Cómo examinar la información antes de tomar una decisión

Los desafíos a los que se enfrentan los líderes empresariales nunca han sido mayores. Las decisiones habituales son cada vez más complejas, dada la inflación, las tensiones comerciales y la incertidumbre política. Las cuestiones del capital humano incluyen ahora la diversidad, la equidad y la inclusión, la salud mental y la mejora de las capacidades para la cuarta revolución industrial. Las preocupaciones ambientales, sociales y de gobierno ya no pueden delegarse en un departamento de responsabilidad social corporativa; son tarea de la alta dirección. La inteligencia artificial brinda innumerables oportunidades nuevas, pero también múltiples amenazas nuevas.

Pero parece que los ejecutivos tienen una herramienta para combatir estos desafíos: la información. Con un clic del ratón o con el pulgar, pueden solicitar investigaciones de vanguardia sobre prácticamente cualquier tema. Los estudios académicos son de acceso cada vez más abierto y ahora hay una avalancha de investigaciones ampliamente disponibles de consultoras, ONG e inversores. La información no solo proviene de estudios, sino también de libros, artículos de periódicos y podcasts.

Con tanta información disponible, ¿cómo sabemos en qué confiar? Como han puesto de manifiesto las recientes controversias, incluso las investigaciones publicadas en revistas de élite revisadas por pares pueden basarse en datos manipulados. El sesgo de confirmación puede significar que lo que la gente comparte y, por lo tanto, lo que vemos en nuestras fuentes de noticias es lo que quieren que sea cierto, más que lo que realmente es cierto. Hay muchos libros buenos sobre cómo combatir la desinformación —que defino aquí como conclusiones extraídas que no están justificadas por las pruebas—, pero tienden a dar una larga lista de todas las formas en que la gente puede engañarnos; puede resultar difícil recordar cada una de ellas y poner en práctica este conocimiento. Lo que los ejecutivos necesitan es una taxonomía simple de la desinformación para que sepan qué buscar.

Como científico social, mi trabajo consiste en recopilar datos y darles sentido. Esta habilidad es útil no solo para realizar investigaciones sino también para evaluarlas. En una nueva libro, me baso en las herramientas de la investigación en ciencias sociales para desarrollar lo que yo llamo la «escalera de la inferencia errónea», que clasifica la desinformación en cuatro errores. Este marco puede ser útil para los líderes de todo tipo que necesitan gestionar sus propios ataques de información.

El primer paso en falso es que un la declaración no es un hecho, porque puede que no lo sea exacto. ¿Con qué frecuencia tomamos una declaración al valor nominal porque nos gusta lo que dice? Por ejemplo, mi investigación destaca la beneficios del gobierno corporativo y el valor del capitalismo de las partes interesadas. Así que cuando me encontré con un informe de una influyente ONG en el que se afirmaba que las empresas con altos niveles de ESG superan a sus pares, tenía ganas de aplaudir esta afirmación sin crítica. El estudio incluía notas a pie de página que sugerían que hay pruebas que lo respaldan, así que era tentador pensar que esto es suficiente y seguir adelante.

Pero el primer paso para pensar de forma más inteligente es comprobar los hechos. En este caso, seguí la nota a pie de página y descubrí que la fuente subyacente decía lo contrario de lo que decía el informe. La nota a pie de página conducía a un artículo titulado «Donde fallan los ESG», cuyo subtítulo afirma: «A pesar de los innumerables estudios, nunca ha habido pruebas concluyentes de que las pantallas socialmente responsables ofrezcan alfa». Una nota a pie de página al final de una frase no significa que la nota a pie de página apoye realmente la frase: la declaración no es un hecho.

