Cómo Simplificar Temas Complejos

Ayuda a la gente a entenderte sin perder partes importantes de tu mensaje

Cómo Simplificar Temas Complejos

Ayuda a la gente a entenderte sin perder partes importantes de tu mensaje

Nota: Algunas veces encuentro un artículo, en inglés, en Substack, que considero realmente útil o interesante para la audiencia de algunas de nuestras publicaciones. Como la mayoría de nuestros lectores prefieren leer sólo en español, en contadas ocasiones pido a su autor si podemos hacer una traducción total o parcial del artículo y reproducirlo en la publicación más relacionada con el tema, con su atribución correspondiente y una breve descripción del boletín original. En el presente caso (publicado a fines de agosto de 2024), Torsten Walbaum, de The Operator´s Handbook, amablemente, nos ha dado permiso para llevar a cabo tal traducción y publicarla. Su descripción y link está más adelante en este artículo. Como él señala, introducir la complejidad en una discusión no es señal de potencia intelectual, sino de que no te has esforzado en simplificar la cuestión a las partes que realmente importan.

Pero primero voy a empezar con un planteamiento introductorio, centrándome en las características y la “Complejidad de la Información en la Auto-organización”. Al final, para quien le interese la teoría informática, se describirá brevemente la teoría de la complejidad de Kolmogorov.

Características de un proceso complejo

Navegar por procesos complejos puede resultar desalentador. Simplificar o gestionar eficazmente la complejidad de estos procesos es como despejar y marcar senderos en un bosque, lo que resulta esencial para mejorar tanto la eficiencia como la eficacia. Si tus procesos contienen alguna de las siguientes características, puedes definir tu proceso como complejo.

• Múltiples puntos de decisión: Estos procesos suelen requerir que se tomen decisiones en distintos puntos, que pueden afectar a la dirección o al resultado del proceso.

• Múltiples partes interesadas: Los procesos complejos suelen implicar a múltiples partes interesadas, cada una con objetivos y niveles de influencia potencialmente diferentes sobre el proceso.

• Elevada incertidumbre: Debido al número de variables que intervienen, suele haber incertidumbre tanto en la ejecución como en el resultado del proceso.

• Múltiples pasos: Los procesos complejos tienen muchos pasos, etapas o componentes, cada uno de los cuales puede ser esencial para completar la tarea global.

• Interdependencias: Los pasos de un proceso complejo suelen ser interdependientes, lo que significa que la salida o el resultado de un paso afecta a los pasos siguientes.

• Variabilidad: Puede haber un alto grado de variabilidad en la forma en que se lleva a cabo el proceso, influida por diferentes condiciones, entradas o entornos.

• Consumo intensivo de recursos: Suelen consumir recursos importantes, como tiempo, mano de obra y capital.

Complejidad de la Información en la Auto-organización

En los artefactos, que por definición son construidos por el hombre con fines en mente y según planes ya definidos, el significado de las estructuras y funciones se define en relación con dichos fines. En otras palabras, como estos fines son externos a la máquina que dirigen, el significado está establecido de antemano, producido por el diseñador o constructor de la máquina. Por tanto, las cuestiones de significado no se plantean explícitamente en el análisis de la estructura y el funcionamiento de las máquinas artificiales. Por eso, el significado de la información no suele tenerse en cuenta explícitamente en el análisis de los sistemas artificiales, ni en las medidas clásicas de complejidad algorítmica, ni en las medidas de diversidad o complejidad estructural mediante la función H de Shannon.

En los sistemas naturales, por el contrario, la propia noción de autoorganización implica un origen interno, no sólo para las estructuras, sino también para los significados funcionales de los comportamientos producidos por dichas estructuras. Esto es lo que vio Kant en la Crítica del Juicio, cuando definió los organismos vivos por su «capacidad para fines internos».

En el contexto vitalista de su siglo, atribuyó esta capacidad a una inteligencia superior que dirige los fenómenos de la vida teleológicamente, es decir, con ayuda de causas finales, a la manera de una inteligencia humana. Por el contrario, las teorías modernas de la autoorganización pretenden demostrar cómo pueden producirse mecánicamente, de forma causal, estructuras y funciones complejas a partir de limitaciones fisicoquímicas locales y en determinadas condiciones de observación y medición.

