Por qué los “pensadores de muchos modelos” toman mejores decisiones
Por Scott E. Page
Harvard Business Review
Toma de Deicisones
“Para ser sabio, debes organizar tus experiencias en una red de modelos”.
- Charlie Munger
Las organizaciones están repletas de datos, desde datos transaccionales geocodificados hasta tráfico de sitios web en tiempo real y cuantificaciones semánticas de informes anuales corporativos. Todos estos datos y fuentes de datos solo agregan valor si se ponen en uso. Y eso normalmente significa que los datos se incorporan en un modelo. Por modelo, me refiero a una representación matemática formal que se puede aplicar o calibrar para ajustar los datos.
Algunas organizaciones utilizan modelos sin saberlo. Por ejemplo, una curva de rendimiento, que compara los bonos con el mismo perfil de riesgo pero con diferentes fechas de vencimiento, puede considerarse un modelo. Una rúbrica de contratación es también un tipo de modelo. Cuando anota las características que hacen que valga la pena contratar un trabajo, está creando un modelo que toma datos sobre el candidato y lo convierte en una recomendación sobre si contratar o no a esa persona. Otras organizaciones desarrollan modelos sofisticados. Algunos de esos modelos son estructurales y pretenden captar la realidad. Otros modelos extraen datos usando herramientas de aprendizaje automático e inteligencia artificial.
Las organizaciones más sofisticadas, desde Alphabet hasta Berkshire Hathaway y la CIA, usan modelos. De hecho, hacen algo aún mejor: usan muchos modelos en combinación.
Sin modelos, dar sentido a los datos es difícil. Los datos ayudan a describir la realidad, aunque de manera imperfecta. Sin embargo, por sí sola, los datos no pueden recomendar una decisión sobre otra. Si nota que sus equipos con mejores resultados son también los más diversos, eso puede ser interesante. Pero para convertir ese punto de datos en información, debe conectarlo en algún modelo del mundo; por ejemplo, puede suponer que tener una mayor variedad de perspectivas en un equipo conduce a una mejor toma de decisiones. Tu hipótesis representa un modelo del mundo.
Aunque los modelos individuales pueden funcionar bien, los conjuntos de modelos funcionan incluso mejor. Es por eso que los mejores pensadores, los pronosticadores más precisos y los equipos de diseño más eficaces utilizan conjuntos de modelos. Son lo que yo llamo, pensadores de muchos modelos.
En este artículo, explico por qué muchos modelos son mejores que uno y también describo tres reglas sobre cómo construir su propio conjunto poderoso de modelos: difundir la atención en forma amplia, aumentar las predicciones y buscar conflictos.
El caso de los modelos.
En primer lugar, algunos antecedentes sobre los modelos. Un modelo representa formalmente algún dominio o proceso, a menudo utilizando variables y fórmulas matemáticas. (En la práctica, muchas personas construyen modelos más informales en su cabeza, o por escrito, pero la formalización de sus modelos suele ser una forma útil de aclararlos y hacerlos más útiles). Por ejemplo, Point Nine Capital usa un modelo lineal para clasificar el potencial Oportunidades de inicio basadas en variables que representan la calidad del equipo y la tecnología. Las universidades líderes, como Princeton y Michigan, aplican modelos probabilísticos que representan a los solicitantes por promedio de calificaciones, puntajes de exámenes y otras variables para determinar su probabilidad de graduarse. Las universidades también usan modelos para ayudar a los estudiantes a adoptar comportamientos exitosos. Esos modelos usan variables como cambios en los puntajes de las pruebas durante un semestre. Disney usó un modelo basado en agentes para diseñar parques y atracciones. Ese modelo creó una versión computarizada del parque completa con los visitantes y simuló su actividad para que Disney pudiera ver cómo diferentes decisiones podrían afectar la forma en que funcionaba el parque. La oficina de presupuesto del Congreso utiliza un modelo económico que incluye estadísticas de ingresos, desempleo y salud para estimar los costos de los cambios en las leyes de atención médica.
