Data Driven vs Gut Driven

By Pedro Pablo Valdebenito Petersen, CRO Mapoteca

Muchas empresas están empezando a definirse como Data Driven en el mundo. Muchas quieren ser Data Driven y que sus equipos tomen decisiones basándose en los datos, pero ¿están todas preparadas para ser Data Driven? ¿Tienen, los ejecutivos en Chile, un mindset que les permita ser Data Driven?

Qué es ser Data Driven?

En primer lugar, hay que explorar qué es ser Data Driven y qué es lo opuesto como para entender un amplio espectro desde donde estamos hasta donde se quiere llegar. Al buscar en Google “Data Driven”, el primer link nos lleva a una página que define “Cuando una compañía emplea un enfoque “data-driven”, significa que toma decisiones estratégicas basadas en análisis de datos e interpretaciones”. (Source: https://www.atinternet.com/en/glossary/data-driven/).

Qué NO es ser Data Driven?

Al contrario de lo que definimos anteriormente, no ser Data Driven significa tomar decisiones estratégicas basadas en instinto, intuición y conocimiento del negocio adquirido por la experiencia. Nosotros, para efectos de esta columna, hemos definido a estas personas como Gut Driven.

Qué implica ser Data Driven?

Esta pregunta se puede responder desde distintas perspectivas: a nivel personal y a nivel organizacional.

A nivel personal, una persona que se define como Data Driven, como ya vimos, es aquella que usa datos y los interpreta para tomar decisiones estratégicas. Normalmente, no disponemos de muchos datos que nos ayuden a tomar decisiones estratégicas y tácticas a nivel personal — no sé qué datos podrían respaldar el usar una camisa celeste en vez de una verde, pero, dejándonos de bromas, hoy en día tenemos mayor acceso que nunca a corrientes de información, a través de las cuales podemos extraer muchos datos que nos ayuden. Por ejemplo, si quiero crecer mi carrera, puedo informarme e incluso educarme en ámbitos específicos que me ayuden a cumplir mi plan personal de desarrollo. Generalmente, alguien Data Driven es quien tiene a la mano su smartphone y anda contrastando la realidad con Google y lo que no sabe lo averigüa y, así. Sin embargo, la línea suele ser delgada, ya que, sabemos, que un mar de información a veces puede ser confuso y llevarte a la inacción, como también puede traer información falsa. Por tanto, el desafío de ser Data Driven es saber cuándo, cómo buscar y dónde buscar información/datos para tomar mejores decisiones y no quedar atrapados en la telaraña que teje el mar de información dispuesto en un sinfín de sitios web que Google arroja con una simple búsqueda y, al mismo tiempo, desarrollar el instinto de chequear diversas fuentes de información para no caer en creer información falsa o errónea.

A nivel organizacional, no hay mucha diferencia. Lo que cambia es la escala. Una organización que aspira a ser Data Driven debe tener una estructura apropiada para esto y, además, una cultura que soporte el hecho de ser Data Driven. Hoy en día, es muy fácil ver cargos importantes asociados al manejo de datos, una estructura y un ejército de gente dedicada no sólo a la extracción, sino también al almacenamiento, ordenamiento y procesamiento de los datos. Sin embargo, la clave está en que la cultura sea la base sobre la cual se sostiene la decisión de ser Data Driven, ya que, de otro modo, el hecho de ser Data Driven no será más que una declaración de buenas intenciones — es como declarar que se quiere ser sostenible, pero tomar decisiones en sentido contrario, ejemplos abundan. La cultura de ser Data Driven debe vivirla y respetarla toda la organización para que el área de datos, cada vez que presente y trabaje los datos no sean objetivo de críticas sesgadas basadas en experiencias anteriores o en el instinto. Por lo tanto, si no logramos impactos a nivel cultural es muy probable que la transición a ser una empresa Data Driven no se ejecute con éxito y los ejecutivos que trabajan con los datos se vean enfrentados a la paradoja que describiremos a continuación.

Paradojas que existen cuando uno quiere ser Data Driven pero la organización no está lista.