En consecuencia, la cuestión de la naturaleza y la producción de significados en las máquinas auto-organizadoras que constituyen los organismos -o sus simulaciones informáticas más o menos burdas y aproximadas- no puede eludirse.

Desde el punto de vista de la teoría de la complejidad de los algoritmos, dicha capacidad de interpretación podría asignarse a una clase particular de algoritmos definidos formalmente como capaces de generar infinitos objetos con una sofisticación infinita.

La sofisticación es una medida significativa de la complejidad, y que se define distinguiendo, en la medida clásica de la complejidad de un algoritmo, la parte del programa (que describe la estructura de una clase de objetos) de la parte de los datos (que simplemente especifica una instancia particular entre los miembros de la clase).

Esta definición permite distinguir la complejidad clásica de las secuencias aleatorias infinitas, que es en sí misma infinita a pesar de su falta de sentido, de su sofisticación, que es nula. En general, una secuencia infinita suele tener una sofisticación finita, es decir, la longitud mínima de la parte del programa en la descripción mínima capaz de producirla. Esta sofisticación finita puede ser muy grande, por supuesto, si la secuencia producida tiene una estructura muy compleja en el sentido de que necesita un programa mínimo muy largo. Pero también es posible concebir una clase de objetos evolutivos, describibles mediante secuencias infinitas, cuya sofisticación también sería infinita. Esto significaría, más o menos, que el significado de tales objetos, y el conjunto de significados que podrían descubrirse o proyectarse en ellos, se modificarían constantemente a medida que se descubriera una nueva parte del objeto.

Qué significa atravesar la complejidad

Nota: Aquí empezamos el artículo de Torsten Walbaum, de The Operator´s Handbook.

En Operaciones Empresariales, Ciencia de Datos, Marketing o Gestión de Productos, el trabajo que hacemos es complejo, pero las decisiones a las que intentamos llegar en última instancia son sencillas:

• ¿Extraemos o retiramos esta función?

• ¿Escalamos esta campaña?

• ¿Nos decantamos por el proveedor A o por el proveedor B?

Las decisiones que tenemos que tomar suelen ser binarias (Sí/No) o entre un conjunto limitado de opciones.

La complejidad proviene de todos los factores que influyen en la decisión. Tenemos que analizar todas las dimensiones relevantes y decidir cuánto peso le damos a cada una.

Por ejemplo, si intentamos elegir entre distintos proveedores de software, tenemos que tener en cuenta el precio, las funciones, con qué otro software se integra la herramienta, la atención al cliente, etc.

Pero no toda la información es importante para la decisión en cuestión, e importa cómo la presentemos.

La clave está en simplificar: 1) reduciendo la cuestión a la información esencial y 2) organizando la información de modo que sea fácil de entender.

¿Por qué no hacemos esto siempre?

En primer lugar, es difícil. Tenemos que distinguir entre lo que es información crítica y lo que puede ignorarse «sin peligro», y la diferencia no siempre es obvia.

Pero también nos asustan las consecuencias. Hay seguridad en la sobrecarga de información; nos preocupa hacer una recomendación o tomar una decisión equivocada, y si mencionamos todas y cada una de las consideraciones y advertencias, nos estamos cubriendo las espaldas. Por desgracia, esto nos impide avanzar.

➡️ Como la mayoría de la gente aumenta la complejidad en lugar de reducirla, destacarás inmediatamente si simplificas bien.

9 técnicas para simplificar sin distorsionar el mensaje

Entonces, ¿cómo simplificar sin arriesgarte a que te malinterpreten? Aquí tienes 9 técnicas que utilizo habitualmente y que me han dado buenos resultados, sobre todo cuando trato con ejecutivos.

Las técnicas 1 - 8 te ayudarán a simplificar un tema deshaciéndote de la información no esencial, mientras que la técnica 9 te proporcionará dos formas de organizar la información para que sea más fácil de digerir.