En estos casos, los modelos organizan la gestión de datos. Todos estos modelos ayudan a los líderes a explicar los fenómenos y comunicar información. También imponen una coherencia lógica y, al hacerlo, ayudan en la toma de decisiones estratégicas y la previsión. No debería sorprender que los modelos sean más precisos como predictores que la mayoría de las personas. En las competiciones directas entre personas que usan modelos y personas que no lo hacen, los primeros ganan, y generalmente lo hacen por amplios márgenes.
Las modelos ganan porque poseen capacidades de las que carecen los humanos. Los modelos pueden insertar y aprovechar más datos. Los modelos pueden ser probados, calibrados y comparados. Y los modelos no cometen errores lógicos. Los modelos no sufren sesgos cognitivos. (Sin embargo, pueden introducir o replicar sesgos humanos; esa es una de las razones para combinar varios modelos).
Combinando multiples modelos
Si bien la aplicación de un modelo es buena, el uso de muchos modelos (un conjunto) es aún mejor, especialmente en dominios de problemas complejos. He aquí por qué: los modelos simplifican. Por lo tanto, no importa cuántos datos incorpore un modelo, siempre perderá alguna variable relevante o dejará de lado alguna interacción. Por lo tanto, cualquier modelo estará mal.
Con un conjunto de modelos, puede compensar las brechas en cualquiera de los modelos. Construir el mejor conjunto de modelos requiere reflexión y esfuerzo. Como resultado, los conjuntos de modelos más precisos no consisten en los modelos individuales de mayor rendimiento. Por lo tanto, no debe correr una carrera de caballos entre los modelos candidatos y elegir a los cuatro primeros clasificados. En su lugar, desea combinar diversos modelos.
Durante décadas, las firmas de Wall Street han usado modelos para evaluar el riesgo de inversión. El riesgo toma muchas formas. Además del riesgo de las fluctuaciones del mercado financiero, existen riesgos de la geopolítica, eventos climáticos y movimientos sociales, como la ocupación de Wall Street, por no mencionar los riesgos de la amenaza cibernética y otras formas de terrorismo. Un modelo de riesgo estándar basado en las correlaciones del precio de las acciones no incluirá todas estas dimensiones. Por lo tanto, los principales bancos de inversión utilizan conjuntos de modelos para evaluar los riesgos.
Pero, ¿cómo debería ser ese conjunto? ¿Qué modelos incluye uno y cuáles deja de lado?
La primera guía para construir un conjunto es buscar modelos que centren la atención en diferentes partes de un problema o en diferentes procesos. Con eso quiero decir, su segundo modelo debe incluir diferentes variables. Como se mencionó anteriormente, los modelos dejan cosas fuera. Los modelos estándar de los mercados financieros dejan de lado los detalles institucionales detallados de cómo se ejecutan las operaciones. Se abstraen de la ecología de las creencias y las reglas comerciales que generan secuencias de precios. Por lo tanto, un buen segundo modelo incluiría esas características.
El matemático Doyne Farmer defiende los modelos basados en agentes como un buen segundo modelo. Un modelo basado en agentes consiste en "agentes" basados en reglas que representan a personas y organizaciones. El modelo se ejecuta en una computadora. En el caso del riesgo financiero, los modelos basados en agentes pueden diseñarse para incluir gran parte de ese detalle a nivel micro. Un modelo basado en el agente de un mercado de la vivienda puede representar a cada hogar, asignándole un ingreso y una hipoteca o pago de renta. También puede incluir reglas de comportamiento que describen las condiciones cuando los propietarios de la casa refinanciarán y cuándo se declararán en bancarrota. Esas reglas de comportamiento pueden ser difíciles de entender, y como resultado, el modelo basado en agentes puede no ser tan preciso, al menos al principio. Pero, Farmer y otros argumentarían que con el tiempo, los modelos podrían ser muy precisos.
