Decision Analysis

Cuándo aporta valor

Es útil cuando hay una decisión concreta, relevante y difícil de revertir, cuyo resultado depende de unas pocas incertidumbres que se pueden identificar y estimar. Por ejemplo:

Cuándo no es la mejor herramienta

Qué es

Decision Analysis es una forma disciplinada de tomar decisiones con incertidumbre. Raiffa (1968) la describe como un enfoque que indica cómo debería elegir alguien que afronta una elección con incertidumbre, de forma coherente con sus propios juicios y preferencias. Howard, que acuñó el término en 1966, la describe, según se cita habitualmente, como un conjunto de conocimientos y de práctica profesional para iluminar con lógica los problemas de decisión.

No es una fórmula que decide sola. Es una forma de separar y hacer visibles tres cosas que en una discusión de comité suelen ir mezcladas:

• qué podemos hacer (las alternativas);
• qué creemos que puede pasar (las incertidumbres y sus probabilidades);
• qué queremos (el criterio de valor y la actitud ante el riesgo).

El visual explica el método con un ejemplo inventado, el mismo que se desarrolla en esta ficha: un cliente puede dar a la empresa un contrato grande y hay que decidir si ampliar la fábrica ya o esperar a saber si lo da. A la izquierda (1), el ejemplo en tres pasos. Primero, los datos del problema: el árbol con las dos alternativas, la probabilidad de conseguir el contrato (60 %) y el beneficio o la pérdida de cada caso. Después, el cálculo: cada resultado se multiplica por su probabilidad y se suma, lo que da un beneficio medio de 2,6 M€ si se amplía y de 2,4 M€ si se espera. Por último, qué nos dice: ampliar gana por poco; la decisión cambiaría si la probabilidad bajara del 56 %; y saber antes la respuesta merece hasta 1 M€. A la derecha, arriba (2), cómo se hace en seis pasos; abajo (3), por qué decidir bien no es lo mismo que acertar, con el dato de Lovallo y Sibony (2010) sobre el peso del proceso.

Los elementos del método

Cómo proteger la decisión de los sesgos

El método ordena la decisión, pero quienes estiman las cifras y deciden siguen siendo personas. Lovallo y Sibony (2010), de McKinsey, agrupan los sesgos que más afectan a las decisiones estratégicas en cinco familias, cada una con su remedio:

Doce preguntas antes de aprobar una decisión

Kahneman, Lovallo y Sibony (2011) proponen doce preguntas para quien tiene que aprobar una propuesta. Resumidas:

Sobre el equipo que la recomienda

1. ¿Hay intereses propios que puedan inclinar la recomendación?
2. ¿Se ha enamorado el equipo de su propuesta?
3. ¿Hubo opiniones contrarias, o la unanimidad es sospechosa?

Sobre cómo se ha preparado

4. ¿El diagnóstico se apoya demasiado en éxitos pasados?
5. ¿Se han estudiado alternativas de verdad, o solo una?
6. ¿Qué información querríamos tener dentro de un año, y se puede conseguir ya?
7. ¿De dónde salen las cifras: qué es dato y qué es estimación?
8. ¿Se da por hecho que lo que funcionó en otro sitio funcionará aquí?
9. ¿Pesan costes ya hechos que no deberían contar?

Sobre la propuesta

10. ¿El caso base es demasiado optimista?
11. ¿El peor caso es lo bastante malo?
12. ¿Es el equipo demasiado prudente por miedo a perder?

Qué no es

• No es una previsión. No dice qué va a pasar; ordena lo que puede pasar y cuánto pesa cada posibilidad.
• No es un modelo financiero con un solo caso. Un modelo de flujos de caja valora un camino. Decision Analysis estructura varios caminos, les asigna probabilidades y muestra qué decisiones se pueden tomar por el camino. Normalmente usa ese modelo financiero como pieza.
• No es planificación por escenarios. Scenario Planning, en el enfoque de su ficha, no asigna probabilidades y sirve para buscar decisiones que resistan en futuros muy distintos. Decision Analysis sí usa probabilidades y busca la alternativa de mayor valor dado lo que se cree.

