Debemos aprender a analizar los datos y evaluar las afirmaciones causales, una habilidad que es cada vez más importante para los líderes empresariales y gubernamentales. Una forma de lograr esto es enfatizando el valor de los experimentos en las organizaciones. Una gran cantidad de investigaciones en economía y psicología del comportamiento ha puesto de manifiesto errores sistemáticos que podemos cometer al analizar los datos. Tendemos a buscar evidencia que confirme nuestras nociones preconcebidas e ignorar los datos que podrían ir en contra de nuestras hipótesis. Desatendemos aspectos importantes de la forma en que se generaron los datos. En términos más generales, es fácil concentrarse en los datos que tienes delante, incluso cuando faltan los datos más importantes. Esto puede provocar errores y desastres evitables, ya sea un individuo, una empresa o un gobierno el que toma la decisión.
A todos nos han dicho que la correlación no implica causalidad. Sin embargo, muchos líderes empresariales, funcionarios 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 usan erróneamente para guiar las decisiones.
Abundan los ejemplos: considere un estudio de salud reciente que estableció comprender si tomar baños puede reducir el riesgo de enfermedades cardiovasculares. El análisis encontró que las personas que se bañaban con regularidad tenían menos probabilidades de tener enfermedades cardiovasculares o sufrir accidentes cerebrovasculares. Los autores concluyen que los datos sugieren «un efecto beneficioso» de los baños. Sin un experimento controlado, o un experimento natural, en el que los sujetos se eligen al azar y sin manipulación variable, es difícil saber si esta relación es causal. Por ejemplo, es posible que las personas que se bañan regularmente estén menos estresadas y tengan más tiempo libre para relajarse, lo que podría ser la verdadera razón por la que tienen tasas más bajas de enfermedades cardíacas. Aún así, estos hallazgos circularon ampliamente, con titulares como: «Tomarse un baño no es solo relajante. También podría ser bueno para tu corazón».
Una gran cantidad de investigaciones en economía y psicología del comportamiento ha puesto de manifiesto errores sistemáticos que podemos cometer al analizar los datos. Tendemos a buscar evidencia que confirme nuestras nociones preconcebidas e ignorar los datos que podrían ir en contra de nuestras hipótesis. Desatendemos aspectos importantes de la forma en que se generaron los datos. En términos más generales, es fácil concentrarse en los datos que tienes delante, incluso cuando faltan los datos más importantes. Como ha dicho el premio Nobel Daniel Kahneman, puede ser como si «lo que ves fuera todo lo que hay».
Esto puede provocar errores y desastres evitables, ya sea un individuo, una empresa o un gobierno el que toma la decisión. El mundo está cada vez más lleno de datos y regularmente nos bombardean con hechos y cifras. Debemos aprender a analizar los datos y evaluar las afirmaciones causales, una habilidad que es cada vez más importante para los líderes empresariales y gubernamentales. Una forma de lograr esto es enfatizando el valor de los experimentos en las organizaciones.
Cómo las reclamaciones causales no respaldadas conducen a las organizaciones por mal camino
Un artículo del Washington Post de 2020 examinó la correlación entre el gasto policial y el delito. Concluyó que «una revisión del gasto en la policía estatal y local durante los últimos 60 años… no muestra ninguna correlación a nivel nacional entre el gasto y las tasas de delincuencia». Esta correlación es engañosa. Un factor importante del gasto policial es el nivel actual de delincuencia, que crea un escenario de gallina y huevo. Causal la investigación ha demostrado, de hecho, que más policías conducen a una reducción de la delincuencia.
En 2013, eBay gastaba aproximadamente 50 millones de dólares al año en publicidad en motores de búsqueda. Un análisis de los consultores había demostrado que en áreas donde se mostraban más anuncios, las ventas eran más altas. Sin embargo, los economistas Tom Blake, Chris Nosko y Steve Tadelis empujaron a la empresa a pensar de manera más crítica sobre la afirmación causal. Analizaron experimentos naturales y realizaron un nuevo ensayo controlado aleatorio, y encontraron que estos anuncios fueron en gran medida un desperdicio, a pesar de lo que el equipo de marketing creía anteriormente. Los anuncios se dirigían a personas que probablemente ya compraran en eBay.
Las intenciones de compra preexistentes de los clientes objetivo eran responsables de los anuncios que se mostraban. y las decisiones de compra. El equipo de marketing de eBay cometió el error de subvalorar este factor y, en cambio, asumir que la correlación observada era el resultado de los anuncios que causaban compras. Si eBay hubiera explorado otros factores que pueden haber sido responsables de la correlación, probablemente hubieran evitado el error.
Yelp superó un desafío similar en 2015. Un informe de consultoría descubrió que las empresas que se anunciaban en la plataforma terminaron ganando más negocios a través de Yelp que las que no se anunciaban en la plataforma. Pero este es el problema: las empresas que obtienen más negocios a través de Yelp tienen más probabilidades de anunciarse. El ex director COO y yo discutimos este desafío y decidimos llevar a cabo un experimento a gran escala que proporcionara paquetes de anuncios a miles de empresas seleccionadas al azar. La clave para ejecutar con éxito este experimento fue determinar qué factores impulsan la correlación. Descubrimos que los anuncios de Yelp tuvieron un efecto positivo en las ventas y proporcionaron a Yelp una nueva visión del efecto de los anuncios.
El Comité del Nobel defiende la investigación de inferencia causal
El panorama de la economía empírica ha cambiado drásticamente en los últimos cuarenta años. El campo de la economía ha desarrollado un conjunto de habilidades que se centran en evaluar las relaciones causales. Dos de los tres últimos premios Nobel se han otorgado por este trabajo. Hace dos años, Abhijit Banerjee, Esther Duflo y Michael Kremer compartieron el Premio Nobel por «su enfoque experimental para aliviar la pobreza mundial». Este año, ganaron los economistas Josh Angrist, Guido Imbens y David Card el Premio 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 de experimentos naturales.
El desarrollo del kit de herramientas de inferencia causal ha sido notable, y el trabajo de los ganadores del Premio Nobel es verdaderamente inspirador. Pero no es necesario ser un economista doctorado para pensar más detenidamente sobre las afirmaciones causales. Un buen punto de partida es tomarse el tiempo para comprender el proceso que está generando los datos que está viendo. En lugar de asumir que una correlación refleja la causalidad (o que la falta de correlación refleja una falta de causalidad), pregúntese qué diferentes factores podrían estar impulsando la correlación, y si estos podrían estar sesgando la relación que está viendo. En algunos casos, saldrás con la tranquilidad de que la relación probablemente sea causal. En otros, es posible que decida no confiar en el hallazgo.
Si le preocupa que una correlación no sea causal, los experimentos pueden ser un buen punto de partida. Empresas como Amazon y Booking.com ponen los experimentos en el centro de su proceso de toma de decisiones. Pero los experimentos no siempre son factibles. En estos casos, debe pensar y buscar otras pruebas que puedan arrojar luz sobre la pregunta que está haciendo. En algunos casos, puede que incluso encuentres un buen experimento natural por tu cuenta.