Durante años, una de las grandes aspiraciones de las organizaciones ha sido poder medir mejor.
Hoy esa capacidad es extraordinariamente mayor. Tableros de control permiten seguir cientos de indicadores. Los sistemas empresariales registran millones de transacciones. Las herramientas de analítica encuentran relaciones entre grandes volúmenes de información y la inteligencia artificial amplía todavía más nuestra capacidad para identificar patrones.
Podemos saber cuánto vendemos, cuánto recaudamos, cuánto cuesta una operación, cómo se comporta un activo o cómo evoluciona determinado indicador prácticamente en tiempo real.
¿Qué no estamos viendo?
La pregunta importa porque todo indicador tiene un punto de partida: algo tuvo que ser identificado antes de poder ser medido.
Para que un usuario aparezca en un tablero, primero debe existir en una base de datos. Para medir el desempeño de un activo, ese activo debe haber sido identificado y caracterizado. Para analizar una variable, alguien tuvo que determinar previamente que esa variable era relevante y encontrar una manera de capturarla.
Lo que podemos medir no es necesariamente todo lo que necesitamos comprender
Los sistemas de información son extraordinariamente buenos trabajando con aquello que conocemos. El problema comienza cuando asumimos que aquello que podemos medir representa todo aquello que necesitamos comprender.
La literatura sobre medición del desempeño ha documentado una manifestación particular de este riesgo. Investigadores del Journal of Accounting Research describen como surrogation la tendencia de los directivos a perder de vista aquello que una métrica pretende representar y terminar tratando la propia métrica como si fuera el objetivo.
El problema puede ir todavía más allá…
Podemos estar midiendo correctamente y, aun así, estar dejando por fuera algo relevante que nunca entró en nuestro campo de observación.
Medir mejor lo conocido no ayuda necesariamente a descubrir lo desconocido
Pensemos en una empresa de servicios públicos.
Sus sistemas pueden mostrar con precisión cuántos usuarios tiene, cuánto factura, cuánto recauda, cómo evoluciona su cartera y cuáles son sus niveles de consumo.
Los indicadores pueden ser correctos.
Pero ¿qué ocurre con una nueva unidad residencial que existe físicamente y todavía no ha sido incorporada a la base comercial?
Desde la perspectiva del sistema, esa unidad no tiene bajo consumo ni presenta una anomalía de facturación. Tampoco aparece como un usuario pendiente.
Simplemente no existe.
Ese punto ciego difícilmente puede resolverse construyendo otro indicador sobre la misma información. Para descubrirlo es necesario ampliar aquello que la organización observa y relacionar fuentes que permitan formular preguntas diferentes.
Algo similar puede ocurrir con los activos. Una organización puede conocer cuántos inmuebles administra, su valor contable, los costos asociados o las intervenciones realizadas. Pero esos indicadores no necesariamente revelarán que un inmueble está siendo subutilizado o que existe una oportunidad económica que nunca fue considerada.
Aquí aparece una distinción importante: medir mejor lo conocido no necesariamente ayuda a descubrir lo desconocido.
La inteligencia artificial también depende de aquello que puede observar.
La IA hace esta discusión todavía más relevante.
Su capacidad para procesar grandes volúmenes de información, reconocer patrones y encontrar relaciones difíciles de detectar mediante análisis convencional abre posibilidades extraordinarias. Pero incluso los modelos más sofisticados dependen de aquello que pueden observar.
Si una transformación territorial nunca fue capturada, si un activo no fue caracterizado o si una fuente relevante permanece fuera del análisis, aumentar la capacidad de procesamiento no hace desaparecer automáticamente ese punto ciego.
Por eso, el siguiente salto en la gestión de datos probablemente no consista únicamente en construir mejores tableros, incorporar más indicadores o procesar mayores volúmenes de información.
También requiere mejorar nuestra capacidad para cuestionar qué entra y qué no entra en nuestro campo de visión.
Para quienes toman decisiones, esto introduce preguntas diferentes a las habituales:
- ¿Qué fenómeno relevante todavía no estamos midiendo?
- ¿Qué información podría existir fuera de nuestras fuentes habituales?
- ¿Qué relación entre variables nunca hemos explorado?
- ¿Y qué pregunta todavía no estamos haciendo porque nuestros propios sistemas no nos han dado razones para hacerla?
Los indicadores siguen siendo indispensables. La analítica y la inteligencia artificial multiplicarán su capacidad. Pero ninguna herramienta debería llevarnos a confundir visibilidad sobre lo medido con comprensión de todo lo relevante.
El próximo desafío de los datos quizá no sea tener más información.
Sea aprender a reconocer qué estamos dejando de ver.
