¿Y si lo que ves fuera casualidad?

Ya se vio en el artículo Usar la media en tus análisis puede volverte menos competitivo que la media no siempre es la mejor opción cuando se trata de tomar decisiones, aunque normalmente se utilice a la ligera. Cuando hacemos (o pedimos) un análisis de datos siempre suele ir acompañado de varios gráficos e indicadores que establecen un mapa mental de la situación de la empresa para tomar decisiones futuras.

Seguramente habrás analizado alguna vez las ventas por mes y lo habrás comparado con algún otro periodo anterior (por ejemplo, el año pasado). Si los plasmas en un gráfico de barras o de líneas, puedes ver la variación que hay entre ellos (han crecido, han disminuido o se mantienen). Seguramente, a la vez que analizas esa diferencia, habrá pasado por tu mente una serie de causas que, a tu parecer, son el motivo de tal variación (has mejorado el producto, has cambiado tus comerciales o la competencia te está pisando los talones). Parece que has resuelto el problema, pero en realidad no tienes una sola prueba real de que ese cambio sea el verdadero motivo.

Para eso, ni la media ni los gráficos de barras son la mejor opción. En estos casos, existen otro tipo de herramientas mucho más robustas que te darán claridad ante un pozo lleno de suposiciones que pueden costarte caro: las correlaciones y los contrastes de hipótesis.

No te asustes por los nombres técnicos. Estas dos herramientas sirven para algo muy sencillo: cruzar tus datos y demostrarte, con números sobre la mesa, si existe una relación real entre tus acciones y tus resultados, o si estás intentando buscarle lógica a una simple casualidad.

Las pruebas de correlación se encargan de determinar, a grandes rasgos, el comportamiento de dos variables cuando se analizan juntas. Para poder explicar esto de manera simple, creo que es mejor ilustrarlo con un ejemplo.

Si analizamos las rutas de una empresa de transporte, se puede analizar el gasto de combustible frente a la distancia recorrida. Si miramos el gráfico, podemos ver que conforme aumenta la distancia, el consumo de combustible aumenta también. En este caso, cuando el primero aumenta, el segundo también.

Sin embargo, si analizamos la temperatura diaria frente a la venta de abrigos, seguramente podremos deducir que las ventas descienden conforme la temperatura aumenta, por lo que ahora cuando el primero aumenta, el segundo desciende.

Este el tipo de resultados que se obtienen de las correlaciones, indicando además qué grado de relación hay entre ambos factores (débil, moderada o fuerte). Puedes hacerte una idea de que las correlaciones fuertes son las que más interesan para tomar decisiones, aunque hay que tener en cuenta algo: que ambas cosas estén relacionadas no implica que una sea la causa de la otra.

En una cadena de montaje, el personal de refuerzo se mueve de una máquina a otra según se vayan cerrando las operaciones. Al final de la semana, uno de esos operarios con menos experiencia ocupa una de las máquinas de embalaje. Y empiezan los problemas. Semana tras semana se vuelve a repetir un aumento de lotes defectuosos en los dos últimos días. La solución parece obvia: a menor experiencia, mayor probabilidad de fallo (lo cual no quiere decir que no sea cierto), por lo que lo más fácil es cambiar a ese operario inexperto y poner en su lugar a otro que sepa manejar la máquina mejor. Sin embargo, al cambiar el operario, aunque se disminuyen los defectos, no desaparecen. ¿Qué puede haber pasado? Después de profundizar en el problema, se observa que el mantenimiento preventivo de esa máquina en concreto se realiza antes del arranque de la semana, por lo que la causa real puede realmente producirse por desgaste de la máquina, y se comprueba ademas, que al repetir el mantenimiento entre semana, los fallos se disipan por completo. En este caso en concreto, aunque había una relación entre la experiencia del trabajador y el número de fallos reportado, la causa real del aumento de fallos podría ser el desgaste natural de la máquina.

Si la correlación estudiaba si había relación entre dos datos, el contraste de hipótesis los compara. Su función se basa en estudiar si una suposición que tenemos se cumple o no y si ésta puede deberse al azar. Con esto se puede alcanzar un grado de seguridad mucho mayor que simplemente analizando una media o un gráfico, porque además incluye un nivel de confianza, lo cual suena a serio con solo escucharlo.

Esta prueba se puede utilizar en múltiples escenarios: podemos saber con mayor certeza si en una línea de envasado de aceite las botellas contienen la cantidad indicada en el envase, si existe diferencia entre los usuarios que tras navegar en nuestra web realizan una compra o no, o si nuestra dichosa máquina de embalar trabaja de forma diferente cuando cumple la mitad del ciclo de trabajo semanal.

En el ejemplo de la máquina usado en el apartado anterior, bastaría con dividir los datos en dos grupos: el primero durante la primera mitad del ciclo de trabajo semanal y el segundo grupo con los datos del final. El contraste de hipótesis se encarga de determinar si existen diferencias significativas entre ambos grupos y si esa diferencia puede ser fruto de la casualidad o no.

El contraste es el que te dice con números incontestables: "Oye, que el operario no tenga experiencia influye un poco, pero el verdadero pico de fallos se da siempre a partir del jueves, esté quien esté al mando".

Con estas herramientas, puedes dejar de tomar decisiones en base a suposiciones y accionar de manera adecuada: reprogramando las paradas de mantenimiento a mitad de semana en lugar de echar la culpa a quien no la tiene y además generar malestar innecesario.

Si crees que este artículo puede ser de utilidad para alguien que conozcas te invito a que le compartas el enlace.

Nos vemos fuera del pozo,

Manuel de El Pozo de las Suposiciones.