Predicciones cualitativas: Superforecasting y el método Fermi

Oct 23, 2021 | ANÁLISIS, Análisis prácticos | 0 Comentarios

No siempre podemos estimar utilizando números y datos concretos, a veces sólo disponemos de información «cualitativa». Para este post me he inspirado en el libro de Philip E. Tetlock y Gardner,[1] que considero imprescindible para cualquier analista. Los autores intentan explicar por qué algunos expertos son buenos haciendo predicciones y otros no lo son, basándose en varios experimentos de predicción.

[1] Philip E. Tetlock y Dan Gardner, Superforecasting: The Art and Science of Prediction (Crown, 2015).

¡No te pierdas ningún nuevo vídeo!

Visita mi canal de Youtube

La primera razón que explica las previsiones erróneas es el exceso de confianza con respecto a nuestros conocimientos («ilusión de conocimiento»); el ejemplo incluido explica cómo mejoró la medicina cuando se introdujo la experimentación. Nuestro cerebro funciona utilizando dos sistemas, 1 y 2. El sistema 1 es bueno para el razonamiento rápido y sin esfuerzos que ocurre de manera inconsciente y resulta útil para el reconocimiento de patrones (por ejemplo, cuando conducimos por una carretera que tomamos a menudo, utilizamos el sistema 1). Sin embargo, el sistema 1 puede crear sesgos o ilusiones ya que el razonamiento que conlleva está basado en simplificaciones para poder tener respuestas rápidas y sin esfuerzos.  En caso de tener que abordar problemas que tengan posibles sesgos, tenemos que utilizar el sistema 2, es decir, el sistema que utiliza el razonamiento y la lógica y que, a pesar de que requiere más tiempo y esfuerzo, nos permite superar la «ilusión del conocimiento». Por lo general, para los problemas complejos necesitamos utilizar el sistema 2 pero, a veces, cuando hay muchos patrones o mucha información, la intuición puede ser la mejor solución ya que puede simplificar toda la información y analizar de manera inconsciente una cantidad de patrones que no somos capaces de analizar de forma lógica.

 Otra de las razones que explican las previsiones desafortunadas es la falta de precisión y/o de medición. Las predicciones imprecisas no pueden medirse y, por lo tanto, no podemos mejorar nuestros métodos de predicción. Un buen pronóstico tiene que incluir:

  • Un resultado medible: “la URSS se disolverá”;
  • Una predicción más precisa con un posible marco temporal: “en el plazo de un año a partir de ahora»;
  • Probabilidad: “con un 80% de probabilidad de que acabe ocurriendo.”

 

menu importar desde web Power Query

La probabilidad no debería ser una medida de nuestra confianza en los resultados sino la consecuencia de nuestro razonamiento (basado en varios elementos de información) sobre la probabilidad de que ocurra un acontecimiento. Para medir los resultados de nuestras predicciones con probabilidades, resulta necesario realizar distintas predicciones similares para calcular su nivel de exactitud y su calibración.

El autor también demuestra que las previsiones medias de grupo son mejores que las previsiones individuales dado que utilizan distintas perspectivas, conocimientos e información.  En caso de que tengamos que realizar predicciones de manera individual, podemos comportarnos como un grupo agregando distintas fuentes de información, solicitando las opiniones y los puntos de vista de otras personas y poniendo siempre en duda los resultados. También deberíamos acordarnos de actualizar nuestros resultados en base a cualquier información nueva y relevante que obtengamos.

Por último, una técnica maravillosa muy útil a la hora de realizar predicciones complejas es la «estimación de Fermi». Consiste en desglosar un problema en varias preguntas de probabilidad para poder plantear suposiciones más precisas y, después, añadir esas preguntas para así obtener un resultado final más realista.  Esta técnica suele empezar por tomar en consideración una perspectiva externa. Por ejemplo, se nos muestra la foto de una familia y tenemos que predecir si tiene o no una mascota. De manera instintiva, podemos empezar a centrarnos en las características de la familia que podamos identificar. No obstante, deberíamos adoptar una perspectiva más amplia, por ejemplo, averiguando el número de familias que tienen mascota en una determinada zona geográfica (país, estado, ciudad, etc.), a saber el 30%. Este es nuestro punto de partida, así que sabemos, sin ningún tipo de información adicional, que nuestra mejor estimación sería que existe un 30% de probabilidad de que esta familia tenga mascota. Podemos, a continuación, ajustar nuestra predicción con una perspectiva interna que se centre en las características de la familia como, por ejemplo, edad, origen étnico, hijos, etc.  Un ejemplo famoso es el de la estimación del número de afinadores de piano que hay en Chicago. En lugar de suponer directamente cuál es el número, el problema se desglosa en varias preguntas, empezando con la definición de la población total de la ciudad, y luego, determinando el número de hogares, calculando el número de hogares con piano, estimando la frecuencia con la que necesita afinarse un piano, etc. Para leer el ejemplo completo, visite https://en.wikipedia.org/wiki/Fermi_problem.