La Ley de Goodhart indica que las personas pueden anticipar los efectos de una política cuando evalúan los resultados de sus acciones, y de este modo, tendrán en cuenta la política a la hora de tomar decisiones.

La Ley de Goodhart es un adagio muy importante a la hora de definir políticas económicas o empresariales, como también a la hora de analizar los resultados de esa política. También se conoce como "Dilema de Goodhart".

Cuando la política se enfoca en una sola medida, las personas comienzan a optimizar esa medida en particular. Es decir, ante un cambio en los incentivos, modifican su comportamiento buscando maximizar su beneficio individual. El resultado final puede ser una disminución del bienestar general.

Ejemplos de la Ley de Goodhart

Un buen ejemplo es lo que sucedió en India, cuando ese país estaba bajo control británico. Buscando disminuir la cantidad de serpientes venenosas que andaban sueltas por las calles, el gobierno comenzó a ofrecer dinero a cambio de cada Cobra muerta que se entregue.

En un comienzo, la medida pareció ser exitosa: la gente comenzó a matar cobras y a entregarlas al gobierno. Pero luego de un tiempo, muchos se dieron cuenta que era mas fácil criar cobras que cazarlas. Florecieron criaderos de cobras cuyo negocio consistía en entregar cobras muertas al gobierno, a cambio de dinero.

Cuando el gobierno se dio cuenta de esta estrategia, decidieron eliminar el programa de compensaciones. ¿Adivinas qué pasó cuando el gobierno eliminó el programa? Los criadores de cobras dejaron libres a muchas serpientes. ¡La cantidad de serpientes sueltas en las calles aumentó!

¿Qué lecciones podemos aprender de este caso? Cuando se pone énfasis en una medida a optimizar, las personas pueden manipularla para maximizar cierto objetivo.

La Ley de Goodhart usualmente se conoce de la siguiente manera:

Cuando una medida se convierte en objetivo, deja de ser una buena medida.

Charles Goodhart

Charles Goodhart es un economista británico nacido en 1936. Fue miembro del Comité de Política Monetaria del Banco de Inglaterra y profesor de la London School of Economics. La Ley de Goodhart se hizo popular cuando Goodhart publicó un paper en 1975, que criticaba la política económica de Margaret Thatcher.

Interpretaciones de la Ley de Goodhart

La formulación original de Goodhart era:

Cualquier regularidad estadística observada tenderá a desplomarse una vez se presione para utilizarla con propósitos de control.Goodhart, 1975

La Ley de Goodhart es importante en política económica y en la administración de empresas. La ley está implícita en la idea de las expectativas racionales: las personas son conscientes de las implicaciones de sus acciones y actúan de acuerdo a ellas.

Una hermosa formulación de la Ley de Goodhart es la realizada por Jón Danı́elsson, un economista que enseña en la London School of Economics:

Cualquier relación estadística fracasa cuando se usa como propósito de política. Jón Danı́elsson

Ejemplos de la Ley de Goodhart

- Optimización para buscadores: Durante mucho tiempo, Google usó un sistema llamado PageRank para ordenar los resultados de búsqueda. PageRank usaba los vínculos desde otras páginas como un proxy de la calidad del resultado, y las páginas que tenían mas vínculos subían en las posiciones de los resultados de búsqueda.

Cuando la Ley de Goodhart entró en acción, muchos webmaster comenzaron a intercambiar vínculos entre sus páginas o a crear "granjas" de vínculos, para mejorar sus rankings.

Google cambió su algoritmo para ordenar los resultados. Para evitar que la Ley de Goodhart entre en acción nuevamente, muchos aspectos del algoritmo actual no son públicos.

- Objetivos de Ventas: en muchas empresas de venta, se establecen objetivos a vendedores para aumentar su productividad. Por ejemplo, un vendedor de autos puede obtener un bono de $1000 si vende mas de 20 autos por mes.

Esto puede tener dos consecuencias negativas: cuando se acerca fin de mes, quienes no hayan logrado vender mas de 20 autos se apresurarán para lograr el objetivo haciendo muchas llamadas y ofreciendo descuentos que no habrían ofrecido en circunstancias normales.

También, los que sí hayan logrado vender mas de 20 autos, tendrán menos incentivos para aumentar el número de ventas: cerca de fin de mes preferirán posponer sus ventas hasta que comience el mes siguiente.

Estas estrategias pueden ser perjudiciales para la empresa en su conjunto, a pesar de que pueden ser beneficiosas para cada uno de los vendedores.

- Cupones de Descuento: Cuando empresas ofrecen cupones de descuento regularmente, los clientes pueden retrasar compras para obtener un descuento en el futuro.