Nos importa menos si los modelos basados en agentes superarán a otros modelos estándar que si los modelos basados en agentes leerán las señales perdidas por los modelos estándar. Y lo harán. Los modelos estándar funcionan sobre agregados, como los índices de Case-Shiller, que miden los cambios en los precios de las viviendas. Si el índice de Case-Shiller aumenta más rápido que el ingreso, es probable que haya una burbuja inmobiliaria. Tan útil como es el índice, es ciego a los cambios distributivos que mantienen los medios constantes. Si los aumentos de ingresos solo llegan al 1% superior, mientras que los precios de la vivienda aumentan en todos los ámbitos, el índice no sería diferente si los aumentos de ingresos fueran amplios. Los modelos basados en agentes no serían ciegos a los cambios de distribución. Se darían cuenta de que las personas que ganan $ 40,000 deben tener $ 600,000 de hipotecas. El modelo basado en agentes no es necesariamente mejor. Su valor viene de centrar la atención donde el modelo estándar no lo hace.
La segunda guía toma prestado el concepto de impulso, una técnica del aprendizaje automático. Los algoritmos de clasificación de conjuntos, como los modelos de bosques aleatorios, consisten en una colección de árboles de decisión simples. Un árbol de decisión que clasifique las posibles inversiones de capital de riesgo podría decir "si el mercado es grande, invierta". Los bosques aleatorios son una técnica para combinar árboles de decisión múltiples. Y el impulso mejora la potencia de estos algoritmos mediante el uso de datos para buscar nuevos árboles de una manera novedosa. En lugar de buscar árboles que predicen con gran precisión de forma aislada, la búsqueda de árboles tiene un buen rendimiento cuando el bosque de los árboles actuales no lo hace. En otras palabras, busque un modelo que ataque las debilidades de su modelo actual.
Aquí hay un ejemplo. Como se mencionó, muchos capitalistas de riesgo utilizan modelos de atributos ponderados para filtrar entre los miles de lanzamientos que llegan a sus puertas. Los atributos comunes incluyen el equipo, el tamaño del mercado, la aplicación tecnológica y el tiempo. Una empresa de VC puede puntuar cada una de estas dimensiones en una escala del 1 al 5 y luego asignar una puntuación agregada de la siguiente manera:
Puntuación = 10 * Equipo + 8 * Tamaño del mercado + 7 * Tecnología + 4 * Tiempo
Este podría ser el mejor modelo que el VC puede construir. El segundo mejor modelo podría usar variables similares y ponderaciones similares. Si es así, sufrirá los mismos defectos que el primer modelo. Eso significa que combinarlo con el primer modelo probablemente no conducirá a decisiones sustancialmente mejores.
Un enfoque impulsivo tomaría los datos de todas las decisiones pasadas y vería dónde falló el primer modelo. Por ejemplo, puede ser que las oportunidades de inversión con puntajes de 5 sobre 5 en el equipo, el tamaño del mercado y la tecnología no funcionen como se esperaba. Esto podría ser porque esos mercados están llenos. Cada uno de los tres atributos (equipo, tamaño del mercado y tecnología viable) predice bien de manera aislada, pero si alguien tiene los tres, es probable que otros lo hagan también y que una manada de caballos pisotee el esperado unicornio. El primer modelo por lo tanto predeciría mal en estos casos. La idea de impulsar es buscar modelos que funcionen mejor específicamente cuando tus otros modelos fallan.
Para dar un segundo ejemplo, varias empresas que he visitado han contratado a científicos informáticos para aplicar técnicas de inteligencia artificial para identificar errores de contrataciones anteriores. Esto está aumentando en su forma más pura. En lugar de tratar de usar la IA para superar simplemente su modelo de contratación actual, utilizan la IA para construir un segundo modelo que complemente su modelo de contratación actual. Buscan dónde falla su modelo actual y construyen nuevos modelos para complementarlo.
