Un número creciente de empresas está implementando modelos predictivos sofisticados basados ​​en inteligencia artificial y aprendizaje automático, y muchas los están utilizando para tomar decisiones importantes.

Sin embargo, incluso los modelos más avanzados no pudieron predecir la llegada de la pandemia de COVID-19 o la invasión de Ucrania por parte de Rusia, lo que sirve como un recordatorio constante de las limitaciones de tratar de predecir el futuro.

Límites del modelado predictivo en entornos complejos

Los modelos predictivos se basan en datos de eventos pasados ​​y se utilizan para pronosticar resultados futuros, pero deben evolucionar para dar cuenta de situaciones y entornos complejos.

Los eventos que son inherentemente impredecibles no están precedidos por otros puntos de datos, lo que genera un sesgo en la salida del modelo hacia resultados «seguros y predecibles».

Las empresas que basan sus operaciones en tales resultados inevitablemente se ven sorprendidas cuando surgen circunstancias imprevistas y los resultados pueden ser adversos.

Interrupciones de la cadena de suministro

La actual crisis de la cadena de suministro es un excelente ejemplo de los peligros que enfrentan las empresas que confían demasiado en los modelos predictivos.

Las cadenas de suministro en particular están diseñadas para ser predecibles y la mayoría no son resistentes a las interrupciones.

La escasez de suministro de productos que asustó a los consumidores al comienzo de la pandemia y la actual escasez de microchips que ahora afecta a los fabricantes son dos de los impactos recientes en una cadena de suministro global plagada de continuas interrupciones. Aún así, probablemente no serán los últimos.

Los desafíos complejos están aumentando

El panorama empresarial y el mundo están cada vez más definidos por lo impredecible.

Los desafíos que solían ser complicados ahora se han convertido en entornos complejos.

Con el aumento de los desafíos complejos, el entorno empresarial se está convirtiendo en un entorno completamente caótico.

Las organizaciones que se basan en modelos predictivos para impulsar la toma de decisiones en un entorno caótico necesitan desarrollar resiliencia organizacional, ya que los modelos siempre reflejan a las organizaciones que los utilizan.

Con respecto a la crisis de la cadena de suministro, se podría lograr una resiliencia adicional mediante la construcción de un modelo de cadena de suministro distribuida. Un modelo de cadena de suministro distribuido puede mitigar el impacto negativo de las interrupciones en cualquier lugar.

Creación de planes de emergencia para tener en cuenta el complejo

Si bien los datos históricos pueden no ser suficientes para crear modelos que puedan predecir las interrupciones antes de que ocurran, las organizaciones aún pueden realizar experimentos para predecir el impacto de posibles interrupciones para crear mejores experiencias.

Luego, las organizaciones pueden usar los resultados de estos experimentos para crear planes de contingencia para garantizar el éxito y estar mejor preparados cuando inevitablemente ocurra lo inesperado.

A medida que aumenta la complejidad, también lo hará la cantidad de datos generados por las empresas modernas.

En última instancia, las empresas tendrán cantidades tan grandes de datos que, sin un método y una plataforma que los reúna para encontrar valor, será casi imposible obtener valor procesable de su información.

Ingrese al modelado prescriptivo

El modelado predictivo aún podría servir a algunas empresas en la actualidad. En última instancia, sin embargo, debería ser un trampolín hacia un enfoque de modelado prescriptivo, un enfoque que no solo proyecte posibilidades, sino que también revele respuestas apropiadas.

Los humanos han evolucionado para operar en un mundo que es complicado pero lineal. Entonces, cuando nos encontramos con problemas realmente complejos, tendemos a abordarlos linealmente.

Sin embargo, los datos pueden ayudarnos a desarrollar soluciones comerciales y tecnológicas personalizadas al brindarnos la oportunidad de probar nuestro entorno.

Prepare su modelo para la complejidad

En lugar de nociones preconcebidas, la experimentación nos permite arremangarnos y responder a las probabilidades que permiten lo inesperado. Cuantos más datos podamos aprovechar, más podremos aprender y tomar medidas sobre los niveles de complejidad que dan forma a nuestro entorno.

En definitiva, los modelos prescriptivos que no se basan únicamente en datos históricos nos permiten percibir el entorno como realmente es y no como era.

Cuando los líderes empresariales se toman el tiempo para probar exhaustivamente los resultados del modelo en función de las entradas que reflejan un estado caótico, se revela la complejidad.

Nuevas relaciones con los datos

Sin embargo, este enfoque no es evidente. En la mayoría de los casos, las organizaciones necesitan reevaluar su relación con sus datos. Aquí hay tres maneras en que pueden hacer eso:

1. Aceptar la posibilidad de proyecciones fallidas.

Cuando realizo actividades de modelado, a menudo recuerdo el dicho: “Todos los modelos están equivocados; algunos son útiles”. Ni siquiera los modelos más sofisticados harán predicciones perfectamente precisas porque se alimentan constantemente con datos históricos.

En lugar de tratar los resultados del modelo como evidencia concreta para el futuro, deben verse como indicadores de lo que es posible.

2. Ejecute pruebas A/B para centrarse en objetivos específicos.

Al usar modelos para tomar decisiones críticas, los líderes deben probar una variedad de insumos para comprender dónde se pueden realizar mejoras.

Una empresa que toma un camino puede usar el statu quo operativo como control y luego probar las entradas que reflejan cambios hipotéticos (procesos internos, personas o alguna otra métrica) para ver qué caminos diferentes se abren.

Cuantas más entradas pueda probar una empresa, más información podrá obtener sobre las fortalezas y debilidades de sus operaciones.

3. Confiar en los resultados de las actividades de modelado.

A veces, incluso las empresas que realizan pruebas no toman las decisiones correctas, generalmente porque se basan en nociones preconcebidas en lugar de en los datos disponibles.

El caso de los datos gravemente defectuosos

Cuando los líderes ya han invertido en un plan basado en un resultado esperado, pueden estar más inclinados a confiar en sus instintos que en el resultado de un modelo, lo que indica que su plan tiene fallas graves.

Sin embargo, al permanecer pacientes y recopilar continuamente más datos para informar sus modelos, pueden obtener una idea más precisa de la verdadera naturaleza del entorno en el que operan y crear planes más innovadores para su navegación.

Créditos de imagen: proporcionados por el autor; ¡Gracias!

3e063d9854be0b095a7ce826a7d0889f?s=125&d=mm&r=g

Sean Bart

Vicepresidente de Pariveda Solutions

Sean Beard es vicepresidente de Pariveda Solutions, una firma de consultoría dedicada a crear soluciones innovadoras, orientadas al crecimiento y centradas en las personas. Sean trabaja para evaluar los usos potenciales de las nuevas tecnologías.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí

tres × cuatro =