GUÍAS DE DE GESTIÓN | Store

🔐 El béisbol enseña a los directorios ejecutivos de los negocios ¿Qué gestionar?

El béisbol y su terminología se ha tomado como argumento para vestir muchas estrategias del mundo ejecutivo de los negocios.

RESUMEN

Manejamos nuestras vidas y nuestros negocios usando promedios. Si no lo hiciéramos, estaríamos tan abrumados con información que no podríamos gestionar en absoluto. Pero este enfoque oculta un mundo inmensamente rico. Tan pronto como escogemos un promedio sobre el cual tomar una decisión, nos desligamos de información más detallada que podría conducir a percepciones que podrían afectar nuestras decisiones y resultados. Los momentos de la gestión del juego del béisbol en el campo son escenarios de los que podemos extraer información para estudiar la toma de decisiones sobre asuntos clave de los negocios. Un lanzador, pícher o pitcher es el jugador que expulsa la pelota desde el montículo hacia el receptor, con el objetivo de sacar al bateador e impedirle anotar y ayudar a anotar carreras. A esta posición se le asigna el número 1. Si está dentro del rectángulo imaginario, es decir, la zona de strike oficial, definido por la anchura del home plate en el campo y la posición de bateador, el árbitro debe otorgar un strike. De lo contrario, dará el lanzamiento como malo o “bola”. ¿Qué de esta terminología del béisbol podemos llevar al directorio ejecutivo de la empresa para gestionar la mejor toma de decisiones? Avancemos...

🔐 SUSCRIPTORES

Las predisposiciones del béisbol en la toma de decisiones 

En general, estoy interesado en las tomas de decisiones de los especialistas, sobre todo en segmentos para los cuales hay predicciones disponibles a través de máquinas, modelos basados en máquinas y algoritmos.

En el caso de los árbitros de béisbol, hay datos de cámaras estereoscópicas, situadas detrás del home plate [cuarta base, donde está el bateador] de todos los estadios de las Grandes Ligas que usamos como punto de referencia para evaluar las decisiones tomadas por los árbitros.

Este es un escenario ideal para estudiar la toma de decisiones por parte de los expertos, porque tenemos expertos que supuestamente deben seguir unas normas de decisión muy específicas.

El lanzador hace una echada. Si está dentro del rectángulo imaginario, es decir, la zona de strike oficial, definido por la anchura del home plate en el campo y la posición de bateador, el árbitro debe otorgar un strike. De lo contrario, dará el lanzamiento como malo o “bola”.

Utilizamos los datos proporcionados por las cámaras estereoscópicas, que captan una secuencia de imágenes de cada lanzamiento desde el momento que la bola sale de la mano del lanzador hasta el momento que atraviesa la zona por encima del home plate [donde está el bateador]. Por lo tanto, se puede observar, básicamente, en qué medida el árbitro se mantiene fiel a esta norma para tomar su decisión, basándose únicamente en la ubicación de los lanzamientos realizados.

Creo que lo más interesante revelado por los datos es la desviación del parámetro, que es bastante sistemática.

Hay algo en el béisbol llamado cuenta. La cuenta hace un registro de la secuencia de lanzamientos entre un lanzador y bateador durante un at-bat [el número de veces que un jugador manejaba el bate]. Si la cuenta llega a cuatro bolas, esto es bueno para el lanzador. Que avanza. El bateador sufre strike out [es eliminado].

Así que en lugar de que el árbitro sólo utilice la ubicación del terreno de juego para tomar decisiones, los lanzamientos en la misma ubicación a veces se consideran bolas o strikes, dependiendo de la cuenta.

En particular, la zona de strike se incrementa drásticamente cuando la cuenta favorece al bateador. Cuando esto sucede, el juez responde a favor del lanzador, y viceversa, es decir, cuando la cuenta favorece al lanzador, el juez responde favoreciendo al bateador.

[…] Básicamente, podemos pensar en un terreno de juego que atraviesa, por ejemplo, el límite superior de la zona de strike. Este lanzamiento estará dentro de lo que llamaré recuento básico, es decir, la cuenta que se hace al principio del at-bat, cuando el número de bolas y strikes es cero. El juez considera ese lanzamiento un strike el 50% de las veces, y lo considera una bola el 50% de las veces. Se puede pensar en ello como la diferencia entre en un lanzamiento malo y un strike.