- Call Centers: Muchos call centers establecen objetivos de tiempo promedio de llamada, como tres minutos por llamada en promedio. Para cumplir con este objetivo, los operadores pueden apresurarse a terminar sus llamadas mas rápida, lo que implica que en muchos casos la calidad de atención al cliente disminuirá para reducir el tiempo de llamada, en especial, los operadores evitarán llamadas que impliquen largas conversaciones, sin tener en cuenta la importancia de las mismas.

- Notas Escolares y Universitarias: Las calificaciones en los exámenes se usan como proxy de la calidad académica. Estudiantes están memorizando para rendir exámenes con buenas notas en lugar de aprender en profundidad y relacionar contenidos entre diversas materias de estudio.

- Publicaciones Académicas: en el mundo académico muchas veces se tiene en cuenta la cantidad de trabajos publicados en revistas académicas como un indicador de la productividad de un investigador. Los académicos, para lograr que sus trabajos sean publicados, tienen incentivos para manipular sus datos y de este modo lograr significancia estadística en sus investigaciones, por ejemplo, usando sets de datos menores que los originales. Puede existir un sesgo en las publicaciones, dado que los trabajos que no lograron significancia estadística no fueron publicados y no se encuentran disponibles.

Implicaciones para el Análisis de Datos

Cuando un modelo basado en datos del pasado se aplica en el "mundo real", las personas pueden comenzar a cambiar su comportamiento en respuesta a la aplicación del modelo, lo que lo podría invalidar.

En Data Science, la Ley de Goodhart se puede expresar como "El comportamiento puede variar como consecuencia de la presencia del modelo."

Se pueden realizar pruebas para testear la presencia de la Ley de Goodhart. Por ejemplo, se puede verificar si existe un cambio estructural luego de que se haya aplicado el modelo.

¿Cómo superar la Ley de Goodhart?

No existe una solución simple al problema planteado por la Ley de Goodhart. El comportamiento humano es complejo y difícil de modelar.

Una primera opción es usar mejores medidas, que tengan en cuenta múltiples factores.

Cuando no es necesario comunicar explícitamente las recompensas, no hacerlo puede lograr que los agentes no tengan un proxy que optimizar. Las personas usarán el sentido común para optimizar objetivos amplios.

Teniendo en cuenta el comportamiento social de los grupos humanos, para evitar los problemas ocasionados por la Ley de Goodhart, en muchos casos puede ser útil evitar grandes grupos de trabajo y jerarquías. De este modo, se evita la introducción de objetivos o Key Performance Indicators (KPIs o Indicadores Clave de Rendimiento). Los grupos pequeños naturalmente pueden comenzar a optimizar una diversidad de indicadores como medida de su éxito.

Resumen y Conclusiones

La Ley de Goodhart es un fenómeno que se presenta en muchas areas de negocios y científicas. Los hacedores de política, analistas de datos, científicos y administradores deben tener en cuenta la Ley de Goodhart a la hora de diseñar indicadores de rendimiento, y evitar caer en el error de usar recompensas basadas en indicadores cuando la introducción de esta política puede traer consecuencias indeseadas.

El Inbound Marketing es un nuevo concepto sobre como tratar con clientes, empleados y socios y una metodología para adquirir y retener clientes, basada en atraer clientes mediante contenido útil y ser amable y humano en todas las etapas del proceso de adquisición.

El Inbound Marketing cobra fuerza con el crecimiento de Internet como medio de búsqueda de información y con el surgimiento de las plataformas de ecommerce. El Inbound Marketing incluye técnicas y canales basados en Internet, como marketing en las redes sociales, optimización para buscadores (SEO) e email marketing.

El Inbound Marketing se enfoca en crear relaciones de confianza con clientes y empleados, para lograr que los incentivos privados de cada uno de ellos se alineen con los objetivos de la empresa.

La principal diferencia con el marketing tradicional es que el Inbound Marketing prioritiza las conexiones interpersonales y el establecimiento de confianza en las relaciones de largo plazo, en lugar de usar tácticas que buscan una respuesta de compra (publicidad tradicional, slogans, etc.).

El Inbound Marketing utiliza el Contenido como uno de sus Principales Activos

Usando el Inbound Marketing, las marcas crean contenido útil que busca solucionar problemas reales y prácticos. El contenido puede estar en formato de artículo, video, publicaciones en redes sociales, publicaciones en blogs, etc.

Este contenido, al ser útil y servir para solucionar problemas reales, atrae potenciales clientes y comienza a crear una relación de confianza entre los potenciales clientes y la marca.

Historia del Inbound Marketing

El concepto de Inbound Marketing nace en los comienzos de los 2000 gracias a la popularización y al fuerte crecimiento de Internet. Cuando las marcas se dieron cuenta del poder del contenido de calidad para atraer nuevos clientes, comenzaron a usar el contenido como método de crecimiento empresarial.

