Decidir, decidir y decidir
A los altos directivos se les paga para tomar decisiones difíciles. Mucho depende del resultado de esas decisiones, y los ejecutivos son juzgados, con bastante razón, por su tasa de éxito general. Es imposible eliminar el riesgo de la toma de decisiones estratégicas, por supuesto. Pero creemos que es posible que los ejecutivos, y las empresas, mejoren significativamente sus posibilidades de éxito al hacer un cambio sencillo (aunque no simple): expandir su conjunto de herramientas de herramientas de soporte de decisiones y comprender qué herramientas funcionan mejor para cada decisión.
La mayoría de las empresas utilizan herramientas básicas como análisis de flujo de efectivo con descuento o pruebas de escenarios cuantitativos muy simples, incluso cuando se enfrentan a contextos altamente complejos e inciertos. Esto lo vemos constantemente en nuestro trabajo de consultoría y educación ejecutiva, y la investigación confirma nuestras impresiones.
No me malentiendan. Las herramientas convencionales que todos aprendimos en la escuela de negocios son excelentes cuando trabajas en un entorno estable, con un modelo de negocio que entiendes y accedes a información sólida. Son mucho menos útiles si se encuentra en un terreno desconocido, si se encuentra en una industria que cambia rápidamente, lanza un nuevo tipo de producto o cambia a un nuevo modelo de negocio. Esto se debe a que las herramientas convencionales suponen que los tomadores de decisiones tienen acceso a información notablemente completa y confiable. Sin embargo, cada líder empresarial con el que hemos trabajado durante los últimos 20 años reconoce que cada vez más decisiones implican juicios que deben tomarse con información incompleta e incierta.
El problema que enfrentan los gerentes no es la falta de herramientas apropiadas. Se puede usar una amplia variedad de herramientas, incluido el análisis de decisiones basado en casos, el análisis de escenarios cualitativos y los mercados de información, para las decisiones tomadas bajo altos grados de incertidumbre. Pero la gran variedad puede ser abrumadora sin una guía clara sobre cuándo usar una herramienta o una combinación de herramientas sobre otra. En ausencia de dicha orientación, los tomadores de decisiones continuarán confiando únicamente en las herramientas que mejor conocen en un intento honesto pero equivocado de imponer la lógica y la estructura en sus decisiones decisivas.
En la primera mitad de este artículo, describimos un modelo para hacer coincidir la herramienta de toma de decisiones con la decisión en cuestión, sobre la base de tres factores: qué tan bien comprende las variables que determinarán el éxito, qué tan bien puede predecir el rango de posibles resultados y cuán centralizada es la información relevante. Presentamos argumentos sólidos para un mayor uso del análisis de decisiones basado en casos (que se basa en múltiples analogías) y análisis de escenarios cualitativos en condiciones de incertidumbre.
Inevitablemente, el modelo que proponemos simplifica una realidad muy complicada para descubrir algunas verdades importantes. (Eso es lo que hacen los modelos). En la segunda mitad del artículo, exploramos algunas de las complicaciones más comunes: la mayoría de los ejecutivos subestiman la incertidumbre que enfrentan; los protocolos organizacionales pueden dificultar la toma de decisiones; y los gerentes tienen poca comprensión de cuándo es ideal usar varias herramientas diferentes para analizar una decisión, o cuándo tiene sentido retrasar una decisión hasta que puedan enmarcarla mejor.
Desarrollando un perfil de decisión
Mientras reflexiona sobre qué herramientas son apropiadas para un contexto dado, debe hacerse dos preguntas fundamentales:
Debe saber si tiene un modelo causal, es decir, una comprensión sólida de qué factores críticos de éxito y condiciones económicas, en qué combinación, conducirán a un resultado exitoso. Las empresas que toman decisiones similares en repetidas ocasiones suelen tener fuertes modelos causales. Considere un minorista que ha lanzado puntos de venta durante años en un país, o uno que ha realizado muchas pequeñas adquisiciones de competidores adyacentes.