De esa manera, el impulso y la atención comparten algo en común: ambos buscan combinar modelos complementarios. Pero la atención se centra en lo que se incluye en el modelo (los tipos de variables que considera), mientras que el impulso se centra en lo que sale: los casos en los que el primer modelo lucha.
El impulso funciona mejor si tiene muchos datos históricos sobre el rendimiento de su modelo principal. A veces, no lo hacemos. En esos casos, busca el conflicto. Es decir, buscar modelos que no estén de acuerdo. Cuando un equipo de personas se enfrenta a una decisión compleja, espera, de hecho, quiere, algún desacuerdo. La unanimidad sería un signo de pensamiento grupal. Eso también es cierto para los modelos.
La única forma en que el conjunto puede mejorar en un solo modelo es si los modelos difieren. Para tomar prestada una cita de Richard Levins, la "verdad se encuentra en la intersección de mentiras independientes". No se encuentra en la intersección de mentiras correlacionadas. Dicho de otra manera, así como no te rodearías de "sí, hombres", no te rodearás de "sí modelos".
Supongamos que dirige una empresa farmacéutica y utiliza un modelo lineal para proyectar ventas de medicamentos recientemente patentados. Para construir un conjunto, también puede construir un modelo de dinámica de sistemas así como un modelo de contagio. Digamos que el modelo de contagio da como resultado ventas a largo plazo similares pero una aceptación inicial más lenta, pero que el modelo de dinámica de sistemas conduce a un pronóstico muy diferente. Si es así, crea una oportunidad para el pensamiento estratégico. ¿Por qué los modelos difieren? ¿Qué podemos aprender de eso y cómo intervenimos?
En resumen, los modelos, como los humanos, cometen errores porque no prestan atención a las variables o interacciones relevantes. El pensamiento de muchos modelos supera las fallas de atención de cualquier modelo. Te hará sabio.
Scott E. Page es profesor universitario de sistemas complejos, ciencias políticas y economía de Leonid Hurwicz en la Universidad de Michigan y miembro de la facultad externa del Instituto de Santa Fe. Es el autor The Model Thinker (Basic Books, 2018).
Harvard Business Review
Toma de Deicisones
“Para ser sabio, debes organizar tus experiencias en una red de modelos”.
- Charlie Munger
Las organizaciones están repletas de datos, desde datos transaccionales geocodificados hasta tráfico de sitios web en tiempo real y cuantificaciones semánticas de informes anuales corporativos. Todos estos datos y fuentes de datos solo agregan valor si se ponen en uso. Y eso normalmente significa que los datos se incorporan en un modelo. Por modelo, me refiero a una representación matemática formal que se puede aplicar o calibrar para ajustar los datos.
Algunas organizaciones utilizan modelos sin saberlo. Por ejemplo, una curva de rendimiento, que compara los bonos con el mismo perfil de riesgo pero con diferentes fechas de vencimiento, puede considerarse un modelo. Una rúbrica de contratación es también un tipo de modelo. Cuando anota las características que hacen que valga la pena contratar un trabajo, está creando un modelo que toma datos sobre el candidato y lo convierte en una recomendación sobre si contratar o no a esa persona. Otras organizaciones desarrollan modelos sofisticados. Algunos de esos modelos son estructurales y pretenden captar la realidad. Otros modelos extraen datos usando herramientas de aprendizaje automático e inteligencia artificial.
Las organizaciones más sofisticadas, desde Alphabet hasta Berkshire Hathaway y la CIA, usan modelos. De hecho, hacen algo aún mejor: usan muchos modelos en combinación.
Sin modelos, dar sentido a los datos es difícil. Los datos ayudan a describir la realidad, aunque de manera imperfecta. Sin embargo, por sí sola, los datos no pueden recomendar una decisión sobre otra. Si nota que sus equipos con mejores resultados son también los más diversos, eso puede ser interesante. Pero para convertir ese punto de datos en información, debe conectarlo en algún modelo del mundo; por ejemplo, puede suponer que tener una mayor variedad de perspectivas en un equipo conduce a una mejor toma de decisiones. Tu hipótesis representa un modelo del mundo.
