Explicando: Como Medir Cualquier Cosa

La ltima edicin de libro toma otra mirada en siete discusiones, nuevo y viejo.
P! operador booleano "#$ $%&L"' (. )%**"!$ $%&L"' ". '"M%EL'#
Los pro+esionales anal,ticos y las personas que toman decisiones son a menudo bloqueados
por la +alta de buena m-trica en la cual basar decisiones. Pero todo lo que ten.a importancia
tiene consecuencias observables y, con un poquito de /a menudo triviales0 matem1ticas,
estas observaciones proveen los suelos para reducir incertidumbre. )asta la in+ormacin
imper+ecta tiene un valor computable para decisiones.
Estas ideas +ueron resumidas en el libro 2Como Medir Cualquier Cosa: Encontrando el 3alor
de 4 5ntan.ibles 4 en los #e.ocios6 7)ubbard, 899:, 89;9, 89;<= escrito por uno de los
escritores de este art,culo. Con >?,999 copias vendidas del libro en cinco len.uajes, el
mensaje parece dar con el tono adecuado. La lista del cliente de la +irma del escritor,
)ubbard $ecision !esearc@ /)$!0, y los miles de individuos que se @a re.istrado en el sitio
(eb del libro indica a una audiencia diversa. 5ncluyen in.enieros, recursos @umanos,
desarrolladores de so+tAare, especialistas en se.uridad de in+ormacin, cient,+icos de
muc@os campos, .erentes en muc@as industrias, actuarios y maestros. Parece que el reto
de medir lo que B en un principio B parece ser 2intan.ible6 es comn para muc@os analistas
y .erentes en or.aniCaciones de todo tipo.
%na tercera edicin reci-n @a estado liberada, con un cuaderno acompaDante para +acilitar
capacitacin y el autoEestudio. La tercera edicin tambi-n permiti al escritor incluir casos de
nuevos clientes y responder a los retos m1s comunes enviados en por lectores en los siete
aDos desde la primera edicin. "s, como en las dos anteriores ediciones, los lectores
aprenden a estructurar el problema de medicin y cmo evitar medir las cosas equivocadas,
y ver1n el valor de con+iar en sus modelos cuantitativos sobre la intuicin pura.
'in embar.o, incluso para los de+ensores m1s a+anosos de m-todos cuantitativos entre
nuestros clientes y nuestros lectores, nos encontramos con que +1cilmente pueden volverse
impotente e inmvil por al.unos de los mismos obst1culos como los esc-pticos de
m-todos cuantitativos. 'i bien @acemos lo que nos parece a nosotros ser un ar.umento
+uerte para la manera correcta para abordar estos asuntos y si bien los clientes dicen est1n
de acuerdo 2conceptualmente6 con el ar.umento, a veces todav,a parecen repetir, sin caer
en cuenta de ello, en al.unos de los mismos errores.
Lo que si.ue son siete 1reas donde edi+icamos sobre el mensaje de la edicin previa
aDadi-ndole nuevos casos, nueva investi.acin y nuevas respuestas a los retos que
continuamos observando entre nuestros lectores y clientes.
Es todav,a verdad, que cualquier cosa puede ser medida.
#o @emos encontrado un 2inmedible6 real todav,a, aunque muc@as cosas inicialmente
pareCcan ser. En el pasado varios aDos, )$! @a desarrollado medidas del ries.o de una
mina inund1ndose, elasticidad de sequ,a en el Cuerno de F+rica, el mercado para que
nuevos dispositivos del laboratorio, los ries.os de ciberataques y el valor de normas de
industria, por nombrar a al.unos. El otro escritor de este art,culo midi el valor del activo de
tecnolo.,a de la in+ormacin /'amuelson, 89990 y el valor de disuasin en situaciones de
se.uridad unpublis@ed /'amuelson0. En cada uno de estos casos al.o +ue percibido para
ser virtualmente imposible medir y, con todo y eso, los escritores pudieron mostrar que
podemos usar observaciones in+ormativas y acercamientos simples, establecidos y
matem1ticos para reducir incertidumbre lo su+iciente como para @acer decisiones. "s, como
en anteriores ediciones, la cadena perpetua explica que las tres raCones cualquier cosa es
al.una veC percibida para ser inmesurable, y por qu- todos los tres est1n equivocados.
)aC las matem1ticas.