Una prueba simple de la fortaleza de su modelo causal es si puede especificar con confianza un conjunto de declaraciones “si-entonces” sobre la decisión. (“Si nuestra nueva tecnología de proceso propuesta reduce los costos en un X% y podemos lograr una participación de mercado del Y% al transferir esos ahorros a nuestros clientes, entonces deberíamos invertir en esta tecnología”). También debería poder especificar un modelo financiero en el que puede conectar diferentes supuestos (como cuánto reduce la tecnología los costos y cuánta participación de mercado puede capturar).
Para la gran mayoría de las decisiones estratégicas, los ejecutivos no pueden especificar un modelo causal claro. Algunos gerentes tienen una idea razonablemente buena de los factores críticos de éxito que importan, pero no una imagen completa; esto generalmente sería cierto para una empresa que desarrolla un nuevo producto, por ejemplo. Otros ni siquiera saben cómo enmarcar la decisión, por ejemplo, una empresa que se ve afectada por una nueva tecnología manejada por una empresa fuera de su industria.
Pregúntese:
- ¿Entiende qué combinación de factores críticos de éxito determinará si su decisión conduce a un resultado exitoso?
- Sabes qué métricas deben cumplirse para garantizar el éxito?
- ¿Tiene una comprensión precisa de, casi una receta para, cómo lograr el éxito?
- ¿Puedo predecir el rango de posibles resultados?
Al elegir las herramientas de apoyo a la decisión correctas, también necesita saber si es posible predecir un resultado, o una gama de resultados, que podrían resultar de la decisión.
A veces es posible predecir un resultado único con una certeza razonable, como cuando una compañía ha tomado decisiones similares muchas veces antes. Con mayor frecuencia, los responsables de la toma de decisiones pueden identificar una gama de posibles resultados, tanto para factores de éxito específicos como para la decisión en su conjunto. A menudo también pueden predecir la probabilidad de esos resultados. Sin embargo, en condiciones de incertidumbre, es común que los ejecutivos no puedan especificar el rango de resultados posibles o su probabilidad de que ocurran con precisión real (incluso en los casos en que entiendan los factores críticos de éxito y el modelo de éxito).
Pregúntese:
- ¿Puede definir el rango de resultados que podría resultar de su decisión, tanto en conjunto como para cada factor crítico de éxito?
- ¿Puedes medir la probabilidad de cada resultado?
Elegir las herramientas adecuadas: cinco contextos
Como sugiere la exposición “Diagnóstico de su decisión”, las respuestas a las preguntas anteriores le indicarán las mejores herramientas de apoyo para la toma de decisiones. (Para obtener definiciones breves de cada una, consulte “Herramientas de ayuda para la toma de decisiones: un glosario”). En algunos casos, necesitará solo una herramienta; en otros necesitarás una combinación. Muchas de estas herramientas serán familiares. Sin embargo, la herramienta que recomendamos utilizar con mayor frecuencia, el análisis de decisiones basado en casos, aún no se usa ampliamente, en parte porque las versiones más formales y rigurosas son relativamente nuevas y en parte porque los ejecutivos generalmente subestiman el grado de incertidumbre que enfrentan. (Para obtener más información sobre el análisis basado en casos, consulte la barra lateral “Desarrollo de analogías rigurosas: una herramienta infrautilizada”).
Para ilustrar, veamos cinco escenarios que los ejecutivos de McDonald’s podrían enfrentar. (Estos se simplifican demasiado en aras de la claridad).
Situación 1: comprende su modelo causal y puede predecir el resultado de su decisión con una certeza razonable.
