Diseño de Experiencia

Ley de Campbell: El lado oscuro del enfoque data driven

Según Mckinsey, se espera que para 2025 los flujos de trabajo inteligentes y las interacciones fluidas entre humanos y máquinas sean un estándar. Tal como ya sucede con el balance corporativo, y la mayoría de los empleados utilizarán datos para optimizar casi todos los aspectos de su trabajo.

Hoy, los datos han ganado una relevancia crucial en el ámbito empresarial. Mientras algunas empresas basan sus estrategias en intuiciones, la metodología data-driven (impulsado por datos) ha cobrado protagonismo al momento de tomar decisiones y planificar estratégicamente. Esta implica recopilar y analizar información para fundamentar la toma de decisiones y la planificación. Así, el uso de big data permite a las organizaciones obtener una visión más precisa y mejorar su capacidad operativa.

La cultura data-driven va más allá de una simple recolección de datos. Representa una mentalidad en la que se reconoce el valor real de la información generada a partir de los datos, para utilizarla e impulsar el éxito de la empresa. Cuando una empresa se declara “data-driven”, significa que toma decisiones estratégicas basadas en análisis de datos e interpretación. Este enfoque permite que las organizaciones examinen y organicen sus datos con el fin de atender mejor a sus clientes y consumidores.

Desafíos del Data-driven

El uso de grandes cantidades de datos conlleva diversos desafíos que deben abordarse de manera efectiva. Algunos incluyen la falta de organización de los datos, dificultades en el almacenamiento y análisis de los mismos, problemas de privacidad y cumplimiento de un marco regulatorio.

Los indicadores de satisfacción del cliente son métricas que utilizan las empresas para identificar qué tan satisfechos están los clientes con los productos, servicios y atención brindados. Estos datos ayudan a las empresas a identificar áreas de mejora y tomar decisiones estratégicas para mejorar la satisfacción y fomentar la retención de compradores

Es importante reconocer que, en nuestro afán por alcanzar ciertas métricas que agreguen valor a nuestro servicio o negocio, podemos caer en una trampa peligrosa. En ocasiones, nos enfocamos tanto en obtener ciertos resultados que podemos perder de vista aspectos cruciales, como la experiencia del cliente o la ética en el manejo de los datos.

La optimización excesiva de métricas también puede poner en riesgo tanto a los usuarios como a los objetivos comerciales de una organización. Es peligroso depender únicamente de una métrica para evaluar el desempeño, ya que puede ser manipulada de formas no relacionadas con su propósito original, según la Ley de Campbell.

Esta ley advierte que cuanto más crucial sea una métrica en la toma de decisiones, mayor será la probabilidad de manipulación.

Ejemplos de La ley de campbell

El uso de una única métrica para medir el éxito o el fracaso puede llevar a comportamientos extremos y perjudiciales, ya que las personas pueden enfocarse en optimizar la métrica en lugar de abordar el tema subyacente. La Ley de Goodhart, por su parte, destaca que cuando una medida se convierte en el objetivo principal, pierde su valor como una buena medida.

Tanto la Ley de Campbell como la Ley de Goodhart surgieron de la frustración de científicos sociales que observaron cómo las métricas individuales reemplazaban una comprensión completa y matizada de comportamientos complejos

La Ley de Campbell puede aplicarse a situaciones cotidianas. Por ejemplo, en el área de la salud, una métrica buscaba reducir el tiempo de espera de los pacientes en llamadas telefónicas. Pero los empleados silenciaban las llamadas y prolongaban el tiempo de atención para mejorar la métrica, sin mejorar la experiencia del paciente.

Del mismo modo, en servicios de gig economy como Airbnb o Uber, las calificaciones de cinco estrellas son cruciales para los conductores y anfitriones, lo que lleva a manipulaciones como pedir directamente a los clientes una puntuación perfecta. Estas prácticas reflejan la tendencia de las organizaciones a optimizar las métricas a expensas de otros aspectos importantes.

El caso de Facebook ilustra cómo la priorización extrema de una métrica, como el número de usuarios activos diarios, puede distorsionar la experiencia del usuario y llevar a consecuencias perjudiciales, como adicciones y desinformación. Aunque no todos los casos son tan extremos, la obsesión por una sola métrica puede tener efectos desastrosos para los objetivos comerciales.

Enrocarse en las métricas con responsabilidad

Para evitar una obsesión por las métricas, debemos reconocer que todos los indicadores tienen limitaciones y reflejan decisiones sobre lo que se considera importante. En lugar de depender de un parámetro, se deben combinar para obtener una comprensión más completa del fenómeno estudiado.

Además, es esencial complementar los datos cuantitativos con datos cualitativos para entender las consecuencias matizadas de las decisiones de diseño. Deben utilizarse como herramienta para la toma de decisiones, pero no deben ser el único factor determinante. La clave es construir relaciones positivas a largo plazo que agreguen valor a la vida de los usuarios en lugar de perjudicarlos.

Las métricas cuantitativas son esenciales para el éxito en los negocios y el diseño, pero deben utilizarse con responsabilidad. Cuando se prioriza la optimización de métricas por sobre las relaciones a largo plazo con los clientes, se corre el riesgo de fallar tanto en el negocio como en la satisfacción de los usuarios.

Es fundamental encontrar un equilibrio entre el uso de datos y otros factores más amplios, como la satisfacción del cliente y el cumplimiento de regulaciones éticas. Al abordar estos desafíos de manera integral, aprovecharemos todo el potencial de los datos, sin perder de vista nuestra responsabilidad hacia nuestros usuarios y el entorno regulatorio.

Referencias

https://www.nngroup.com/articles/campbells-law/
https://www.zendesk.com.mx/blog/indicadores-de-satisfaccion-del-cliente-que-son/
https://www.zendesk.com.mx/blog/data-driven-que-es/
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-data-driven-enterprise-of-2025