Aunque los modelos individuales pueden funcionar bien, los conjuntos de modelos funcionan incluso mejor. Es por eso que los mejores pensadores, los pronosticadores más precisos y los equipos de diseño más eficaces utilizan conjuntos de modelos. Son lo que yo llamo, pensadores de muchos modelos.
En este artículo, explico por qué muchos modelos son mejores que uno y también describo tres reglas sobre cómo construir su propio conjunto poderoso de modelos: difundir la atención en forma amplia, aumentar las predicciones y buscar conflictos.
El caso de los modelos.
En primer lugar, algunos antecedentes sobre los modelos. Un modelo representa formalmente algún dominio o proceso, a menudo utilizando variables y fórmulas matemáticas. (En la práctica, muchas personas construyen modelos más informales en su cabeza, o por escrito, pero la formalización de sus modelos suele ser una forma útil de aclararlos y hacerlos más útiles). Por ejemplo, Point Nine Capital usa un modelo lineal para clasificar el potencial Oportunidades de inicio basadas en variables que representan la calidad del equipo y la tecnología. Las universidades líderes, como Princeton y Michigan, aplican modelos probabilísticos que representan a los solicitantes por promedio de calificaciones, puntajes de exámenes y otras variables para determinar su probabilidad de graduarse. Las universidades también usan modelos para ayudar a los estudiantes a adoptar comportamientos exitosos. Esos modelos usan variables como cambios en los puntajes de las pruebas durante un semestre. Disney usó un modelo basado en agentes para diseñar parques y atracciones. Ese modelo creó una versión computarizada del parque completa con los visitantes y simuló su actividad para que Disney pudiera ver cómo diferentes decisiones podrían afectar la forma en que funcionaba el parque. La oficina de presupuesto del Congreso utiliza un modelo económico que incluye estadísticas de ingresos, desempleo y salud para estimar los costos de los cambios en las leyes de atención médica.
En estos casos, los modelos organizan la gestión de datos. Todos estos modelos ayudan a los líderes a explicar los fenómenos y comunicar información. También imponen una coherencia lógica y, al hacerlo, ayudan en la toma de decisiones estratégicas y la previsión. No debería sorprender que los modelos sean más precisos como predictores que la mayoría de las personas. En las competiciones directas entre personas que usan modelos y personas que no lo hacen, los primeros ganan, y generalmente lo hacen por amplios márgenes.
Las modelos ganan porque poseen capacidades de las que carecen los humanos. Los modelos pueden insertar y aprovechar más datos. Los modelos pueden ser probados, calibrados y comparados. Y los modelos no cometen errores lógicos. Los modelos no sufren sesgos cognitivos. (Sin embargo, pueden introducir o replicar sesgos humanos; esa es una de las razones para combinar varios modelos).
Combinando multiples modelos
Si bien la aplicación de un modelo es buena, el uso de muchos modelos (un conjunto) es aún mejor, especialmente en dominios de problemas complejos. He aquí por qué: los modelos simplifican. Por lo tanto, no importa cuántos datos incorpore un modelo, siempre perderá alguna variable relevante o dejará de lado alguna interacción. Por lo tanto, cualquier modelo estará mal.
Con un conjunto de modelos, puede compensar las brechas en cualquiera de los modelos. Construir el mejor conjunto de modelos requiere reflexión y esfuerzo. Como resultado, los conjuntos de modelos más precisos no consisten en los modelos individuales de mayor rendimiento. Por lo tanto, no debe correr una carrera de caballos entre los modelos candidatos y elegir a los cuatro primeros clasificados. En su lugar, desea combinar diversos modelos.