Otras imprecisiones se deben a un error de medición. Un artículo afirmaba que las empresas que invierten en ESG obtienen grandes recompensas. Pero si profundiza en el estudio, se da cuenta de que los autores nunca midieron el nivel de ESG de una empresa, sino que se limitaron a preguntar a las empresas si pensaban que los ESG se habían vuelto más importantes, lo cual es muy diferente. Incluso si una declaración está vinculada a una avalancha de datos, es posible que los datos no midan realmente lo que se afirma en la declaración.

El segundo problema es que un hecho no son datos porque puede que no lo sea representante. Los estudios de casos son un método de enseñanza popular y poderoso. Son vívidos, dan vida a un tema, inspiran a los líderes mucho más que cualquier estadística o regresión. Y esto se aplica más allá de la educación en las escuelas de negocios, a los libros más vendidos y a las charlas virales, que normalmente comienzan con una historia para enganchar al público. Pero los gurús suelen elegir el único ejemplo que ilustra el punto de la manera más cruda posible, ya que hace que la historia sea más memorable. Una sola anécdota —o incluso un par de anécdotas— nos cuenta poco, porque puede que estén seleccionadas cuidadosamente. Son las excepciones que no prueban la regla.

Muchas fórmulas de gestión se venden con historias de empresas famosas que las siguieron y tuvieron éxito. Pero podría haber cientos de otras organizaciones que aplicaran los principios y no las mencionaran nunca porque no se ajustan a la historia. Para demostrar que la fórmula funciona, tendrá que tener en cuenta a los cientos de empresas que la utilizaron —tanto las que se hicieron ricas como las que cerraron— y comparar sus tasas de éxito con las de un grupo de control que no lo hizo.

Nos encanta aprender de las historias de éxito, pero nunca puede identificar lo que impulsó el éxito a menos que también estudie el fracaso. El conjunto de datos tiene que contener a las empresas con la salsa secreta que fracasaron y a las que no las tuvieron y que tuvieron éxito. Si solo le dan a los que siguieron la fórmula y se llevaron el premio mayor, entonces tiene una muestra seleccionada.

La tercera advertencia es que los datos no son pruebas, porque puede que no lo sea concluyente. Los datos a gran escala pueden ser representativos, pero solo son un primer paso porque los datos no son más que un conjunto de hechos. Las pruebas son un conjunto de hechos que nos permiten llegar a una conclusión. Hacerlo requiere no solo apoyar su teoría, sino también rechazar las teorías rivales, del mismo modo que las pruebas en un juicio penal solo tienen sentido si identifican a su sospechoso en particular.

Esta es otra área en la que la formación como científico social ayuda. Implica sacar las relaciones de causa y efecto de los datos y determinar si un estudio lo logra.

Un estudio que encontré afirmaba encontrar pruebas concluyentes de que el gobierno corporativo mejora el rendimiento de las empresas, basándose en datos según los cuales las empresas bien gobernadas superan a las que están mal gobernadas. Como gran parte de mi investigación se centra en las ventajas de la buena gobernanza, me ha encantado ver esta conclusión. Pero, ¿realmente demostró que la gobernanza causado¿esa actuación?

Por desgracia, esos datos solo mostraron una correlación entre la gobernanza y el desempeño. Los datos concuerdan con la teoría de que la buena gobernanza provoca un desempeño superior. Sin embargo, los datos también concuerdan con dos teorías rivales. La primera es la causalidad inversa. Quizás las empresas con mal desempeño tengan que centrarse en la extinción de incendios; solo una vez que la empresa tenga una perspectiva optimista puede centrar su atención en cuestiones a largo plazo, como la gobernanza. La segunda son las causas comunes. Tal vez tener un buen CEO mejore el gobierno corporativo y el CEO también aumente el rendimiento, en lugar de que lo primero cause lo segundo. Todos sabemos que «la correlación no implica causalidad», pero de repente nos olvidamos de esto cuando nos gusta que se muestre el resultado.

Si alguna vez asiste a una conferencia de economía, tendrá lugar a largos debates sobre temas como este. Pero no necesita ser académico para pensar con claridad sobre la causa y el efecto. Pregúntese siempre si hay otras teorías que concuerden con los datos que tiene ante sí, en lugar de precipitarse en la explicación que quiere que sea cierta.