En Mapoteca hemos sostenido muchas reuniones con distintos ejecutivos de distintas organizaciones en diferentes industrias y países. Muchos de ellos se definen o aspiran a ser Data Driven, por lo que están dispuestos a tomar decisiones estratégicas basadas en los datos e interpretaciones. Sin embargo, cuando se ven enfrentados a la cruda realidad y hay un dato que no confirma una teoría previamente elaborada reculan y vuelven a parafrasear la pregunta, empiezan a cuestionar los datos, piden que se haga un nuevo análisis, etc. Ser Data Driven no es asumir que los datos sean buenos o malos, que estén bien o mal calculados o estructurados, simplemente es asumir que los datos son los datos y con ellos tratar de elaborar una estrategia dejando nuestros sesgos de lado. Por lo tanto, no hay que esperar que los datos confirmen nuestras presunciones, ya que esto es peligroso porque vamos a buscar la manera de que los datos digan lo que queremos que digan en vez de reflejar la realidad. Quizás el sesgo que más interfiere es el de la confirmación, debido a que, como hemos visto, en vez de llegar con ojos frescos y una mente abierta a revisar los datos, inevitablemente, llegamos con alguna explicación que nace desde la intuición y la experiencia, por lo que esperamos que los datos confirman nuestra teoría. Daniel Kahneman en su libro “Pensar despacio, pensar rápido” resume brillantemente cómo estos sesgos nos juegan una mala pasada en diversas situaciones a través de muchos ejemplos y experimentos muy ilustrativos.

Ejemplo de mentalidad Data Driven. Caso: Cliente Londres.

Estaba en una reunión con un cliente en Londres, nos pidieron hacer un ejercicio de testear el flujo peatonal en una de las calles de retail más concurridas y “posh” (exclusivas) de Londres: Oxford Street. La tienda en cuestión se llama H Samuel.

Comenzamos revisando el Trade Market Area que abarcaba la zona centro norte de Londres, muy en línea con los estratos socioeconómicos que uno pudiera pensar que representaba ese sector exclusivo de la ciudad. La tienda H Samuel había sido capaz de atraer flujo de sectores acomodados de Londres y los “borough” (municipios o barrios) menos acomodados no se habían interesado por ir. Por lo tanto, los datos, al ir confirmando las teorías preconcebidas, de una u otra forma, empiezan a hacer más sentido en la mente de mi contraparte. Empezamos a conversar de niveles de ingreso de visitantes, origen y destino más a nivel de detalle y, hasta el momento todo bien. Mucha información y muchos datos para sólo un día de datos de movilidad.

Source: Mapoteca, 2021.

Así las cosas, decidimos seguir avanzando en nuestra reunión y pasamos a ver el dato más esperado por el cliente: cantidad de peatones que visitaron la tienda en un día. Naturalmente, usamos datos de un mes complejo, ya que fue en plena pandemia donde hicimos la medición donde las restricciones de movimiento estaban en su peak. La medición nos arrojó un resultado cercano a 38.000 visitantes. Todos tenemos la sensación de que era un número bajo, ya que Oxford Street es la calle más visitada de Londres. Sin embargo, ¿cuál fue la reacción del cliente? ¿Qué fue lo que dijo al verse enfrentado a un número desconocido y, aparentemente, fuera de toda lógica? Primero, veamos un poco más de números respecto de Oxford Street en periodo normal. En promedio, Oxford Street atrae aproximadamente 13.560 peatones por hora en periodo normal, según indica Statista en reporte hecho considerando información disponible para el año 2017 (fuente: https://www.statista.com/statistics/892746/leading-shopping-streets-by-footfall-united-kingdom-uk/) . Si consideramos 12 horas, tendríamos que en un día Oxford Street es capaz de atraer 162.720 peatones. ¿Cómo se relaciona esta información que considera datos para un recorte geográfico que abarca toda la calle comparado con una sola tienda que tiene un espacio dentro de varias cuadras de calle?