Cómo aplicarla

1. 1

   Formular la decisión y su marco

   Escribir en una frase qué se decide, antes de cuándo y qué queda fuera. Acordarlo con quien decide antes de empezar a calcular.

2. 2

   Ampliar las alternativas

   Añadir al menos una opción que no sea «sí» o «no» (ver el elemento 1) y descartar las que no son viables de verdad.

3. 3

   Fijar el criterio de valor

   Uno solo para comparar, y los objetivos no monetarios anotados aparte.

4. 4

   Construir un modelo sencillo del resultado y buscar las incertidumbres que importan

   Con el caso base, mover cada variable entre un valor bajo y uno alto y ordenar por efecto. Quedarse con las dos o tres que más mueven el resultado.

5. 5

   Dibujar el árbol con esas incertidumbres

   Respetar el orden real: qué se decide antes y qué se sabe después. Incluir las decisiones que se podrán tomar más adelante.

6. 6

   Estimar las probabilidades con método

   Separar a quien estima de quien defiende el proyecto, partir de casos comparables y pedir rangos antes que cifras únicas (ver la guía del kit).

7. 7

   Calcular el valor esperado y el perfil de riesgo de cada alternativa

   Resolver el árbol de derecha a izquierda y mostrar, junto al valor esperado, el peor caso y su probabilidad.

8. 8

   Buscar los umbrales

   Para las probabilidades y cifras más discutidas, calcular a partir de qué valor cambia la mejor alternativa.

9. 9

   Valorar si merece la pena saber más

   Calcular el valor de la información perfecta de las incertidumbres principales y compararlo con el coste y el retraso de conseguir información real.

10. 10

    Contrastar con la actitud ante el riesgo y decidir

    Comprobar si el peor caso es asumible; decidir; dejar por escrito qué se sabía, qué se supuso y por qué se eligió, para poder revisar la calidad de la decisión más tarde con independencia del resultado.

Errores frecuentes

Limitaciones

• Depende de la calidad de las probabilidades y de los resultados estimados. Un árbol bien construido con cifras sesgadas da una conclusión sesgada con apariencia de rigor.
• Funciona mal con incertidumbre radical y cuando otros reaccionan a nuestra decisión (competidores, clientes con poder, reguladores). Ver «Cuándo no es la mejor herramienta».
• Simplifica: reduce el resultado a un criterio de valor y a pocas incertidumbres. Lo que queda fuera debe decirse.
• No resuelve por sí solo el alineamiento del equipo. Una decisión bien analizada que el comité no comparte se ejecuta mal.

Otros complementos útiles

No son pasos obligatorios. Se añaden cuando el caso lo pide:

• Scenario Planning → si algunas incertidumbres son tan profundas que no admiten probabilidades; los escenarios ponen a prueba la decisión en futuros muy distintos.
• War Gaming → si el resultado depende de cómo reaccionen unos pocos competidores.
• Product Portfolio Management → si hay que comparar muchos proyectos a la vez; el valor esperado de cada uno es una de las piezas de la priorización.
• Make-Buy-Partner → si las alternativas son hacer, comprar o aliarse y su valor depende de incertidumbres identificables.
• Commercial Due Diligence → en una compra, el valor de la información ayuda a decidir qué conviene investigar a fondo antes de firmar.
• AI Opportunity Portfolio → si hay muchas ideas de uso de la inteligencia artificial y hay que priorizarlas; Decision Analysis sirve cuando se trata de una sola inversión importante, y un piloto es una forma de comprar información antes de decidir.
• RAPID — Decision Rights → si además de elegir la alternativa hay que aclarar quién recomienda, quién aporta información y quién decide.

Origen y evolución

Decision Analysis tiene dos orígenes paralelos en los años sesenta, uno en Harvard y otro en Stanford, sobre una base teórica anterior.