%n punto clave en cada edicin de los libro +ue que medimos alimentar cuantitativos
modelos de decisiones, y que @asta los modelos cuantitativos na ve +1cilmente +uncionan
mejor que a los expertos @umanos en una coleccin variada de problemas de estimacin y
de decisin. En un metaestudio de juicio docto de ;?9 estudios de comparar para los
modelos estad,sticos, los modelos claramente +uncionaron mejor que a los expertos en ;<<
de los casos Mee@l, ;G:? . M1s y m1s con+irmaciones de investi.acin esto. La tercera
edicin aDade las conclusiones del .i.ante de P@ilip HetlocI comprometi-ndose a rastrear
m1s que J8,999 pronsticos de 8J< expertos durante un per,odo de 89 aDos. $e esto,
HetlocI con+iadamente podr,a mani+estar, 2 es imposible Encontrar cualquier dominio en el
cual los @umanos claramente +uncionaron mejor que los al.oritmos crudos de extrapolacin,
menos estad,sticos so+isticados todav,a HetlocI, 899> . La cadena perpetua revisa
investi.acin adicional para mostrar que, a menos que @a.amos las matem1ticas, la mayor
parte de las personas, expertos incluso adiestrados estad,sticamente, son susceptible para
los errores comunes de in+erencia.
'implemente acerca de a todo el mundo puede adiestr1rsele a evaluar probabilidades como
un pro+esional.
Casi a todo el mundo puede adiestr1rsele a ser experto 2 el calculador de probabilidad.6
Kundament1ndose en el trabajo de otros en la psicolo.,a de decisin 7Lic@tenstein and * .
Kisc@@o++, ;GJ9 =, )$! comenC a la suministracin 2calibr valoracin de probabilidad6
entren1ndose en el midE;GG9s. La tercera edicin incluy datos de m1s que lo que G99
personas calibradas por )$!. Los datos consistentemente espect1culos que virtualmente
todo el mundo es extremadamente demasiado con+iado antes del entrenamiento /e..., sobre
un .ran nmero de pruebas, cuando dicen son G9 por ciento cierto, lo pudieron @acer menos
de una oportunidad de >9 de porcentual de estar en lo correcto0. Pero )$! tambi-n se top
con una pieCa de caCa que aproximadamente J9 por ciento de individuos puede
adiestr1rsele a ser casi per+ectamente calibrado /est1n en lo correcto lo mismo que a
menudo como esperan ser0. En otras palabras, pueden estar adiestrados en
aproximadamente el medio d,a para ser tan buenos como un corredor de apuestas en poner
probabilidades en acontecimientos inciertos. Esta @abilidad se vuelve cr,tica en curso de
cuanti+icar la incertidumbre actual de al.uien acerca de una decisin.
Calculando in+ormacin las val,as evita 2 la inversin de medida.6
%na decisin de+inida siempre deber,a ser el objetivo de medida. Las variables inciertas en
tal decisin tienen un valor esperado computable de in+ormacin /E350L Es decir, M qu- vale
eso si tuvi-ramos menos incertidumbre acerca de estoN Cuando )$! se asemej al E35
para los @1bitos pasados de medida de los clientes, virtualmente siempre lo que se qued
midi y lo que necesit estar medido +ue cosas tan di+erentes como la noc@e y el d,a. Con la
tercera edicin, )$! @a .uiado m1s de lo que J9 an1lisis principal de decisiones, y los
resultados condicen con anteriores conclusiones: Este +enmeno parece extenderse por
cada industria y pro+esin de desarrollo de pro.ramas para +1rmacos, los bienes ra,ces para
la lo.,stica militar, y la pol,tica ambiental para los arranques de tecnolo.,a. Parece que los
.erentes de intuicin entienden para determinar qu- medir rutinariamente les induce al mal
caminoL tienden no para se.uro en la ME" las meras cosas para las cuales tienen la
in+ormacin m1s pobre y lo @ar,an all, bene+icio delantero m1s de m1s datos. la barda E
centro llama a esta costumbre 2la inversin de medida,6 y parece que la mejor .arant,a para
evitar este problema es simplemente para saber los valores de in+ormacin de
incertidumbres pertinentes para una decisin.
%n dilema +ilos+ico: M$escribe la probabilidad el objeto de observacin o el observadorN
Cuando al.uien dice, M 2 pero cmo s- qu- la probabilidad exacta esN6 impl,citamente est1n
adoptando una de+inicin particular de los palabra 2 la probabilidad.6 $esde que el escritor
observ que los retos al.unos lectores estaban teniendo con este asunto, la edicin m1s
nueva de 2qu- tan a la medida Cualquier Cosa6 expande m1s en -l. &eneralmente tomamos
una posicin bayesiana en la interpretacin de probabilidad B es decir, la probabilidad se
usa para cuanti+icar la incertidumbre de un observador, no un estado de los ser cosas
observ. Esto est1 en contraste para el 2+requentist6 punto de vista, que trata una
probabilidad como un tipo de +recuencia idealiCada de ocurrencia en al.n sistema objetivo.
"l.o irnicamente, la valideC de aplicar probabilidades subjetivas para los resultados
inciertos @a sido puesta a prueba con m-todos del +requentist. Es decir, las pruebas
desproporcionadamente .randes @an sido transmitidas donde las probabilidades de los
individuos +ueron comparadas con resultados obedecidos. Han mencionados anterior, los
escritores y otros investi.adores @an veri+icado que las personas que est1n adiestradas
como 2asesores calibrados de probabilidad6 repetidamente pueden asi.nar probabilidades
que, despu-s de su+icientes pruebas, ponte al lado de las +recuencias obedecidas. $esde
que la probabilidad es tu estado de incertidumbre, y desde que puedes ser calibrado,
siempre puedes decir una probabilidad, en el sentido bayesiano.