Supongamos que los ejecutivos de McDonald’s deben decidir dónde ubicar los nuevos restaurantes de EE. UU. La compañía tiene o puede obtener toda la información que necesita para estar razonablemente segura de cómo funcionará una ubicación determinada. Primero, conoce las variables que son importantes para el éxito: demografía local, patrones de tráfico, disponibilidad de bienes inmuebles y precios, y ubicaciones de puntos de venta competitivos. En segundo lugar, tiene o puede obtener fuentes de datos enriquecidas sobre esas variables. Y tercero, tiene modelos de ingresos y costos de restaurantes bien calibrados. En conjunto, esa información constituye un modelo causal. Los tomadores de decisiones pueden alimentar la información sobre el tráfico y otras variables en modelos de flujo de efectivo descontados estándar para predecir con precisión (con una aproximación lo suficientemente cercana) cómo funcionará la ubicación propuesta y tomar una decisión clara de ir / no ir.
Herramientas: Herramientas de presupuesto de capital convencionales, como el flujo de caja descontado y la tasa de rendimiento esperada
Situación 2: comprende su modelo causal y puede predecir un rango de posibles resultados, junto con las probabilidades de esos resultados.
Imagínese ahora que los gerentes de McDonald’s están decidiendo si introducirán un nuevo emparedado en los Estados Unidos. Todavía tienen una forma confiable de modelar costos e ingresos; tienen datos relevantes sobre demografía, tráfico peatonal, etc. (En otras palabras, tienen un modelo causal). Pero existe una gran incertidumbre acerca de cuál será el resultado de la introducción del emparedado: no saben cuál será la demanda, por ejemplo, ni saben qué impacto tendrá el nuevo producto. tendrá en ventas de productos complementarios.
Sin embargo, pueden predecir una gama de posibles resultados mediante el uso de herramientas cuantitativas de escenarios múltiples. Algunas investigaciones preliminares de mercado en diferentes regiones del país probablemente les darán una variedad de resultados, y tal vez incluso la probabilidad de cada uno. Podría ser posible resumir esta información en simples árboles de resultados que muestren la probabilidad de diferentes resultados de demanda y los beneficios asociados para McDonald’s. Los árboles podrían usarse para calcular el valor esperado, la varianza y el rango de resultados financieros que McDonald’s podría enfrentar si presentara el emparedado. Los gerentes podrían utilizar técnicas estándar de análisis de decisiones para tomar su determinación final.
Alternativamente, McDonald’s podría poner a prueba el nuevo sándwich en un número limitado de regiones. Dichos pilotos proporcionan información útil sobre la potencial demanda total del mercado sin incurrir en el riesgo de un despliegue a gran escala. Llevar a cabo una prueba piloto es similar a invertir en una “opción” que proporciona información y le da el derecho, pero no la obligación de implementar el producto más ampliamente en el futuro. (Este enfoque sigue siendo una investigación de mercado, pero generalmente es una forma más costosa). El análisis de opciones reales, que cuantifica los beneficios y los costos del piloto a la luz de la incertidumbre del mercado, sería la herramienta adecuada para la toma de decisiones en este caso.
Herramientas cuantitativas de escenarios múltiples como simulaciones de Monte Carlo, análisis de decisiones y valoración de opciones reales. (Estas herramientas combinan métodos estadísticos con los modelos convencionales de presupuesto de capital preferidos en la Situación 1. Los gerentes pueden simular posibles resultados usando probabilidades conocidas y modelos de flujo de efectivo descontado y luego usar herramientas de análisis de decisiones para calcular valores esperados, rangos, etc.)
Situación 3: Entiende su modelo causal pero no puede predecir los resultados.
Supongamos ahora que McDonald’s ingresa a un mercado emergente por primera vez. Los ejecutivos aún entienden el modelo que impulsará la rentabilidad de la tienda. Los factores de costos e ingresos pueden ser los mismos, de mercado a mercado. Sin embargo, la compañía tiene mucha menos información sobre los resultados, y sería difícil predecirlos utilizando estudios de mercado y análisis estadísticos. Sus productos son relativamente novedosos en este mercado, se enfrentará a competidores desconocidos, está menos seguro de la confiabilidad del proveedor y sabe menos sobre a quién contratar y cómo capacitarlos.