Técnica 1: Deja de lado el cómo, céntrate en el qué y en el «¿Y qué?»

Para casi cualquier decisión que intentes tomar, es irrelevante cómo has llegado a tu conclusión.

Aunque estés orgulloso del análisis que realizaste o del experimento que diseñaste; cuando estás tratando de impulsar una decisión, este contexto de fondo no es más que una distracción.

Ejemplo de la vida real

❌ «Diseñamos un experimento con Nueva York, Los Ángeles y San Diego en el grupo de tratamiento y Washington D.C., Seattle, Houston y Chicago en el grupo de control sintético. Elegimos los mercados de control sintético observando..."

La metodología de tu análisis puede ir en el apéndice; si alguien quiere profundizar o cuestionar la validez de las conclusiones, puedes entrar en los detalles técnicos.
En tu comunicación inicial, sin embargo, debes centrarte en las conclusiones en lugar de enterrarlas bajo detalles técnicos:

✅ «Vimos un aumento del 15% del tráfico en el grupo de tratamiento, así como un aumento del 5% de los clientes potenciales. A pesar de que la conversión del tráfico fue inferior a la media, el coste por contacto sigue estando dentro de nuestros límites y recomendamos lanzar la campaña en todo el país».

Técnica nº 2: Omitir la cláusula de exención de responsabilidad

Nunca hay nada seguro, y ningún análisis es perfecto. Aunque es comprensible que sientas la necesidad de explicarte, hacer advertencias genéricas no es útil.

Por ejemplo, todo el mundo sabe que tu previsión de lanzamiento de un nuevo producto o mercado es una suposición informada; no hay necesidad de destacar todo lo que no sabes con certeza.

En lugar de enumerar cada incógnita, céntrate en las variables que afectan a la decisión.

Ejemplo de la vida real

A lo largo de los años, he participado en más tareas de previsión y planificación de las que puedo contar. Incluso en grandes empresas como Meta, nuestras previsiones solían ser mucho menos sólidas de lo que nos hubiera gustado.

A veces pronosticábamos nuevas líneas de negocio para las que no teníamos suficientes datos históricos, otras veces había factores externos como los cambios de privacidad de iOS o COVID con un impacto masivo, pero difícil de predecir.
Aun así, repetir las advertencias genéricas no ayudaba a nadie:

❌ «La previsión se basa en datos históricos limitados y las cifras podrían cambiar a medida que obtengamos datos reales. Los supuestos se basan en una extrapolación de la recuperación macroeconómica actual; un mayor deterioro del entorno macro pondría en peligro el plan."

Si quieres dar una idea del riesgo del plan, puedes mostrar la gama de resultados esperados y mostrar cómo afectan a la decisión que intentas enmarcar.

Por ejemplo, si estás tratando de decidir cuántos vendedores contratar y estás previendo el volumen de clientes potenciales para fundamentar esta decisión, podrías mostrar la siguiente tabla:

Técnica nº 3: Aplicar la regla del 80/20

Cuando intentes explicar algo, céntrate en el puñado de cosas que más han movido la aguja.

Supongamos que se te pasa el despertador, te levantas media hora tarde y pierdes el tren. Podrías hablar del hecho de que el trayecto hasta la estación de tren te llevó 3 minutos más de lo habitual debido al tráfico o de que el tren salió 1 minuto antes de lo previsto.

Pero en el gran esquema de las cosas, estos factores son insignificantes y sólo distraerían de la razón principal por la que llegaste tarde.

Ejemplo de la vida real

Una de las tareas más habituales en el trabajo es explicar un cambio en una métrica o las diferencias entre dos versiones de un entregable:

• ¿Por qué los ingresos han bajado un 20% respecto a la semana pasada?

• ¿Por qué la nueva propuesta de presupuesto es 20 millones de dólares más alta?