Sin embargo, cuando la cuenta es de tres bolas y cero strikes y la situación favorece fuertemente al bateador, casi siempre se considera un strike. Lo contrario es cierto en la cuenta opuesta, es decir, cuando el número de bolas es cero y hay dos strikes. El mismo lanzamiento, en el mismo lugar, casi siempre se considera una bola.

¿Por qué sucede eso?

Hay un número de posibles explicaciones para este resultado.

Voy a explicar aquí qué me parece particularmente interesante y contrario a la intuición.

Se argumenta que el árbitro estaría intercambiando precisión por parcialidad. O mejor dicho, estaría cambiando parcialidad por precisión. Está siendo parcial de forma deliberada, consciente o inconscientemente. El juez está variando la zona de strike y hace que se implemente en la cuenta. Él no está tomando decisiones basadas únicamente en la ubicación del terreno de juego. El argumento, sin embargo, es que en realidad ayuda a tomar decisiones más precisas.

¿Por qué pasa eso?

Imagine que usted es un árbitro. Está de cuclillas detrás del receptor y mira por encima de su cabeza hacia el lanzador. El coge fuerza con el brazo, levanta la pierna y hace un lanzamiento de más de 144 km/h. Es todo muy rápido. Hay algo de movimiento lateral, vertical, y usted tiene que decidir si el lanzamiento ocurrió dentro o fuera de ese rectángulo imaginario.

Es un problema muy difícil, y si sólo confía en su observación del lugar de lanzamiento probablemente se equivocará a menudo. Sería difícil decir si era exclusivamente dentro de la zona de strike o simplemente fuera de ella.

Por suerte para usted, hay otros datos a su disposición. Ha acumulado expectaciones a lo largo de los muchos años que ha trabajado como árbitro profesional, las expectativas sobre la dirección en la que el lanzador debe lanzar la bola en una cuenta determinada y si el jugador logrará batear.

Por ejemplo, es perfectamente posible suponer que cuando la cuenta es de tres lanzamientos malos y cero strikes, es decir, cuando la situación es favorable para el bateador, el lanzador intentará hacer un strike. Por lo tanto, si fue un lanzamiento ajustado, y no está seguro de si era justo dentro de la zona de strike o fuera de ella, es posible que cometa un error y lo considere un strike, el lanzamiento que esperaba.

Ahora, piense en lo que sucede con una cuenta de 0-2. En este caso, usted espera que el bateador golpeé todo lo que esté cerca, porque si no lo hace, corre el riesgo de ser eliminado, y mucho más: su turno para golpear [at-bat] puede ampliarse si golpea la pelota a territorio no válido, por ejemplo. Imagine que usted ve un lanzamiento que le parece ajustado, pero el bateador prefiere no intentar golpear la bola.

¿Cómo interpreta esta decisión? Bueno, podría decir, por ejemplo, que el vio algo que usted no ve, es decir, su posición era tan ventajosa que, para él, aquello fue un mal lanzamiento. Y entonces usted puede errar al considerar que el lanzamiento es una bola mala.

La inferencia Bayesiana, esta forma racional de procesar otra información disponible, crea un intercambio entre parcialidad y precisión. Ayuda a los jueces a proceder con más exactitud a costa de cambiar de forma sistemática la zona de strike por ellos impuesta con esta variable, la cuenta, que nada tiene que ver con su directriz.

⥤ La inferencia bayesiana es un tipo de deducción estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta. El nombre «bayesiana» proviene del uso frecuente que se hace del teorema de Bayes durante el proceso de inferencia.

Qué pueden sacar las empresas del lenguaje del béisbol

En mi opinión, los árbitros están practicando una discriminación estadística. Tienen una directriz por la cual toman sus decisiones basándose únicamente en el lugar desde donde se realiza el lanzamiento, pero esto es algo muy difícil de hacer.

Es espinoso identificar todas las veces la ubicación correcta. En lugar de eso, razonan de la siguiente manera: “Tengo otra información correspondiente a la ubicación del lanzamiento que me puede ayudar a tomar, de media, las decisiones más precisas”. Como he dicho antes, los árbitros intercambian básicamente la precisión por la parcialidad.