El .rado de si.ni+icacin no quiere decir lo que piensas, y lo que eso quiere decir t
probablemente no necesita.
tro asunto el escritor estaba observando eso estaba obstaculiCando medidas tiles eran
que @ubo una comprensin sujetada ampliamente, a pesar de eso muy imprecisa, de los el
concepto de 2 el .rado de si.ni+icacin.6 La nueva edicin se ocupa de malentendidos
.eneraliCados de esta idea y entonces @ace el caso que, an cuando es comprendido, no
tiene directamente importancia a los problemas m1s realmente de toma de decisiones. La
cadena perpetua contiene ejemplos en los cuales observaciones de muestra cinco justas, o
en al.unos casos incluso simplemente una observacin, sustancialmente reduce
incertidumbre. )emos tenido clientes que miraron una muestra pequeDa y B sin intentar
al.unas matem1ticas B cuestionaron el .rado de si.ni+icacin de los muestra y los
resultados. Pero el tamaDo de muestra a solas no es lo su+iciente como para determinar
.rado de si.ni+icacin. #i el .rado de si.ni+icacin quiere decir la oportunidad que una
pretensin es verdadera, ni que si nos quedamos cortos de .rado de si.ni+icacin no @emos
aprendido nada. La edicin m1s nueva sostiene la opinin que el concepto entero no es
necesario cuando incluso las reducciones pequeDas en la incertidumbre pueden tener valor
econmico si.ni+icativo.
#ecesitas menos datos que lo que piensas, y tienes m1s datos que lo que piensas.
%n cliente o a lector que dice, 2 me .ustar,a medir esto pero slo no tenemos bastantes
datos6 muy probablemente est1 @aciendo una serie de suposiciones errneas. "s, como en
el punto previo en el .rado de si.ni+icacin, los .erentes seriamente pueden menospreciar
cu1nto la reduccin de incertidumbre que obtienen de un poco de datos. $e @ec@o, nunca
@emos visto a al.uien que @iCo esta pretensin que en verdad @ab,a calculado la reduccin
de incertidumbre de un conjunto de datos dado y comput el valor de ello para la decisin,
para ase.urarse de que la reduccin de incertidumbre no valiera. Los .erentes tambi-n
menosprecian cu1nto los datos que realmente tienen. %n ejemplo de esto, discutido en la
tercera edicin de los libro, es lo 2 la nocin en.aDosa de ini.ualabilidad.6 Osta es la
tendencia para creer que slo altamente similares si no los ejemplos id-nticos son
in+ormativos.
La ltima edicin incluye casos donde los expertos insistieron que ya que cada situacin es
nica, no pueden extrapolar de datos @istricos. Entonces B y sin un indicio de iron,a B
reclamar1n eso por eso deben con+iar en su experiencia. Por supuesto, como la cadena
perpetua discute, la experticia y la ciencia son ambos con base en despu-s de
observaciones E una de estos con muc@a m1s tendencia y retentiva selectiva para las
in+erencias de+ectuosas que el otro. Los .erentes @acen simplemente tal error cada veC que
dicen que no pueden @acer estimaciones acerca de implementar una nueva tecnolo.,a
porque es tan nico incluso aunque ten.an una lar.a @istoria de implementar nuevas
tecnolo.,as. %sando esa misma l.ica, tu compaD,a de se.uros posiblemente no podr,a
computar un premio de se.uro de vida para ti porque y porque no @as muerto an. $e
@ec@o, los actuarios de se.uros saben cmo extrapolar de poblaciones m1s .randes, m1s
@etero.-neas.
La tercera edicin tambi-n se explaya sobre desarrollos en qu- tan exitosamente datos, el
social celular de los medios de comunicacin, llama por tel-+ono y los dispositivos
personales de medida est1n @aciendo lo 2que no tenemos bastantes datos6 lo disculpan
muc@o m1s duro para justi+icar.
RESUMEN
H, de @ec@o, puedes medir cualquier cosa, en nuestra vista, excepto @acer eso es a veces
un reto constante para esas que son convencidos la pretensin es cierta. 'implemente
necesitamos aceptar que el reto percibido
resulta de una parte de los mismos conceptos equivocados viejos, en los que se abri
Canjas en. Hu problema no es muy probablemente tan inusual como piensasL @ay +uentes
in+ormativas que puedes utiliCar, si piensas creativamente sobre cmo aplicarlosL los
expertos calibrados pueden @acer buenas estimaciones de su incertidumbre acerca de los
puntos de datos que proveenL y calcular el valor esperado de in+ormacin te puede en+ocar
al coleccionar los datos m1s adicionales tiles, no desperdiciar es+uerCo y recursos en datos
que no ayudar1n muc@o.