❌ He visto muchas comparaciones con este aspecto (y yo mismo he elaborado unas cuantas a lo largo de los años). Lleva un momento dar sentido a toda la información y averiguar qué es lo que importa:

✅ En cambio, si te centras en los factores clave, el mensaje queda claro de inmediato:

Técnica nº 4: Utiliza un lenguaje sencillo

La jerga técnica dificulta la comprensión, sobre todo si tu audiencia no tiene la misma formación que tú.

A veces, a la gente le preocupa que, al no utilizar los términos técnicos «correctos», el mensaje y las conclusiones resultantes sean inexactos. Sin embargo, la mayoría de las veces, si crees que no puedes decir lo que tienes que decir en un inglés sencillo, es porque tú mismo no has comprendido el tema con suficiente profundidad.

Recitar el texto de la página de Wikipedia minimiza el riesgo de que digamos algo «incorrecto», pero también dificulta la comprensión, así que intenta decir las cosas con tus propias palabras.

Ejemplo de la vida real

Las funciones técnicas suelen ser las más culpables de esto.
A lo largo de los años, he visto a Científicos de Datos hacer muchos resúmenes como éste:

❌ «Hemos actualizado el modelo de churn ajustando los umbrales en función de la curva ROC y hemos conseguido elevar el Recall a 0,65».

A las partes interesadas les costará entenderlo. En su lugar, puedes explicar simplemente lo que significa:

✅ «Hemos hecho el modelo más sensible para detectar más casos en los que los usuarios realmente abandonan. Ahora somos capaces de detectar el 65% de estos casos».

Técnica nº 5: Compara las cosas entre sí

A menudo hacemos comparaciones entre cosas que no son directamente comparables.
Cuando comparas cifras en distintas divisas, en distintos horizontes temporales (por ejemplo, diario frente a mensual), cifras absolutas frente a porcentajes, aumentos de participación frente a ingresos, etc., tu audiencia tiene que hacer el trabajo de traducir la información para que sea «de igual a igual».

Ejemplo de la vida real

Cuando la gente evalúa el impacto de las iniciativas, suele citar la cifra más fácil de calcular. El resultado es una tabla como ésta:

¿Qué iniciativa tiene el mejor ROI previsto? En cambio, si expresas el impacto de cada iniciativa en términos de la misma métrica, resulta mucho más fácil comparar.

Técnica nº 6: Evita el exceso de detalles

Que tengamos acceso a datos hipergranulares no significa que tengamos que utilizarlos.

Mirar los datos a nivel de usuario/transacción/proveedor/producto puede ser útil para las investigaciones, pero cuando intentas enmarcar una recomendación o decisión, normalmente sólo añade ruido. Los agregados facilitan mucho la digestión de la información, al tiempo que mantienen las tendencias relevantes de alto nivel. Del mismo modo, hay muy pocos casos en los que se necesiten cifras hiperexactas.

• ✅ «La opción A ahorra un 10% (aproximadamente 0,5 millones de dólares) en comparación con la opción B» es suficiente.

• ❌ «La Opción A ahorra un 9,79% (488.920 $) en comparación con la Opción B» sólo hace que la información sea más difícil de digerir sin añadir nada importante.

Ejemplo de la vida real

En UberEats, había algunas razones legítimas por las que buscábamos información a nivel de restaurante. Por ejemplo, una cadena de restaurantes podría haberse quejado de la fiabilidad de ciertos locales y nosotros queríamos desplegar correcciones muy específicas.

Pero la mayoría de las veces, los datos supergranulares dificultaban la comprensión de lo que estaba pasando:

En cambio, si observas los datos agregados, las tendencias resultan más claras:

Técnica nº 7: Evita las variantes a toda costa

La mayoría de los temas son lo suficientemente complejos como para que lleves la cuenta de una sola versión. Si creas múltiples versiones, perderás el rastro y causarás confusión tarde o temprano.

Ejemplo de la vida real

Este problema ocurre a menudo con planes y objetivos.

Empiezas con una versión del plan, pero luego los equipos quieren entender algunos escenarios diferentes («¿Y si no invertimos tanto en Internacional?»).