Las oportunidades de discriminación estadística están en todas partes

Están por todas partes en el lugar de trabajo y, en particular, en el proceso de contratación.

Cuando contratamos, por ejemplo, tenemos un parámetro que parece muy similar a la directriz del árbitro. Queremos contratar a la mejor persona, aquella que va a hacer mejor el trabajo, la que será más adecuada. Sin embargo, a menudo es difícil, en el proceso de la conversación, mirando a un CV o incluso entrevistando a la persona, decidir quién es el mejor.

¿En qué medida esa persona es competente de verdad? ¿En qué medida haría bien el trabajo? Así que hay otros factores que nos pueden ayudar. Los factores que implícita o explícitamente se rechazan, que tal vez no deberíamos estar usando. Pero también hay factores que, por lo que creemos, y tal vez con razón, como en el caso de los árbitros de béisbol, nos dan información sobre la capacidad del individuo para adaptarse.

Si estamos en lo cierto, vamos a tener un poco más de precisión, pero vamos a tener que pagar el precio de la parcialidad por ello. Llegará a costa de ser capaz de predecir de forma sistemática a quien contratamos, según factores que no guardan relación alguna, al menos directamente, con el tipo de contrato que estamos tratando de lograr.

La gestión de los algoritmos de pronósticos asentado en máquinas

El béisbol es una oportunidad de utilizar modelos basados en máquinas, las cámaras a las que me he referido, y de ese modo evaluar hasta qué punto los jueces hacen un buen trabajo.

Creo, sin embargo, que hay una serie de interesantes casos en los que las decisiones que tomamos pueden ser definidas por los algoritmos de pronósticos basados en máquinas.

Una de las cosas que me interesan especialmente tiene que ver con la realización de previsiones basadas en máquinas, como en el caso de las elecciones. Es algo que llega en un buen momento.

Creo que muchos de nosotros estuvimos interesados en la probabilidad de que ganara Hillary Clinton o en la probabilidad de que Donald Trump fuera nuestro próximo presidente. Un lugar donde se puede obtener información al respecto es FiveThirtyEight, la página web de estadística Nate Silver.

En la temporada electoral, está hizo algo que no se ha había realizado antes: ofrecer múltiples modelos. En el pasado, te decía que la probabilidad de que Hillary Clinton ganará era del 77%. Luego: “Si usted cree en este modelo, la probabilidad es de que gane es del 72%; si cree en otro, es del 84%”. A veces hay una desviación muy significativa entre los dos modelos.

¿Y cuáles son estos modelos?

Básicamente, parten de diferentes supuestos sobre el mundo. Su decisión con respecto al modelo a seguir es, en realidad, una determinación acerca de lo que cree que es el proceso de generación de datos. ¿A qué cree que el mundo se parece? Hay un modelo según el cual sólo debemos escuchar a las encuestas.

Sólo deberíamos oir lo que dice la gente ahora. Hay otro modelo en el que hay varios factores predictivos, los indicadores económicos, por ejemplo, que en el pasado siempre han sido utilizados para predecir los resultados de las elecciones. Por lo tanto, deberíamos escucharlos también.

En resumen, lo que me interesa es lo siguiente: ¿cómo debemos hacer las preguntas correctas? ¿Qué tipo de información podemos dar a las personas para hacerlas pensar que este momento, el presente, es simplemente igual al pasado, y que el pasado es un buen índice de pronóstico del presente? ¿Cómo podemos hacer preguntas que lleven a las personas a pensar? De hecho, el proceso nunca es estacionario. No existe ningún momento como este”.

Autor:Etan Green,docente profesor de Operaciones, Información y Decisiones de Wharton Business School, Universidad de Pensilvania

FUENTES TEMÁTICAS:
Wharton Business School

RHB Sport 4.0

¿Aún no es abonado deporte & negocios?
ÚNETE ahora y disfruta del acceso ILIMITADO a todas
las guías de gestión sobre economía
del deporte.

SUSCRÍBETE
Exclusivo con Google

Investigación y articulación temática de los redactores digitales deporte & negocios. Producimos contenidos de valor en habilidades de gestión para los desafíos de la economía digital, los mercados inteligentes y la industria del deporte 4.0. deporteynegocios.com

Comments are closed.

Total
4
Compartir
X

¿Olvidaste la contraseña?

Únete a nosotros