Durante décadas, las firmas de Wall Street han usado modelos para evaluar el riesgo de inversión. El riesgo toma muchas formas. Además del riesgo de las fluctuaciones del mercado financiero, existen riesgos de la geopolítica, eventos climáticos y movimientos sociales, como la ocupación de Wall Street, por no mencionar los riesgos de la amenaza cibernética y otras formas de terrorismo. Un modelo de riesgo estándar basado en las correlaciones del precio de las acciones no incluirá todas estas dimensiones. Por lo tanto, los principales bancos de inversión utilizan conjuntos de modelos para evaluar los riesgos.
Pero, ¿cómo debería ser ese conjunto? ¿Qué modelos incluye uno y cuáles deja de lado?
La primera guía para construir un conjunto es buscar modelos que centren la atención en diferentes partes de un problema o en diferentes procesos. Con eso quiero decir, su segundo modelo debe incluir diferentes variables. Como se mencionó anteriormente, los modelos dejan cosas fuera. Los modelos estándar de los mercados financieros dejan de lado los detalles institucionales detallados de cómo se ejecutan las operaciones. Se abstraen de la ecología de las creencias y las reglas comerciales que generan secuencias de precios. Por lo tanto, un buen segundo modelo incluiría esas características.
El matemático Doyne Farmer defiende los modelos basados en agentes como un buen segundo modelo. Un modelo basado en agentes consiste en "agentes" basados en reglas que representan a personas y organizaciones. El modelo se ejecuta en una computadora. En el caso del riesgo financiero, los modelos basados en agentes pueden diseñarse para incluir gran parte de ese detalle a nivel micro. Un modelo basado en el agente de un mercado de la vivienda puede representar a cada hogar, asignándole un ingreso y una hipoteca o pago de renta. También puede incluir reglas de comportamiento que describen las condiciones cuando los propietarios de la casa refinanciarán y cuándo se declararán en bancarrota. Esas reglas de comportamiento pueden ser difíciles de entender, y como resultado, el modelo basado en agentes puede no ser tan preciso, al menos al principio. Pero, Farmer y otros argumentarían que con el tiempo, los modelos podrían ser muy precisos.
Nos importa menos si los modelos basados en agentes superarán a otros modelos estándar que si los modelos basados en agentes leerán las señales perdidas por los modelos estándar. Y lo harán. Los modelos estándar funcionan sobre agregados, como los índices de Case-Shiller, que miden los cambios en los precios de las viviendas. Si el índice de Case-Shiller aumenta más rápido que el ingreso, es probable que haya una burbuja inmobiliaria. Tan útil como es el índice, es ciego a los cambios distributivos que mantienen los medios constantes. Si los aumentos de ingresos solo llegan al 1% superior, mientras que los precios de la vivienda aumentan en todos los ámbitos, el índice no sería diferente si los aumentos de ingresos fueran amplios. Los modelos basados en agentes no serían ciegos a los cambios de distribución. Se darían cuenta de que las personas que ganan $ 40,000 deben tener $ 600,000 de hipotecas. El modelo basado en agentes no es necesariamente mejor. Su valor viene de centrar la atención donde el modelo estándar no lo hace.
La segunda guía toma prestado el concepto de impulso, una técnica del aprendizaje automático. Los algoritmos de clasificación de conjuntos, como los modelos de bosques aleatorios, consisten en una colección de árboles de decisión simples. Un árbol de decisión que clasifique las posibles inversiones de capital de riesgo podría decir "si el mercado es grande, invierta". Los bosques aleatorios son una técnica para combinar árboles de decisión múltiples. Y el impulso mejora la potencia de estos algoritmos mediante el uso de datos para buscar nuevos árboles de una manera novedosa. En lugar de buscar árboles que predicen con gran precisión de forma aislada, la búsqueda de árboles tiene un buen rendimiento cuando el bosque de los árboles actuales no lo hace. En otras palabras, busque un modelo que ataque las debilidades de su modelo actual.