En esta situación, McDonald’s puede utilizar el análisis de escenarios cualitativos para tener una mejor idea de los posibles resultados. Puede crear escenarios en el lado de los ingresos que cubren una amplia gama de aceptación de clientes y perfiles de respuesta de la competencia. Por el lado de la oferta, los escenarios podrían centrarse en las incertidumbres en la cadena de suministro de los mercados emergentes y la estructura reguladora que podrían causar una gran variación en los costos y la confiabilidad del proveedor.
Estos escenarios serán representativos, no integrales, pero ayudarán a los ejecutivos a evaluar las ventajas y desventajas de varios enfoques y determinar cuánto están dispuestos a invertir en el mercado. Los ejecutivos deben complementar los escenarios con un análisis de decisiones basado en casos de situaciones comerciales análogas. Podrían ver los resultados de sus propias entradas de comida rápida u otras en los mercados en desarrollo o considerar los resultados de una entrada de bienes de consumo en este mercado en particular.
Herramientas: Análisis cualitativo de escenarios complementado con análisis de decisiones basadas en casos
Situación 4: no comprende su modelo causal, pero aún puede predecir una variedad de resultados.
Supongamos que McDonald’s quiere ingresar a una nueva línea de negocios con un nuevo modelo de negocios, como servicios de consultoría para mejoras en el proceso de servicio de alimentos. En este caso, los ejecutivos probablemente no puedan definir un modelo causal completo o identificar fácilmente los impulsores del éxito. Sin embargo, eso no significa que no puedan definir una gama de posibles resultados para la empresa aprovechando las fuentes de información correctas, por ejemplo, obteniendo estimaciones de éxito de personas que tienen más experiencia con este modelo de negocio o agregando información sobre la gama de resultados experimentados por otros que utilizan modelos comerciales similares. A menudo es más fácil aprovechar los datos de resultados (y, por lo tanto, definir un rango de resultados posibles) que definen un modelo comercial subyacente que pedirles a las personas que revelen los detalles de sus modelos comerciales. (Esa “salsa secreta” es confidencial en muchas empresas).
Herramientas: Análisis de decisiones basado en casos
Situación 5: no comprende su modelo causal y no puede predecir una variedad de resultados.
Incluso un líder de mercado bien establecido en una industria bien establecida enfrenta decisiones bajo altos niveles de ambigüedad e incertidumbre. Al considerar cómo responder a la reciente preocupación por la obesidad en los EE. UU. Y la reacción negativa sobre el papel de la industria de la comida rápida en la epidemia de obesidad, McDonald’s no puede estar seguro de qué efecto podrían tener varios movimientos en la demanda de los clientes.
La reacción violenta tiene el potencial de reescribir fundamentalmente las reglas de liderazgo en la industria de la comida rápida y hacer obsoletos los modelos de toma de decisiones y los datos históricos existentes. McDonald’s ciertamente no puede pronosticar con precisión futuras demandas, investigaciones médicas, cambios legislativos y movimientos de la competencia que finalmente determinarán los beneficios de cualquier decisión que tome.
Cuando se enfrenta a este nivel de incertidumbre, la empresa debe confiar una vez más en el análisis de decisiones basado en casos. Los casos de referencia relevantes pueden incluir los intentos de otras compañías de bienes de consumo de reposicionarse a sí mismos como alternativas saludables o seguras en un sector que de otro modo sería “peligroso” o para influir en la legislación, la regulación o las percepciones de las partes interesadas a través de relaciones públicas y campañas de cabildeo. McDonald’s podría analizar, por ejemplo, casos en las industrias de juegos, tabaco, armas de fuego, bebidas gaseosas y productos horneados para obtener información.
