El talón de Aquiles de la Analítica de Datos (I)
La analítica de datos está de moda en Venezuela. En este artículo explicaré su talón de Aquiles, presentando sus limitaciones y puntos ciegos. En el de la semana que viene profundizaré en la idea y la aplicaré a los tipos de eventos que los modelos de analítica de datos no pueden anticipar.
TL;DR
- Los modelos de analítica de datos se basan en datos históricos y asumen que el futuro será similar al pasado (supuesto de estacionariedad).
- Esta dependencia del pasado hace que la analítica sea ineficaz ante cambios estructurales, giros geopolíticos o rupturas sistémicas.
- La ilusión de objetividad matemática surge porque los datos son construidos por humanos y pueden contener sesgos que los algoritmos magnifican.
- Existe el peligro de confundir correlación con causalidad, lo que puede llevar a decisiones estratégicas erróneas basadas en patrones sin sentido lógico.
- La Ley de Goodhart advierte que cuando una medida se convierte en objetivo, deja de ser una buena medida, ya que las personas aprenden a manipular el sistema.
- El sobreajuste ocurre cuando los modelos explican demasiado el ruido del pasado, volviéndose frágiles ante variaciones mínimas en el mundo real.