El marketing tradicional se enfocaba en publicidad, slogans y en ofrecer un producto. Empresas como Apple, Airbnb y Spotify no solo enfocaron su estrategia en excelentes productos y servicios, sino también en construir relaciones de confianza con clientes y empleados. Apple, por ejemplo, cuenta con una base de clientes que son extremadamente leales a la marca.

El Inbound Marketing reemplaza los slogans y la publicidad tradicional con contenido útil e historias basadas en sus productos. Internet permite comparar miles de productos y servicios con facilidad, rapidez y desde la comodidad de una PC o smartphone. Los consumidores desdeñan los slogans baratos y prefieren buscar información útil para resolver problemas actuales o satisfacer sus necesidades.

Estapas del Inbound Marketing

1- Atraer

Es la primera etapa. En esta etapa, la empresa se enfoca en crear contenido de calidad destinado a las personas correctas. Se puede hacer de varias maneras, usualmente incluye crear blogs, comunidades, participar activamente en redes sociales, videos, etc.

2- Convertir

Una vez que el cliente ha visitado el contenido y escuchado o leído la marca, se comenzó a crear una relación entre el cliente y la empresa. En la segunda etapa, la empresa se enfoca en que el cliente tenga en cuenta a la empresa como una potencial forma de solucionar su problema, para que el visitante se convierta en cliente.

Las herramientas que se usan en esta etapa son varias:

- Formularios de Contacto

- Chats

- Emails

- Sistemas CRM

3- Venta

En esta etapa, una vez que se estableción un canal de conversación, la empresa se enfoca en convertir el potencial cliente en cliente. Generalmente se establece un flujo sistemático, detalladamente estudiado y probado constantemente, que establece las acciones a seguir una vez establecido el primer contacto.

Todo el proceso de pago y distribución debe estar cuidadosamente detallado y ser placentero para el cliente.

4- Servicio al Cliente y Relación con Clientes luego de la Venta

Luego de efectuada la venta, el Inbound Marketing se enfoca en satisfacer y deleitar a sus clientes. Un cliente satisfecho volverá nuevamente a comprar y también se puede convertir en un promotor mediante el boca en boca y su participación en canales como Facebook, Twitter, foros o plataformas especializadas de acuerdo al vertical donde opere la empresa (existen plataformas de valoración de hoteles, restaurantes y foros especializados en diversos tipos de productos y servicios).

Resumen y Conclusiones

El Inbound Marketing es una estrategia que ayuda a empresas a ser mas exitosas en la era de Internet, en la que los clientes desdeñan la publicidad y el marketing tradicional, y prefieren que se les brinde contenido útil y un proceso que sea placentero en todas las etapas y relaciones con la empresa.

De este modo, el Inbound Marketing sirve para aumentar la cantidad de ventas y establecer una relación de confianza con los consumidores, de forma que vuelvan a confiar en la empresa en el futuro y también promuevan a la empresa en diversos canales, lo que a su vez atraerá mas clientes.

En este artículo vamos a explorar el concept de data science y porqué está en auge en este momento, cual es la diferencia entre data science y econometría y algunas de las herramientas mas utilizadas en data science.

El Crecimiento del Interés en Data Science

El interés en Data Science explotó en los últimos años. Como puedes ver en el siguiente gráfico tomado de Google Trends, la cantidad de búsquedas del término "Data Science" se viene incrementando rápidamente desde 2013, multiplicándose por mas de ocho en cinco años.

Data Science en las Empresas

Grandes empresas como Google, Amazon y Facebook tienen acceso a una gran cantidad de datos de sus usuarios, y usan Data Science para analizar toda esa cantidad de datos. Por ejemplo, Google puede generar mejores resultados de búsqueda mediante técnicas para predecir la intención de búsqueda. También para saber el tema de una imagen.

Facebook usa data science para sugerir amigos, reconocimiento facial y sugerir tags en posts.

Amazon usa data science para detectar revisiones de productos falsas, detectar fraudes, optimizar campañas publicitarias, predecir inventarios, etc.

Las empresas proveedoras de tarjetas de crédito usan data science para prevenir fraudes, detectando anomalías en patrones de compras muchas veces en tiempo real.

Pero no solo gigantes tecnológicos como los recién mencionados utilizan data science: cada vez mas medianas y pequeñas empresas están comenzando a usar data science para comprender mejor los datos a los que tienen acceso. Una reciente encuesta (1) muestra que mas de la mitad de las empresas de Estados Unidos están invirtiendo en Data Science. Esta proporción es aún mayor en los sectores de telecomunicaciones (87%) y servicios financieros (76%).