Aquí hay un ejemplo. Como se mencionó, muchos capitalistas de riesgo utilizan modelos de atributos ponderados para filtrar entre los miles de lanzamientos que llegan a sus puertas. Los atributos comunes incluyen el equipo, el tamaño del mercado, la aplicación tecnológica y el tiempo. Una empresa de VC puede puntuar cada una de estas dimensiones en una escala del 1 al 5 y luego asignar una puntuación agregada de la siguiente manera:
Puntuación = 10 * Equipo + 8 * Tamaño del mercado + 7 * Tecnología + 4 * Tiempo
Este podría ser el mejor modelo que el VC puede construir. El segundo mejor modelo podría usar variables similares y ponderaciones similares. Si es así, sufrirá los mismos defectos que el primer modelo. Eso significa que combinarlo con el primer modelo probablemente no conducirá a decisiones sustancialmente mejores.
Un enfoque impulsivo tomaría los datos de todas las decisiones pasadas y vería dónde falló el primer modelo. Por ejemplo, puede ser que las oportunidades de inversión con puntajes de 5 sobre 5 en el equipo, el tamaño del mercado y la tecnología no funcionen como se esperaba. Esto podría ser porque esos mercados están llenos. Cada uno de los tres atributos (equipo, tamaño del mercado y tecnología viable) predice bien de manera aislada, pero si alguien tiene los tres, es probable que otros lo hagan también y que una manada de caballos pisotee el esperado unicornio. El primer modelo por lo tanto predeciría mal en estos casos. La idea de impulsar es buscar modelos que funcionen mejor específicamente cuando tus otros modelos fallan.
Para dar un segundo ejemplo, varias empresas que he visitado han contratado a científicos informáticos para aplicar técnicas de inteligencia artificial para identificar errores de contrataciones anteriores. Esto está aumentando en su forma más pura. En lugar de tratar de usar la IA para superar simplemente su modelo de contratación actual, utilizan la IA para construir un segundo modelo que complemente su modelo de contratación actual. Buscan dónde falla su modelo actual y construyen nuevos modelos para complementarlo.
De esa manera, el impulso y la atención comparten algo en común: ambos buscan combinar modelos complementarios. Pero la atención se centra en lo que se incluye en el modelo (los tipos de variables que considera), mientras que el impulso se centra en lo que sale: los casos en los que el primer modelo lucha.
El impulso funciona mejor si tiene muchos datos históricos sobre el rendimiento de su modelo principal. A veces, no lo hacemos. En esos casos, busca el conflicto. Es decir, buscar modelos que no estén de acuerdo. Cuando un equipo de personas se enfrenta a una decisión compleja, espera, de hecho, quiere, algún desacuerdo. La unanimidad sería un signo de pensamiento grupal. Eso también es cierto para los modelos.
La única forma en que el conjunto puede mejorar en un solo modelo es si los modelos difieren. Para tomar prestada una cita de Richard Levins, la "verdad se encuentra en la intersección de mentiras independientes". No se encuentra en la intersección de mentiras correlacionadas. Dicho de otra manera, así como no te rodearías de "sí, hombres", no te rodearás de "sí modelos".
Supongamos que dirige una empresa farmacéutica y utiliza un modelo lineal para proyectar ventas de medicamentos recientemente patentados. Para construir un conjunto, también puede construir un modelo de dinámica de sistemas así como un modelo de contagio. Digamos que el modelo de contagio da como resultado ventas a largo plazo similares pero una aceptación inicial más lenta, pero que el modelo de dinámica de sistemas conduce a un pronóstico muy diferente. Si es así, crea una oportunidad para el pensamiento estratégico. ¿Por qué los modelos difieren? ¿Qué podemos aprender de eso y cómo intervenimos?
En resumen, los modelos, como los humanos, cometen errores porque no prestan atención a las variables o interacciones relevantes. El pensamiento de muchos modelos supera las fallas de atención de cualquier modelo. Te hará sabio.
Scott E. Page es profesor universitario de sistemas complejos, ciencias políticas y economía de Leonid Hurwicz en la Universidad de Michigan y miembro de la facultad externa del Instituto de Santa Fe. Es el autor The Model Thinker (Basic Books, 2018).
No hay comentarios:
Publicar un comentario