Antecedentes. El fundamento formal procede de la teoría de la utilidad de von Neumann y Morgenstern (1944) y de la teoría de la decisión con probabilidades subjetivas de Savage (1954).

Harvard. Howard Raiffa y Robert Schlaifer publicaron Applied Statistical Decision Theory (1961), que aplica la teoría bayesiana de la decisión a problemas de gestión. En 1964, John F. Magee presentó a los directivos los árboles de decisión en Harvard Business Review, con un caso de dimensionamiento de planta. En 1968, Raiffa publicó Decision Analysis: Introductory Lectures on Choices under Uncertainty, el primer libro con ese título y una introducción accesible al método.

Stanford. Ronald A. Howard acuñó el término «decision analysis» en Decision Analysis: Applied Decision Theory (1966), presentado en la Cuarta Conferencia Internacional de Investigación Operativa. Ese mismo año formalizó el valor de la información (Information Value Theory, 1966).

Desarrollo posterior. Keeney y Raiffa ampliaron el método a decisiones con varios objetivos (1976). La práctica profesional se desarrolló en consultoría; Howard fue uno de los fundadores de Strategic Decisions Group (1981). Dos libros llevaron el método al lenguaje directivo: Smart Choices (Hammond, Keeney y Raiffa, 1999), que ordena la decisión en ocho elementos (problema, objetivos, alternativas, consecuencias, compromisos entre objetivos, incertidumbre, tolerancia al riesgo y decisiones enlazadas), y Decision Quality (Spetzler, Winter y Meyer, 2016), que define seis requisitos de una buena decisión: un marco adecuado, alternativas creativas, información relevante y fiable, valores y compromisos claros, razonamiento sólido y compromiso con la acción.

Qué sabemos sobre su solidez

• EvidenciaLas personas estimamos probabilidades con sesgos sistemáticos (anclaje, disponibilidad, representatividad), incluso cuando somos expertos (Tversky y Kahneman, 1974). En ejercicios de estimación, los rangos de confianza que se dan suelen ser demasiado estrechos: la realidad cae fuera más a menudo de lo que los propios estimadores esperan (Alpert y Raiffa, 1982). Es la principal vulnerabilidad práctica del método y la razón de que la estimación se haga con disciplina.
• EvidenciaLa evidencia sobre el valor del método en empresas es escasa y procede sobre todo de estudios de caso. El más citado analiza 178 proyectos de análisis de decisiones en Eastman Kodak entre 1990 y 1999 y estima que el valor creado superó con mucho el coste de los analistas (Clemen y Kwit, 2001). Los propios autores advierten de sus límites: datos recogidos de forma no sistemática, una sola empresa y sin un grupo de comparación claro.
• EvidenciaEl proceso pesa más que el análisis. McKinsey estudió 1.048 decisiones importantes: la calidad del proceso de decisión explicó el resultado seis veces más que la calidad del análisis. En las 673 decisiones con datos de rentabilidad, pasar del cuartil inferior al superior en calidad del proceso se asociaba a 6,9 puntos más de rentabilidad; en calidad del análisis, a 5,3 puntos (Lovallo y Sibony, 2010). Los resultados los declararon los propios directivos.
• EvidenciaBain & Company, en una encuesta a casi 800 empresas, encontró una correlación del 95 % entre decidir y ejecutar bien las decisiones clave y obtener mejores resultados financieros. Es una encuesta de la propia firma.
• Límites con incertidumbre profunda. Knight (Risk, Uncertainty and Profit, 1921) distinguió el riesgo, que se puede medir con probabilidades, de la incertidumbre, que no. Courtney, Kirkland y Viguerie (1997) sitúan el análisis de decisiones en las situaciones en las que el futuro se reduce a unos pocos desenlaces a los que se puede dar probabilidad, y recomiendan enfoques más cualitativos cuando la ambigüedad es total. Kay y King (2020) critican el uso de probabilidades inventadas cuando la situación es radicalmente incierta.