Tomar decisiones siempre fue una parte ciencia y una parte arte. La incertidumbre que vivimos al tomar decisiones complejas nos hace constantemente debatir sobre las posibilidades y consecuencias de lo que podemos generar en base a nuestra decisión, lo cual nos lleva a sentir distintos grados de inseguridad sobre lo que nos depara el futuro.
En esta publicación, la primera de 3, vamos a abordar distintas formas de resolver dilemas lógicos en decisiones complejas.
No vamos a referirnos tanto al proceso de decisiones sencillas y básicas porque de eso abunda información en el mundo y no creo que estés leyendo esta publicación para algo que puedes resolver casi por instinto.
De lo que vamos a hablar es de técnicas concretas para resolver problemas en la toma de decisiones que incluso impliquen consideraciones de diversas variables, ponderaciones y criterios para estar seguros de que tomamos la mejor decisión posible.
¿Es posible hackear el proceso de toma de decisiones? ¡Creemos que sí!
El poder de los datos nos da una oportunidad invaluable de aplicar algoritmos simples y complejos para facilitar nuestra tarea de análisis de situación y, con eso, tener un panorama más concreto de lo que debemos hacer. En consecuencia, facilitar la toma de decisiones es aquello por lo que están aquí, así que déjanos contarte algunos modelos de pensamiento que nos encantan en Analytics Town para cumplir con este objetivo.
Sin más que hablar, vamos a las técnicas. A continuación las 3 primeras, con las cuales vas a poder cambiar tu forma de tomar decisiones:
Ahora, expliquemos cada una:
El diagrama de afinidad es un tipo de análisis basado principalmente en tratar de interpretar las emociones y nociones instantáneas de conocimiento que le pueden surgir a una persona ante una situación de decisión. Normalmente se trata de aplicar parte de la metodología de "Design Thinking" para establecer un cuadro comparativo de esperanzas, miedos e ideas de solución.
Es ideal cuando hay que unir múltiples puntos de datos e ideas diversas, como lo que sucede en un Brain Storming, ya que nos permite organizar el objetivo de aquello que pretendemos lograr combinándolo con "empatizar" con aquellos afectados con la decisión que debemos tomar para evaluar distintos escenarios y tomar una decisión más a conciencia.
Este modelo de análisis, también llamado AHP (por Analytics Hierarchy Process), es un proceso de definición de jerarquías y de la ponderación de cada factor incluido en esos niveles jerárquicos.
Usar esta técnica analítica nos permite ordenar grandes volúmenes de datos -y de opciones- en un flujo fácil de entender, con el cual es posible visualizar de manera clara y sencilla una buena cantidad de distintas formas de resolver un problema, lo que hace más probable que tomemos una buena decisión, dado que la ponderación de cada factor y nivel jerárquico juega como una especie de puntaje que nos brinda una forma sana y mucho más objetiva de evaluar nuestras alternativas de decisión.
Esta es una técnica de decisión creada en la década de los 70, pero hoy en día está más vigente que nunca.
Este modelo funciona sumamente bien cuando debemos limitar la subjetividad de análisis complejos con muchas variables o cuando queremos evitar tener un sesgo subjetivo en la decisión que tenemos que tomar.
Un ejemplo de AHP sería a quién debemos ascender como líder de equipo cuando tenemos varios candidatos que en principio pareciera que todos cumplen con el perfil. Dependiendo de las variables que evaluemos y el peso porcentual que le demos a cada variable podremos ver más claramente quién es la mejor opción.
Este modelo es uno de mis favoritos y quizás es uno de los que más he dado charlas y capacitaciones en los últimos años. Se le llama RFM al modelo compuesto por 3 variables principales: Recency, Frequency y Monetary Value. De allí las siglas R-F-M.
Básicamente un modelo RFM calcula de forma ponderada el valor de la Recencia (es decir, hace cuánto tiempo sucedió un evento por última vez), la Frecuencia (cuántas veces sucedió un evento específico en un período de tiempo dado y el Valor Monetario (dinero constante y sonante asociado a una transacción de interés, como el caso de una venta).
Lo que hacen los RFM es establecer un rango de puntajes, por ejemplo de 1 a 5, donde 5 es el puntaje más alto o el más valioso y el 1 es el puntaje más bajo o menos valioso. Si algo es muy bueno, le pongo 5, si algo es muy malo para mis intereses le asigno un 1.
En el proceso de RFM lo único que tengo que definir es el objetivo, porque el rango de valores es netamente objetivo, ya que debo calcular, sobre mi tabla de datos, la dispersión entre todos los valores de la columna evaluada y en función de eso divido en bloques de 5 partes iguales. Este será mi rango de evaluación. Al combinar el puntaje de cada variable (la R, la F y el M) logro un valor numérico que debo asignar a cada caso y con ello determino el segmento al que pertenece.
Hay usos muy concretos para los RFM, pero normalmente se le asocia a situaciones de marketing, segmentación comercial o servicio al cliente. Esto se debe a que una de las formas clásicas de aplicar este modelo pasa por definir los distintos segmentos de clientes a los que debo contactar en un período de tiempo específico y la razón por la cual debo contactarles.
A continuación, un ejemplo.
Si tengo una base de 100,000 clientes y quiero enviar un email promocional a cada uno de ellos, podría ordenar en la misma planilla los siguientes datos:
Primera variable: ¿hace cuántos días el cliente me compró por última vez?
Segunda variable: ¿cuántas veces este cliente compró en el período que estoy evaluando? (por ejemplo, 3 años).
Tercera variable: ¿cuánto dinero gastó en ese período de tiempo? (en la medida de lo posible trata de llevar este monto a valor constante -por ejemplo valor presente neto o atarlo a un valor de moneda dura- porque recuerda que estamos en un contexto inflacionario mundial y un billete del mismo valor no compra lo mismo hoy que hace 3 años).
Cuando tengas esos 3 datos para cada uno de los 100.000 clientes podrás definir el rango de dispersión de cada columna (variable) y asignar el puntaje según sea más valioso.
En la recencia, es más valioso cuando un cliente tiene poco tiempo desde su última compra, mientras que en el valor monetario o la frecuencia, suele ser más valioso mientras más alto es el valor.
Con esto procesado, procedes a definir el valor de cada cliente en función de tu análisis y con eso le asignas un tipo de segmento, y por consiguiente un tipo de accionable, a cada uno de los clientes de su respectivo rango.
¿Te gustó alguno de estos modelos? ¿Te interesaría que te enseñáramos paso a paso alguno de ellos?
Déjanos saber tus impresiones y no te olvides que, si necesitas ayuda, estamos a tu disposición con todo el equipo de Analytics Town listo para darte una mano con tus procesos de decisión.
Nos leemos en la próxima ocasión para seguir ahondando en otras técnicas y modelos de decisión que hacen más fácil la vida.