Luego, pasas por revisiones e iteraciones y pronto tienes la versión original que discutiste con el director general, la que mostraste a la junta y la versión final que estás bloqueando. Y, naturalmente, la gente quiere hacer un seguimiento de todas ellas.

Y una vez que empiezas a hacer un seguimiento del rendimiento con respecto al plan, por supuesto, empiezas a ajustar también los datos reales («¿Podemos ver cuál sería el rendimiento si eliminamos esa partida única?»).

Esto siempre acaba en confusión y noches sin dormir intentando conciliar los números. Lucha todo lo que puedas para mantener el número de variantes lo más reducido posible.

Técnica nº 8: «Anula» las cuestiones comunes

Si estás intentando decidir entre varias opciones, lo único que importa son las diferencias entre ellas.

Cualquier cosa que tengan en común puede ignorarse para simplificar la situación. Esto es similar a una ecuación matemática, en la que los términos y factores comunes de ambos lados de la ecuación pueden eliminarse mediante las operaciones adecuadas, simplificando mucho las cosas:

Ejemplo de la vida real

Al salir de COVID, muchas métricas volvieron a los niveles anteriores a la pandemia.
Esta recuperación se producía independientemente de las iniciativas que pusiéramos en marcha, ya que estaba impulsada por factores externos, como el levantamiento de los mandatos de refugio en el lugar.

Por eso, cuando en uno de mis trabajos anteriores comparábamos diferentes propuestas de proyecto y su rendimiento previsto, añadir el impacto de la recuperación COVID a cada escenario complicaba las cosas sin añadir ningún valor.
Lo que importaba era el crecimiento incremental en cada escenario, además de la recuperación orgánica que se estaba produciendo de forma generalizada.

Técnica nº 9: Organiza la información

Aunque hayas simplificado un tema con las técnicas anteriores, puede seguir siendo difícil transmitir tu punto de vista.

Para mostrar tu razonamiento y evitar malentendidos, organiza la información de forma que a tu audiencia le resulte fácil seguirla.

Marcos de referencia

Los marcos ayudan a dar sentido a cuestiones complejas, forzándolas a una estructura racionalizada.

He aquí algunos marcos de uso común y las situaciones en las que resultan más útiles, inspirados en el reciente post de Tessa Xie; si eres un científico de datos o simplemente trabajas mucho con datos, consulta su boletín para obtener consejos muy prácticos.

Árboles de cuestiones

• Qué: Los árboles de cuestiones te permiten dividir una cuestión compleja que estés analizando en subcomponentes más fáciles de comprender. Siguen una estructura jerárquica con la cuestión o pregunta clave en la parte superior y las consideraciones de apoyo a continuación.

• Cuándo: Los árboles de cuestiones son útiles cuando quieres llevar a tu audiencia a través del enfoque de resolución de problemas.

• Cómo: Considera el siguiente ejemplo (abreviado) en el que intentamos averiguar por qué han bajado los ingresos:

Matriz de decisiones («Enfoque del semáforo»)

• Qué: Una matriz de decisión enumera las opciones alternativas en un eje, y los criterios de decisión en el otro eje. En el llamado enfoque del «semáforo» de Meta, cada celda de la matriz se colorea de verde, amarillo o rojo, en función de la clasificación de la opción según el criterio en cuestión.

• Cuándo: Si estás evaluando unas cuantas alternativas y no tienes una ponderación acordada de los distintos criterios, la matriz de decisión (codificada por colores) facilita ver los pros y los contras de cada opción.

• Cómo: Mira este ejemplo (inventado) de una expansión internacional planificada:

Matriz 2x2

• Qué: Una matriz 2x2 reduce un problema a una simple cuadrícula con cuatro cubos, definidos por dos dimensiones.

• Cuándo: Es un marco estupendo si quieres simplificar drásticamente un problema. Por ejemplo, si hay que tener en cuenta muchos factores potenciales, pero crees que sólo dos son realmente importantes, una matriz de 2x2 puede transmitir la idea y centrar a tu audiencia.