En el link que presentamos a continuación podrán ver el mapa de Londres con el ejercicio que hicimos para este cliente en particular:

La reacción del cliente fue impresionante. En Chile, creo que me hubiera visto enfrentado a un comentario “es imposible” o “lo calcularon bien” y, así, una larga lista de posibles comentarios. El cliente nos miró con extrañeza y dijo “bueno, esos son los datos”. Para poder contrastar el dato que le entregamos, empezamos a buscar más información al respecto y llegamos a un reporte que indicaba que Oxford Street fue la calle que más perdió tráfico peatonal en todo Europa durante la pandemia y la que más se ha demorado en recuperar. Además, se indicaba que en los periodos más críticos de la pandemia Oxford Street registró una baja en el tráfico peatonal cercana al 75% en promedio con peaks de -95% y -89% en abril del 2020 y enero del 2021, respectivamente (fuente: https://www.retail-week.com/stores/data-oxford-street-europes-hardest-hit-high-street-by-covid/7039905.article?authent=1) . Si cruzamos estos datos con los anteriores que teníamos, nos damos cuenta que en periodo de pandemia el flujo peatonal en Oxford Street en el día puede llegar a un aproximado de 40.680 personas en la calle completa, lo que está muy en línea con los datos entregados respecto del flujo peatonal de una tienda que es una sección de la calle. Por lo que el comentario del cliente “bueno, esos son los datos” no sólo hace mucho sentido, sino también nos invita a reflexionar sobre lo que es realmente ser Data Driven.

Conclusión

Nuestro cerebro funciona de una forma muy particular a través de respuestas emocionales y respuestas racionales. Distintos estudios confirman que la respuesta racional es mucho más lenta que la respuesta emocional, por lo que, las emociones gobiernan las etapas tempranas de nuestras respuestas cerebrales. Ser Data Driven implica hacer una pausa y respirar para reflexionar una vez que estamos expuestos a los datos, dejando atrás las emociones que pudieran despertar las visualizaciones o los dashboards (imagen un dashboard con semáforos y varias celdas en rojo). Es ahí, cuando hacemos una pausa y dejamos atrás nuestras emociones y sesgos — resumamoslo en teorías preconcebidas — cuando florece nuestro razonamiento y echamos a andar nuestro pensamiento crítico. Sólo ahí es cuando podemos ser Data Driven y dejar de ser Gut Driven, sólo ahí cuando en medio de la tormenta nos situamos en el ojo del huracán para dar sentido a los datos. Ser Data Driven implica ir mucho más allá en la toma de decisiones, es saber cuándo escuchar a nuestras emociones y cuándo no, es saber cuándo hacer una pausa y cuándo no. Finalmente, es un hábito de que debemos ir entrenando para convertirnos en mejores tomadores de decisiones y, al mismo tiempo, poder tomarlas en un rango de tiempo razonable, entendiendo que siempre habrá más datos y más información disponible, pero, quizás, en el momento de la decisión no podremos acceder a toda la información disponible.

Finalmente, los datos nunca van a reemplazar a quienes toman las decisiones, ni tampoco a la experiencia previa. Sin embargo, debemos encontrar un balance, ya que los datos son — debieran ser- libres de sesgos y, así, ayudan a acotar el espectro de búsqueda de una solución.

El algoritmo WeLokAt de Mapoteca es un gran ejemplo de este balance que representa la forma de trabajar sin dejar de lado la experiencia y el instinto, y al mismo tiempo ser Data Driven. En simple, WeLokAt considera información de más de 50 variables territoriales para estudiar una ubicación específica en la ciudad, en base a este análisis forma un patrón, el ADN de la ubicación y, luego, analiza ciudades o países completos en busca de otros lugares en los que se replica dicho patrón y, en base a esto, establece una nota de 0 a 1, siendo 0 nada parecido y 1 igual. Por tanto, nos entrega una visión holística de la ciudad con aproximaciones sumamente certeras respondiendo en qué otras ubicaciones podría replicar lo que ocurre en una ubicación determinada. En consecuencia, así los equipos de expansión pueden centrar su búsqueda de nuevas sucursales considerando sólo aquellas ubicaciones que WeLokAt arroje con nota mayor a 0.85, por ejemplo. Finalmente, usando este método estamos usando datos para acotar la búsqueda de ubicaciones y, en vez de ir a ver 100 posibles lugares que mi instinto me indica que podrían ser buenos para instalar una panadería, simplemente voy a los 10 mejores que los datos me indican y, en terreno puedo terminar de tomar la decisión usando mi instinto para sólo las 10 mejores ubicaciones.

Global site location using AI and satellite images

Global site location using AI and satellite images