Líderes: Dejen de confundir correlación con causalidad

A todos nos han dicho que la correlación no implica causalidad. Sin embargo, muchos líderes empresariales, cargos electos y medios de comunicación siguen haciendo afirmaciones causales basadas en correlaciones engañosas. Con demasiada frecuencia, estas afirmaciones no se examinan, se amplifican y se utilizan erróneamente para orientar las decisiones. Los ejemplos abundan: Consideremos un reciente estudio de salud que se propuso comprender si tomar baños puede reducir el riesgo de enfermedades cardiovasculares. El análisis descubrió que las personas que se bañaban con regularidad tenían menos probabilidades de sufrir enfermedades cardiovasculares o derrames cerebrales. Los autores concluyen que los datos sugieren "un efecto beneficioso" de los baños. Sin un experimento controlado, o un experimento natural, aquel en el que los sujetos se eligen al azar y sin manipulación de variables, es difícil saber si esta relación es causal. Por ejemplo, es posible que las personas que se bañan con regularidad estén en general menos estresadas y tengan más tiempo libre para relajarse, lo que podría ser la verdadera razón de que tengan tasas más bajas de enfermedades cardiacas. Aún así, estos hallazgos se difundieron ampliamente, con titulares como: "Tomar un baño no es sólo relajante. También podría ser bueno para su corazón". Un amplio corpus de investigación en economía y psicología del comportamiento ha puesto de relieve los errores sistemáticos que podemos cometer al analizar los datos. Tendemos a buscar pruebas que confirmen nuestras nociones preconcebidas y a ignorar los datos que puedan ir en contra de nuestras hipótesis. Descuidamos aspectos importantes de la forma en que se generaron los datos. En términos más generales, es fácil centrarse en los datos que tenemos delante, incluso cuando faltan los más importantes. Como ha dicho el premio Nobel Daniel Kahneman, puede ser como si "lo que ves es todo lo que hay". Esto puede conducir a errores y desastres evitables, ya sea un individuo, una empresa o un gobierno el que esté tomando la decisión. El mundo está cada vez más lleno de datos y nos bombardean regularmente con hechos y cifras. Debemos aprender a analizar los datos y a evaluar las afirmaciones causales, una habilidad cada vez más importante para los líderes empresariales y gubernamentales. Una forma de lograrlo es haciendo hincapié en el valor de los experimentos en las organizaciones. Cómo las afirmaciones causales sin fundamento llevan a las organizaciones por mal camino Un artículo del Washington Post de 2020 examinaba la correlación entre el gasto policial y la delincuencia. Concluía que: "Una revisión del gasto en policía estatal y local durante los últimos 60 años... no muestra ninguna correlación a nivel nacional entre el gasto y los índices de delincuencia". Esta correlación es engañosa. Un motor importante del gasto policial es el nivel actual de delincuencia, lo que crea un escenario del huevo y la gallina. La investigación causal ha demostrado, de hecho, que más policías conducen a una reducción de la delincuencia. En 2013, eBay gastaba unos 50 millones de dólares al año en publicidad en los motores de búsqueda. Un análisis de consultores había demostrado que en las zonas donde se mostraban más anuncios, las ventas eran mayores. Sin embargo, los economistas Tom Blake, Chris Nosko y Steve Tadelis empujaron a la empresa a pensar de forma más crítica sobre la afirmación causal. Analizaron experimentos naturales y realizaron un nuevo ensayo controlado aleatorio, y descubrieron que estos anuncios eran en gran medida un desperdicio, a pesar de lo que el equipo de marketing creía anteriormente. Los anuncios se dirigían a personas que ya eran propensas a comprar en eBay. Las intenciones de compra preexistentes de los clientes a los que iban dirigidos eran responsables tanto de los anuncios que se mostraban como de las decisiones de compra. El equipo de marketing de eBay cometió el error de subestimar este factor y, en su lugar, asumir que la correlación observada era el resultado de que los anuncios provocaban las compras. Si eBay hubiera explorado otros factores que pudieran ser responsables de la correlación, probablemente habrían evitado el error. Yelp superó un reto similar en 2015. Un informe de consultoría descubrió que las empresas que se anunciaban en la plataforma acababan consiguiendo más negocios a través de Yelp que las que no lo hacían. Pero aquí está el problema: las empresas que consiguen más negocio a través de Yelp pueden ser más propensas a anunciarse. El anterior COO y yo discutimos este reto y decidimos llevar a cabo un experimento a gran escala que entregara paquetes de anuncios a miles de empresas seleccionadas al azar. La clave para ejecutar con éxito este experimento fue determinar qué factores impulsaban la correlación. Descubrimos que los anuncios de Yelp sí tenían un efecto positivo en las ventas y proporcionó a Yelp una nueva perspectiva sobre el efecto de los anuncios. El Comité Nobel defiende la investigación de la inferencia causal El panorama de la economía empírica ha cambiado radicalmente en los últimos cuarenta años. El campo de la economía ha desarrollado un conjunto de habilidades centradas en la evaluación de las relaciones causales. Dos de los tres últimos premios Nobel se han concedido por este trabajo. Hace dos años, Abhijit Banerjee, Esther Duflo y Michael Kremer compartieron el Nobel "por su enfoque experimental para aliviar la pobreza mundial". Este año, los economistas Josh Angrist, Guido Imbens y David Card ganaron el Nobel por encabezar lo que Angrist denominó la "revolución de la credibilidad" dentro de la economía. El comité elogió a Angrist e Imbens por "sus contribuciones metodológicas al análisis de las relaciones causales", y a Card por "sus contribuciones empíricas a la economía laboral". Son pioneros en la investigación con experimentos naturales. El desarrollo del conjunto de herramientas de inferencia causal ha sido notable, y el trabajo de los galardonados con el Nobel es realmente inspirador. Pero no hace falta ser un economista PhD para pensar con más cuidado sobre las afirmaciones causales. Un buen punto de partida es dedicar tiempo a comprender el proceso que está generando los datos que está observando. En lugar de asumir que una correlación refleja una causalidad (o que la falta de correlación refleja una falta de causalidad), pregúntese qué factores diferentes podrían estar impulsando la correlación, y si éstos podrían estar sesgando la relación que está observando, y de qué manera. En algunos casos, saldrá sintiéndose seguro de que la relación es probablemente causal. En otros, podría decidir no confiar en el hallazgo. Si le preocupa que una correlación pueda no ser causal, los experimentos pueden ser un buen punto de partida. Empresas como Amazon y Booking.com sitúan los experimentos en el centro de su proceso de toma de decisiones. Pero los experimentos no siempre son factibles. En estos casos, debe pensar en -y buscar- otras pruebas que puedan arrojar luz sobre la cuestión que se está planteando. En algunos casos, podría incluso encontrar un buen experimento natural propio.

Líderes: Dejen de confundir correlación con causalidad

Resumen.

Partner Center