Herramientas: Análisis de decisiones basado en casos
Los lectores cuidadosos habrán notado que el árbol de decisión tiene un conjunto de herramientas que no hemos cubierto: herramientas de agregación de información. Los tratamos por separado porque, en su mayor parte, funcionan independientemente de las preguntas de perfil de decisión que planteamos en la parte superior (¿tiene un modelo causal y conoce el rango de posibles resultados?).
Un enfoque más nuevo para recopilar información dispersa es utilizar los mercados de información (también conocidos como mercados de predicción) para capturar la sabiduría colectiva de las multitudes informadas con respecto a variables clave como el probable rendimiento macroeconómico en el próximo año o cómo se recibirá un producto propuesto. Debemos tener en cuenta dos limitaciones de este enfoque: Primero, debido a que los mercados de información y predicción están estructurados como mercados de valores financieros, en los cuales los participantes pueden “apostar” en diferentes resultados, solo se pueden usar cuando los ejecutivos pueden especificar un rango de posibles resultados (como en las situaciones 2 y 4 anteriores). En segundo lugar, el uso de dichos mercados puede permitir que se filtre información que los ejecutivos preferirían mantener en privado (por ejemplo, los ingresos esperados por un nuevo medicamento).
Dos alternativas a los mercados de información pueden sortear esas limitaciones. El primero son las estimaciones incentivadas: a las personas que tienen acceso a información diversa se les pide que proporcionen estimaciones de un resultado clave, y la persona que se acerca más al número real recibe un pago de algún tipo (que puede ser o no monetario). El segundo es el pronóstico basado en la similitud: se pide a las personas que califiquen cuán similar es una decisión o activo en particular a decisiones o activos pasados. Luego, las calificaciones se agregan utilizando procedimientos estadísticos simples para generar pronósticos de ingresos o para tiempos o costos de finalización, según el objetivo. (Esta es en realidad una herramienta de análisis de decisiones basada en casos).
Pregúntese:
- ¿La información que necesita está centralizada o descentralizada?
- Si está descentralizado, ¿puede aprovechar los expertos que necesita y agregar sus conocimientos?
- ¿Es factible y útil utilizar “la multitud” para algunas partes de su recopilación de información?
- ¿Es posible agregar información útil de la multitud sin tener que revelar información confidencial
Factores complicados
En aras de la claridad, hemos presentado un conjunto simplificado de ejemplos anteriores. En la práctica, por supuesto, se producen todo tipo de complicaciones cuando se toman decisiones importantes. Exploramos algunos de los siguientes.
Los ejecutivos no saben lo que no saben.
El modelo que hemos desarrollado para elegir las herramientas de soporte de decisiones depende de que los gerentes puedan determinar con precisión el nivel de ambigüedad e incertidumbre que enfrentan. Esto puede ser problemático porque los encargados de tomar decisiones, como todos los seres humanos, están sujetos a limitaciones cognitivas y sesgos de comportamiento. Aquí son particularmente relevantes los hechos bien establecidos de que los encargados de tomar decisiones confían demasiado en su capacidad para pronosticar resultados inciertos y que interpretan los datos de manera que tienden a confirmar sus hipótesis iniciales.
En esencia, los ejecutivos no saben lo que no saben, pero generalmente están felices de asumir que sí.
El sesgo cognitivo se arrastra.
Las evaluaciones sesgadas de los gerentes sobre el nivel de incertidumbre que enfrentan podrían llevar a algunos a concluir que nuestra herramienta de diagnóstico es de uso práctico limitado y podría indicarles un enfoque incorrecto. Nuestras experiencias de consultoría sugieren que la mayoría de las organizaciones pueden gestionar esos sesgos si, cuando se considera una decisión estratégica, los gerentes eligen su enfoque de toma de decisiones de una manera sistemática, transparente y pública durante la cual sus juicios pueden ser evaluados por sus pares. (Esto requerirá un cambio de proceso y cultura en muchas organizaciones).