La última salvedad es que las pruebas no son pruebas, porque puede que no lo sea universal. La prueba es absoluta. Cuando Arquímedes demostró que el área de un círculo es pi veces el cuadrado de su radio, lo demostró no solo para los círculos de la Antigua Grecia del siglo III a. C., sino también para los círculos de todo el mundo actual. Pero aunque las pruebas den el resultado a la perfección, puede que solo lo hagan en el entorno en el que se recopilaron, puede que no lo hagan en ningún otro lugar.

Uno de los míos estudia descubrió que las empresas con una alta satisfacción de los empleados superan a sus pares entre un 2,3% y un 3,8% anual en cuanto a rentabilidad bursátil a largo plazo (entre un 89 y un 184% acumulados), incluso después de tener en cuenta otros factores que impulsan la rentabilidad. Otros análisis sugieren que es la satisfacción de los empleados lo que provoca un buen desempeño, y no que un buen desempeño permita a la empresa invertir en la satisfacción de los empleados.

Pero este estudio se limitó a los Estados Unidos. Un influyente libro de Joseph Henrich destacó que la mayoría de las investigaciones se centran en temas raros (aquellos que son occidentales, educados, industrializados, ricos y demócratas) y es posible que los resultados no se extiendan al resto del mundo. No podía suponer que mis hallazgos se aplicaran en otros lugares, así que, con algunos coautores, extendido mi estudio original en 30 países. Descubrí que mis conclusiones originales normalmente se mantenían, pero no siempre. En los países con una fuerte regulación del mercado laboral, las empresas con un alto grado de satisfacción de los empleados ya no obtienen mejores resultados. Eso tiene sentido: la ley significa que sus competidores ya ofrecen un alto nivel de bienestar a los trabajadores, por lo que los que están más arriba pueden estar más allá del punto de disminuir la rentabilidad.

¿Cómo podemos poner en práctica la escala de las inferencias erróneas a la hora de encontrar información? Hacernos las siguientes preguntas sencillas:

1. Si vemos una declaración, ¿está respaldada por datos? No basta con ver que hay una nota a pie de página; tiene que buscarla y ver lo que afirma. Incluso la afirmación apoya la declaración, ¿qué miden realmente los datos?
2. Si escuchamos un hecho, como una historia o una anécdota, ¿es representativo o ha sido elegido cuidadosamente? ¿Considera el autor a otras empresas con la salsa secreta que fracasaron y a las que no la tuvieron que tuvieron éxito?
3. Si nos dan datos a gran escala, ¿cuáles son las teorías rivales que concuerdan con los mismos datos? Un consejo útil para detectar teorías rivales es imaginar que el estudio arrojó el resultado opuesto —uno que no nos guste— y pensar en cómo trataríamos de derribarlo.
4. Si encontramos pruebas sólidas, ¿se aplican al entorno que nos interesa? Un estudio que revele que empoderar a los empleados trabaja en la tecnología no tiene por qué significar que sea eficaz en la minería, donde la salud y la seguridad son primordiales y las normas son más valiosas.

Estos antídotos destacan que entender los datos no requiere pirotecnia estadística sino sentido común, pensamiento crítico y una buena dosis de escepticismo. Aun así, se le acabaría el ingenio si, cada vez que viera una declaración, tuviera que buscar la referencia; cada vez que encontrara pruebas, tendría que tener en cuenta el contexto. Pero puede aplicar estas preguntas de forma selectiva, siguiendo el Principio 80/20. Si el resultado es especialmente relevante para su negocio y es especialmente propenso a aplaudirlo debido al sesgo de confirmación, vale la pena tener mucho cuidado. Y al igual que el desarrollo de cualquier habilidad nueva, cuanto más la practique, más se arraiga.