‘Big data’: aprender de los errores reduce el fracaso

Se suele decir que el mayor inventor de Estados Unidos es Thomas Edison. Sus éxitos incluyen la generación de energía eléctrica, la grabación de sonido y la bombilla incandescente. Pero Edison no era ajeno al fracaso. Se sabe que probó 1.000 diseños diferentes antes de decidirse por el filamento de carbono que dio lugar a la primera bombilla incandescente con éxito comercial. Esta perseverancia es lo que lo distingue de los demás. “Muchos de los fracasos se deben a que las personas no fueron conscientes de lo cerca que estaban del éxito cuando se dieron por vencidas”, dijo.

Muchos grupos e individuos han estudiado la naturaleza del éxito con diversos resultados. La otra cara de la moneda, la naturaleza del fracaso, ha sido mucho menos estudiada pero se podría decir que es más importante. Poco se sabe sobre los mecanismos que gobiernan la dinámica del fracaso.

Pero eso acaba de cambiar en parte, gracias al trabajo del investigador de la Universidad del Noroeste en Evanston (EE.UU.) Yian Yin y sus colegas. El equipo ha analizado la naturaleza del fracaso de tres grandes conjuntos de datos: las fortunas de las start-ups, los investigadores que intentan obtener financiación y los ataques terroristas. El trabajo revela la dinámica del fracaso y una característica oculta que puede distinguir los inminentes fracasos de los éxitos en una etapa temprana.

El método del equipo se basa en el análisis de los tres conjuntos de datos. El primero es un conjunto de todas las solicitudes de investigación relacionadas con la salud, presentadas a los Institutos Nacionales de la Salud de EE. UU. (NIH por sus siglas en inglés) entre 1985 y 2015. Lo NIH son el mayor financiador de investigaciones biomédicas del mundo, por lo que este conjunto de datos es enorme: consta de 776.721 solicitudes hechas por 139.091 investigadores. También incluye información sobre aceptación o el rechazo de cada propuesta; en otras palabras, si tuvo éxito o no.

La segunda base de datos proviene de los registros de inversión en start-upsde VentureXpert, la base de datos oficial de la Asociación Nacional de Capital de Riesgo de EE.UU. Ahí se sigue el recorrido de cada start-up financiada por los inversores de riesgo entre 1970 y 2017: un total de 58.111 empresas con 253.579 innovadores. En este caso, una start-up se considera exitosa si logra una oferta pública inicial o una fusión de alto valor y adquisición dentro de los cinco años posteriores a su fundación.

El último conjunto de datos proviene de la base de datos de terrorismo global (Global Terrorism Database), con 170.350 ataques terroristas por parte de 3.178 organizaciones entre 1970 y 2017. En este caso, un ataque exitoso es el que se lleva al menos una vida, mientras que los fracasados son los que no matan a nadie.

Una característica clave de los tres conjuntos de datos es que permiten que Yin y sus colegas sigan la trayectoria de aquellos investigadores, emprendedores y grupos terroristas que hacen numerosos intentos para lograr su objetivo. Una cuestión clave que investigan es cómo los intentos cambian con el tiempo y qué factores están implicados en estos cambios.

En concreto, Yin y sus colegas han estudiado dos factores que se cree que juegan un papel importante en el éxito y en el fracaso: el azar y el aprendizaje. Primero analizaron el azar, la idea de que los acontecimientos aleatorios desempeñan un papel importante para dificultar o aumentar las posibilidades de éxito.

El modelo era simple. Si el azar es el factor clave que determina el éxito, entonces cada intento tiene una probabilidad limitada de resultar exitoso. De hecho, el éxito siempre acabaría ocurriendo si se hacen suficientes intentos. Esto sugiere que el número de intentos antes de un éxito debería seguir una distribución exponencial. Para comprobar esta teoría, Yin y sus colegas estudiaron las secuencias del fracaso de los mismos individuos o equipos antes de lograr un éxito. Resulta que estas secuencias no siguen el tipo de distribución prevista por un modelo aleatorio.

Yin y sus compañeros también evaluaron los primeros y los penúltimos intentos en estas rachas de fracasos y luego los compararon para ver cómo han cambiado. Si lo único que importa es la suerte, no debería haber una diferencia significativa. Pero los penúltimos intentos muestran resultados significativamente mejores que los primeros, según el equipo. Esto sugiere que debe haber otro mecanismo en juego: las personas involucradas tenían que estar aprendiendo. En otras palabras, la experiencia del fracaso enseña valiosas lecciones que se pueden usar para mejorar el rendimiento la próxima vez.

Dado que el aprendizaje debería reducir la cantidad de intentos requeridos antes de lograr el éxito, debería provocar una distribución más estrecha de los fracasos que la forma exponencial prevista por el modelo del azar. Pero para sorpresa de Yin y sus compañeros, las rachas de fracaso tampoco siguen este patrón. De hecho, tienen una distribución mucho más gruesa en cola. “Estas observaciones demuestran que ni el azar ni el aprendizaje por sí solos pueden explicar los patrones empíricos subyacentes del fracaso“, afirman los investigadores.

Entonces, ¿qué otros factores importantes hay? Para averiguarlo, Yin y su equipo crearon un modelo de cómo las personas aprenden de la experiencia y cómo esto influye en su próximo intento. En concreto, si las personas tienen en cuenta todas sus experiencias previas o solo algunas de ellas.

El modelo resultante analiza una gama completa de aprendizaje, desde los que tienen en cuenta todas sus experiencias pasadas hasta aquellos que obvian todas sus experiencias pasadas. El equipo asegura que este modelo predice un cambio de fase en el comportamiento que coincide con los datos empíricos. Cuando el nivel de aprendizaje basado en la experiencia está por debajo de cierto umbral, los siguientes intentos nunca son lo suficientemente buenos para tener éxito. De hecho, los grupos pueden terminar reduciendo la calidad de su trabajo.

Pero cuando el nivel de aprendizaje a partir la experiencia supera este umbral, los futuros intentos son cada vez mejores hasta que finalmente logran el éxito. Y el factor clave es la forma en la que las personas aprenden.

Eso tiene implicaciones importantes. Por ejemplo, significa que el proceso de aprendizaje de un equipo es un buen indicador de si en algún momento tendrá éxito o no. La investigación afirma: “Nuestros hallazgos revelan unas señales tempranas reconocibles pero previamente desconocidas que nos permiten identificar la dinámica del fracaso que al final llevará a la victoria o a la derrota”.

El siguiente paso será analizar el aprendizaje exitoso in situ para poder distinguirlo del aprendizaje no exitoso de forma sistemática. Esa podría ser una estrategia crucial para que los equipos obtengan una ventaja competitiva. Y con tanto en juego en términos de financiamiento e inversión, los que estudian con éxito tienen muchos incentivos para esforzarse más.

Fuente: MIT Technology Review