Por ejemplo, cualquier persona que tome decisiones que asuma que tiene una comprensión firme de la economía subyacente a una gran decisión debe ser cuestionada con preguntas como: ¿Hay alguna razón para creer que la relación entre los factores críticos de éxito y los resultados ha cambiado con el tiempo, haciendo que nuestro modelos históricos ya no son válidos? De manera similar, aquellos que suponen que todos los resultados posibles y sus probabilidades pueden identificarse con anticipación podrían preguntarse: ¿Por qué son imposibles otros resultados aparentemente plausibles? ¿Qué suposiciones haces al estimar las probabilidades? Finalmente, se podría preguntar a quienes concluyen que la información relevante para tomar la decisión reside en la empresa o incluso en un pequeño grupo de altos ejecutivos, si pudiéramos reunir un “equipo de ensueño” para asesorarnos sobre esta decisión, ¿quién sería en eso y por qué?
Cuando se les hacen estas preguntas, es menos probable que los tomadores de decisiones asuman que sus decisiones son directas o incluso intuitivas, y es más probable que recurran a herramientas como el análisis de escenarios y la toma de decisiones basadas en casos. Esto es especialmente importante cuando se está considerando una inversión estratégica relativamente nueva o única.
Los procesos organizacionales se interponen en el camino.
Las organizaciones necesitan desarrollar protocolos generales para la toma de decisiones, porque las trampas políticas y de comportamiento abundan cuando está en juego el dinero o el poder. Este es solo uno de los muchos ejemplos que podríamos dar: trabajamos con una empresa de tecnología líder cuyo grupo de pronóstico utilizó la misma herramienta de apoyo a la toma de decisiones, independientemente de dónde se encontraba un producto en su ciclo de vida. Esto no tenía sentido en absoluto. Cuando investigamos, aprendimos dos cosas: en primer lugar, los jefes de las unidades de negocios exigían pronósticos simples porque no entendían cómo interpretar o usar los complejos. En segundo lugar, la compañía no cobraba a las unidades de negocios por el capital utilizado en inversiones en I + D, por lo que los jefes de unidad presionaron al equipo de pronóstico para que aumentara sus estimaciones de ingresos. Como resultado de estos factores, las previsiones estaban muy distorsionadas. Habría tenido más sentido que el equipo de pronósticos informara al CFO, que era más sofisticado con respecto al modelado financiero y también podría ser más objetivo con respecto a las necesidades de inversión de las unidades de negocios. No es posible diseñar todos los incentivos perversos de un sistema, pero algunos protocolos de sentido común pueden hacer una gran diferencia.
Los tomadores de decisiones tienden a confiar en una sola herramienta.
Nos movimos para crear el diagnóstico del perfil de decisión en parte porque vimos a muchos gerentes confiando únicamente en técnicas convencionales de presupuesto de capital. Las decisiones más importantes involucran grados de ambigüedad e incertidumbre que esos enfoques no están equipados para manejar por sí mismos.
A menudo es útil complementar una herramienta con otra o combinar herramientas. Para ilustrar este punto, imaginemos que un ejecutivo de un estudio de Hollywood está encargado de tomar una decisión de ir / no ir sobre una película convencional. Las decisiones de este tipo son de vital importancia: hoy, el costo promedio de producción es de $ 70 millones para películas que se estrenan en 600 salas de cine o más (muchas tienen presupuestos de producción de más de $ 100 millones), y solo tres o cuatro de cada 10 películas se igualan o ganan un lucro. Sin embargo, la decisión de dar luz verde a un proyecto generalmente se basa únicamente en “opiniones de expertos”, en otras palabras, la intuición de los ejecutivos complementada por análisis de regresión estándar.