• Cómo: Considera este ejemplo de mi reciente post sobre cómo elegir los proyectos adecuados para promocionarse:

Visuales

Los visuales son estupendos para explicar procesos o sistemas; describir todos los pasos y relaciones en texto es engorroso, pero un diagrama facilita su comprensión.
Por ejemplo, supongamos que quieres explicar cómo funciona tu atribución de Marketing. Una descripción pura es difícil de seguir:

❌ «Cuando se crea una oportunidad en Salesforce, comprobamos si hubo actividad de SDR contra el cliente potencial en los últimos 14 días. En caso afirmativo, atribuimos el cliente potencial a «Salidas de ventas». Si no, miramos si hay parámetros UTM de una campaña de pago. En caso afirmativo, ..."

En su lugar, puedes visualizar la información en un diagrama de flujo:

La teoría de la complejidad de Kolmogorov (Matemáticas y Teoría de la Informática)

La teoría de la complejidad de una secuencia numérica S según Kolmogorov se define como el tamaño, K(S), del programa más corto P que, confiado a una máquina universal (todo ordenador moderno lo es), produce la secuencia S. Esta noción es atractiva porque sintetiza en un solo número varias medidas de complejidad, incluida la propuesta por la teoría de la información del estadounidense Claude Shannon (1916-2001), de la que es la generalización. La otra cara de la moneda de esta generalización de la complejidad de Kolmogorov es su vínculo con los teoremas de incompletitud del austroamericano Kurt Gödel (1906-1978).

En concreto, la consecuencia de este vínculo es que no puede existir ningún mecanismo computacional general para determinar K(S) para cualquier secuencia S sin error. Por tanto, se pensó que la que es la más general de las medidas de complejidad no podría aplicarse en la práctica y seguiría siendo una simple herramienta matemática para considerar, en abstracto, los conceptos de información y complejidad, sin repercusión alguna en ninguna disciplina.

Creo que una de las mejores cosas de escribir online es que el lector (tú) puede dar su opinión, y que el autor (mi equipo y yo) puede recibir "feedback". Pero todo empieza con un comentario tuyo:

Una serie de estudios acaban de establecer que no es así y que la noción abstracta conduce a aplicaciones de innegable utilidad. El método seguido se basa en el uso de algoritmos de compresión de datos, que se han convertido en fundamentales para una serie de aplicaciones informáticas al mismo tiempo que se han hecho eficientes.

Pueden verse como herramientas para encontrar regularidades en secuencias digitales -archivos informáticos- y explotarlas para transformar un archivo F en un archivo comprimido C(F), que puede verse como un cálculo aproximado de K(S). El saber hacer acumulado durante más de treinta años en estos algoritmos de compresión de datos hace que el valor aproximado que estiman para K(S) sea en muchos casos bastante exacto. Esto ha dado lugar a métodos de clasificación automática: la complejidad relativa de Kolmogorov de una secuencia S se evalúa en relación con otra S’, lo que permite clasificar automáticamente las secuencias en un conjunto predeterminado de secuencias S. Esta técnica fue aplicada por un equipo de investigadores de la Universidad de Ámsterdam dirigido por Paul Vitanyi.

Utilizando secuencias genéticas, produjeron árboles filogenéticos que se consideraron adecuados. El método también se ha utilizado para determinar un árbol de las lenguas indoeuropeas, y para clasificar piezas musicales y textos. En 2008, Sihem Belabbes, del Instituto Británico de Tecnología y Comercio Electrónico, y Gilles Richard, del Instituto de Investigación en Informática de Toulouse, utilizaron la complejidad de Kolmogorov para desarrollar un nuevo tipo de algoritmo para detectar el spam, los correos electrónicos publicitarios que intentamos filtrar para que no abarroten los buzones electrónicos.

El Artículo Original en The Operator´s Handbook

El artículo original es el siguiente (se aconseja su lectura, que ofrece un mayor contexto):

How to simplify complex issues

Esa newsletter ofrece consejos prácticos, marcos y guías para hacer crecer tu carrera en Tecnología. Es un boletín basado en una década de experiencia operativa en empresas como Uber, Meta y Rippling. Para suscribirte a The Operator´s Handbook, pincha aquí.