Según el profesor de la Harvard Business School, Frances Frei, los actuales managers no emplean más de un 5% en cálculos estadísticos, y deberían emplear el restante 95% de su tiempo en determinar qué cálculos son los adecuados y en interpretar los resultados. Aquí van cinco consejos para utilizar la estadística de manera más efectiva según el profesor Frei:1. Know what you know—and what you're only asserting
Hay que diferenciar entre lo que se sabe porque hay una estadística detrás y lo que se asume. Muchos managers se pasan su tiempo intentando convencer a los demás de sus afirmaciones, sin ningún número que las refuerce. Los managers deberían saber cuáles de sus conocimientos se basan en hipótesis no contrastadas y cuáles en estadísticas porque es mucho más fácil persuadir a alguien cuando hay un número detrás.
2. Be clear about what you want to discover
Los managers deben hacerse directamente esta pregunta: ¿Qué quiero saber? Pongamos por ejemplo un estudio de calidad de servicio en el que hemos preguntado cuán satisfecho están nuestros clientes. Pongámonos en el caso extremo que la mitad de mis clientes han declarado que su grado de satisfacción es 10 y la otra mitad 0, con lo que la media sería 5. ¿Tiene interés el manager en saber la media de satisfacción de sus clientes? La respuesta es que no. La media en este caso no le dice nada, quizás se debería preguntar qué segmentos existen en función de su grado de satisfacción.
3. Don't take causality for granted
El management se basa en la búsqueda continua de acciones que afecten positivamente a los resultados. Para ellos hay que establecer hipótesis y hay que contrastarlas estadísticamente. Para estar seguros que se da una relación de causalidad entre dos variables hay que calcular la correlación entre ambas, es decir, cuanto varía una variable (ej. las ventas) en función de las variaciones de otra variable (ej. inversión en formación de los vendedores). Para estos cálculos hay que tener en cuentas dos cosas: los outliers, que son valores anómalos no representativos del grupo que hay que excluir del análisis, por ejemplo para calcular la altura media de los estudiantes de una clase en la que hay un jugador de baloncesto de 2,20m, éste es considerado un outlier y habría que excluirlo del cálculo. Lo segundo que hay que tener en cuenta son los efectos de otras variables, por ejemplo, ¿se han llevado a cabo mejoras salariales que puedan estar afectando también a los resultados? ¿se está contratando gente más cualificada en los últimos tiempos? Por lo tanto no basta con calcular la correlación hay que profundizar en los números de base.
4. With statistics, you can't prove things with 100 percent certainty
Sólo preguntando al 100% de tus clientes conseguirías estar al 100% seguro de lo que quieren. En la práctica, por el escaso tiempo y dinero, esto es imposible por lo que es extremadamente importante realizar un buena elección de clientes a entrevistar (muestra). El hecho de no entrevistar a todos los clientes hace que cualquier resultado tenga un error (error muestral) que será mayor o menor en función del tamaño de la muestra (número de entrevistas) y de su grado de homogeneidad. Por lo tanto los resultados siempre se van a dar teniendo en cuenta el intervalo en el que más probablemente estará el resultado (intervalo de confianza), por ejemplo, con una probabilidad de un 95% el grado de satisfacción medio de mis clientes está entre 4,8 y 5,2 (la media es 5). Es necesario gastar tiempo y dinero en un buen diseño muestral y los managers deben ser conscientes de su importancia.
5. A result that is numerically or statistically significant may be managerially useless
Imaginemos, siguiendo con el ejemplo, que en al año 1 la satisfacción media de sus clientes es 4,9 y que en el año 2 sube a 5,1. Numéricamente hay una diferencia pero estadísticamente esta diferencia no es significativa puesto que ambos números están dentro del intervalo de confianza (4,8-5,2). Los managers tienden a sobre emocionarse cuando ven una mejora en un ratio que les es favorable y tienden a sobre enfadarse cuando empeora un ratio. Muchas veces estos exagerados comportamientos son injustificados debido a que no tienen en cuenta si las diferencias son significativas estadísticamente o no.
