Educación: IE Business School.
https://es.linkedin.com/in/igrgavilan/es

Licencia:
No especificada.

-----------------------------

Fuente: Blue Chip
Imagen: Decision making models
2013.09.18
....
Del mismo autor:
Ignacio Gavilán: