El directivo analítico

Wednesday, September 5, 2018

El directivo analítico

Post escrito por Enrique Dans, experto en tecnología y profesor de innovación en IE Business School.

La dirección de empresas, entendida como los procesos de toma de decisiones que dirigen las acciones de una compañía, es una disciplina que, tradicionalmente, se ha tratado de desarrollar mediante el entrenamiento del sentido común, de la experiencia. Un directivo con experiencia se supone habitualmente más valioso que uno carente de ella sobre todo por esa supuesta capacidad de aplicar una intuición más desarrollada, más rodada en situaciones similares, en muchos casos reforzada mediante estudios que recurren al llamado método del caso, especialmente popular en las escuelas de negocio, para simular esas situaciones.

mujer y hombre trabajando en portatiles
Figura 1. Aunque la inteligencia artificial no sustituya a los directivos, los directivos que utilicen inteligencia artificial sí sustituirán a los que no lo hacen




El llamado gut feeling, esa intuición o instinto, es una cualidad muy valorada en un directivo. El mítico jugador de golf sudafricano Gary Player utilizaba una frase de autoría muy disputada, “the harder I practice, the luckier I get”, cuando alguien hacía referencia a la suerte como supuesto ingrediente de sus golpes más exitosos: suerte, sí, pero si quieres tenerla a menudo, desarróllala con la práctica y el entrenamiento. Otros, como Malcolm Gladwell en su libro “Outliers”, afirman que son necesarias diez mil horas de práctica para convertir a alguien en un experto de clase mundial. 

Esa glorificación y prestigio de la experiencia han dotado a la dirección de empresas de un mítico halo similar al de los magos, capaces de generar importantes beneficios con un supuesto movimiento de su varita. Sin embargo, la gran verdad es que por cada decisión acertada que convierte a una compañía en una referencia citada en los libros de management, hay infinidad de historias menos conocidas de otras compañías que han fracasado estrepitosamente con otras decisiones - o a menudo, decisiones similares - tomadas con la misma intuición o instinto. En gran medida, y lo dice alguien que lleva veintiocho años trabajando en una de las mejores escuelas de negocio del mundo, el management sigue teniendo pendiente una revolución que lo convierta en una disciplina razonablemente científica. 

¿Podemos esperar que la tecnología convierta en obsoletos esos procesos de toma de decisiones, y termine relegando el trabajo directivo al ámbito de los algoritmos y las máquinas? No, nada indica que sea así. El trabajo directivo se compone, en general, de un número suficientemente elevado de habilidades, circunstancias y contextos como para situarlo dentro de eso que denominamos “inteligencia general”, no susceptible - al menos todavía - de ser encuadrada en una serie de reglas fijas que proporcionen resultados  razonablemente repetibles. Sin embargo, como bien afirman Erik Brynjolfsson y Andrew McAfee en “The business of artificial intelligence”, lo previsible es que, a lo largo de la próxima década, aunque la inteligencia artificial no sustituya a los directivos, los directivos que utilicen inteligencia artificial sí sustituyan a los que no lo hacen. 

Plantearse un proyecto de machine learning implica, en gran medida, ser capaz de avanzar en ese camino. Los proyectos comienzan con la definición de sus objetivos: queremos que un algoritmo sea capaz de llevar a cabo predicciones lo más correctas y certeras posibles, que detecte patrones de posibles anomalías o fraudes, que analice grandes cantidades de datos como los producidos, por ejemplo, en redes sociales, o un cada vez más largo y prolijo etcétera. Para muchos directivos, el primer problema empieza realmente ahí: no son capaces de imaginarse un proyecto de machine learning, simplemente porque no entienden lo que este tipo de tecnología es capaz de hacer. 

Pero tras la definición de objetivos, comienza la verdadera travesía del desierto de este tipo de proyectos: la compilación de datos, que habitualmente no fueron recopilados o lo fueron en bases de datos relacionales, la transformación de esos datos para hacerlos compatibles con la explotación analítica que pretendemos utilizar, y la ingeniería necesaria para definir atributos o contextos relativos a esos datos. Si la definición de objetivos puede suponer en torno a un 10% del esfuerzo dedicado a la mayoría de los proyectos de machine learning, esta segunda fase llega a suponer hasta un 80% de ese esfuerzo. 

A partir de ahí, la fase de creación de modelos y obtención de predicciones resulta mucho más accesible y sencilla: las herramientas para ello se están haciendo cada vez más visuales, sencillas y fáciles de manejar. La fase que antes era característica de los científicos de datos, de perfiles difíciles de atraer y retener, ha reducido su complejidad hasta representar aproximadamente un 5% del esfuerzo de un proyecto. Finalmente, la fase final, la de evaluación de los resultados obtenidos, tiende a consumir el 5% restante. 

Para una compañía y para sus directivos, invertir en este tipo de proyectos supone familiarizarse con lo que va a constituir la arquitectura de los negocios en un futuro que se ve cada día más cercano. Cuando se dice que los directivos que sean capaces de manejarse con herramientas y proyectos de machine learning sustituirán a los que no sepan hacerlo, se está afirmando también que las compañías que adopten esa tecnología, superarán en competitividad y terminarán echando fuera de sus mercados a aquellas que pretendan seguir gestionándose con herramientas de management tradicionales, con las que se utilizaban antes de que el management cambiase de era. 

Esa es la verdadera dimensión del cambio, la que es cada vez más apremiante entender. Si aún no está preparado para pasar de directivo intuitivo o instintivo a ser capaz de suplementar esas capacidades con la analítica, a convertirse en directivo analítico, ándese con cuidado. Los tiempos han cambiado ya.


No comments:

Post a Comment