En un estudio reciente, dos de nosotros usamos pronósticos basados en similitudes para predecir los ingresos de taquilla para 19 películas de estreno. A los espectadores no expertos se les pidió a través de encuestas en línea que juzgaran cuán similar era cada película, sobre la base de un breve resumen de la trama, las estrellas y otras características destacadas, a otras películas lanzadas anteriormente. Los ingresos de las nuevas películas se pronosticaron luego tomando promedios ponderados basados en similitudes de los ingresos de las películas lanzadas anteriormente. En promedio, esas predicciones fueron dos veces más precisas que las impulsadas por la opinión de expertos y el pronóstico de regresión estándar. Fueron particularmente efectivos en la identificación de pequeñas películas que generan ingresos. Este tipo de análisis de decisiones basado en casos es una forma efectiva de aprovechar la sabiduría de la multitud.
Incluso en situaciones que parecen inequívocas, a menudo vale la pena usar herramientas para verificar posibles sesgos.
Incluso en situaciones que parecen relativamente inequívocas, a menudo vale la pena complementar el presupuesto de capital y las herramientas cuantitativas de escenarios múltiples con análisis de decisiones basados en casos para verificar posibles sesgos. Por ejemplo, si se espera que su “cierto” proyecto de inversión ofrezca una tasa de rendimiento sin precedentes en comparación con proyectos similares en el pasado, eso podría ser más un reflejo del exceso de confianza que de la naturaleza extraordinaria de su proyecto. Un análisis robusto de situaciones análogas obliga a los encargados de tomar decisiones a mirar su situación particular de manera más objetiva y tiende a descubrir cualquier ilusión incorporada en sus proyecciones de retorno.
Los gerentes no consideran la opción de retrasar una decisión.
Decidir cuándo decidir es a menudo tan importante como decidir cómo decidir. En circunstancias muy inciertas, como una industria que cambia rápidamente o un cambio importante en el modelo de negocio, es aconsejable tomar prestado un conjunto de herramientas completamente diferente: la experimentación iterativa basada en el aprendizaje. Por ejemplo, las universidades de hoy están siendo interrumpidas por cursos abiertos masivos en línea (MOOC), y la mayoría de los administradores no saben si sus instituciones deberían reaccionar o cómo reaccionar.
En lugar de tomar una decisión costosa y de alto riesgo ahora, muchas universidades están llevando a cabo experimentos a pequeña escala para probar las aguas y aprender más sobre cómo será el “éxito” en este espacio. (Por supuesto, también están utilizando analogías, por ejemplo, al tratar de comprender si la separación del negocio de la música tiene lecciones para la educación superior).
¿Qué puede comenzar a hacer mañana para convertirse en un mejor tomador de decisiones comerciales? Comience desarrollando su kit de herramientas para la toma de decisiones de manera más completa. Existe una clara desconexión entre las herramientas que se están utilizando y las que se deben usar con mayor frecuencia. Haga que sea una prioridad aprender más sobre las herramientas cuantitativas de escenarios múltiples, como las simulaciones de Monte Carlo, el análisis de decisiones y la valoración de opciones reales. Obtenga capacitación en planificación de escenarios.
El científico cognitivo Douglas Hofstadter argumenta que la analogía es el “combustible y fuego del pensamiento”. Pero es demasiado fácil caer presa de nuestros prejuicios y centrarse en un conjunto limitado de analogías egoístas que respaldan nuestras nociones preconcebidas. Esas tendencias pueden verificarse a través de métodos rigurosos de decisión basados en casos, como el pronóstico basado en similitudes.
Finalmente, y quizás lo más importante, haga que su empresa tenga el hábito de decidir conscientemente cómo y cuándo tomará cualquier decisión.
Una versión de este artículo apareció en la edición de noviembre de 2013 de Harvard Business Review.
Autores:
- Hugh Courtney es decano y profesor de negocios y estrategia internacionales en la Escuela de Negocios D’Amore-McKim de la Universidad Northeastern, y ex consultor en McKinsey & Company.
- Dan Lovallo es profesor de estrategia empresarial en la Universidad de Sydney y asesor principal de McKinsey & Company.
- Carmina Clarke es gerente senior en Macquarie Group.