Demanda Laboral de Data Science

La demanda de científicos de datos está aumentando a pasos agigantados. Las búsquedas de personal especializado en Data Science en LinkedIn está entre los perfiles mas demandados. Desde 2012, la demanda laboral de data science ha aumentando cerca de 650%, sin embargo, el crecimiento de la oferta ha sido mucho menor. Esta discrepancia ocasionó un fuerte aumento de los salarios de los técnicos capacitados en Data Science. (2)

Inversión en Investigación Relacionada con Data Science

Grandes centros de investigación están invirtiendo fuertemente para el desarrollo de Data Science. Además de la inversión de privados, como Google, universidades de Estados Unidos están destinando millones en centros de desarrollo, incluyendo a la Universidad de California Berkeley, la Universidad de Nueva York y la Universidad de Michigan.

¿Qué es Data Science?

Data Science es un conjunto de herramientas, técnicas y disciplinas que se enfocan en convertir grandes cantidades de datos en información útil para explicar la relación entre variables y generar modelos predictivos.

Data Science vs Estadística

Muchos piensan Data Science no es mas que un término de moda para referirse a la econometría o a la estadística aplicada. Por ejemplo, Irving Wladawsky-Berger publicó en el Wall Street Journal, un artículo titulado "¿Porqué Necesitamos Data Science si hemos tenido Estadística por Siglos?".

Por otro lado, otros piensan que la estadística es solo una parte de Data Science, y, según quienes mantienen esta postura, es una parte con poca importancia. Por ejemplo, Andrew Gelman afirma que la estadística es la parte menos importante de Data Science.

Hace mas de 50 años, John Tukey, un prestigioso matemático conocido por sus aportes a la estadística, llamó a una reforma de la forma de enseñar estadística. En su paper "The Future of Data Analysis" (3) menciona la existencia de una todavía no reconocida "ciencia", cuyo interés se centra en aprender de los datos.

Hace mas de una década, investigadores como John Chambers, Bill Cleveland y Leo Breiman, afirmaron de forma independiente que la estadística debe expandirse y poner énfasis en la preparación y presentación de los datos. Enfocarse en la predicción desde el punto de vista práctico y no tanto en la inferencia y el análisis teórico. (4)

Viendo la forma en que se enseña Estadística en las universidades, podemos afirmar que los esfuerzos por hacer de la Estadística una disciplina mas práctica, han fallado. Y quizás esta sea una de las razones por las que hayan surgido confusiones relacionadas al concepto de Data Science en los últimos años.

Data Science, a diferencia de la econometría, se enfoca en enormes cantidades de datos. Para muestras mas pequeñas, la econometría tiene una mayor productividad marginal. Mientras aumenta la cantidad de datos, la productividad marginal de Data Science va aumentando y en aplicaciones específicas, superan a los modelos de la econometría.

La aplicación de Machine Learning, necesita de enormes cantidades de información, pero a priori no requiere de un modelo predictivo establecido, sino que los programas informáticos se encargan de testera miles de combinaciones de variables y parámetros para encontrar el modelo con mayor capacidad predictiva, sin interesarse por la causalidad. En econometría, generalmente, se parte de modelos teóricos establecidos y luego se prueba su capacidad predictiva de acuerdo a los datos disponibles.

Data Science no es Big Data

Esto no significa que "Data Science" sea "Big Data", porque la estadística se ha involucrado desde hace tiempo con el análisis de grandes cantidades de datos.

Data Science no es solo aplicación práctica

En muchas tareas de un científico de datos son necesarios conocimientos técnicos específicos para procesar enormes cantidades de datos eficientemente. Muchos empleos de Data Scientist piden saber cosas muy técnicas, como usar múltiples procesadores simultáneamente, Hadoop, etc.

Sin embargo, estas habilidades son específicas para poder trabajar con las limitaciones impuestas por la tecnología en un período de tiempo determinado. Si bien son necesarias en ciertos puestos de Data Scientist, no representan la definición de Data Science, que permanece a través de los cambios tecnológicos.

Además, cada vez mas trabajos están dividiendo este tipo de tareas hacia Ingenieros de Datos y no a Científicos de Datos. Los primeros se encargan de poner en práctica todos los sistemas para procesar la información.

Entonces... ¿Qué es Data Science?

Para definir el término Data Science es necesario separar todos los términos "de moda" o comerciales acuñados reciéntemente, de lo subyacente y estable a través del tiempo, que están relacionados con buscar explicaciones o respuestas a ciertos fenómenos usando métodos científicos.

Entonces, podemos afirmar que Data Science es la ciencia que estudia como aprender de los datos.

Esta definición tiene muchas implicaciones. En cierto sentido, incluye a muchos aspectos de términos como "Big Data" y también a técnicas específicas, pero también excluye a otros.

El profesor Donoho (4) menciona seis actividades principales de Data Science:

-1 Exploración de Datos

-2 Transformación de Datos

-3 Computos

-4 Modelización

-5 Visualización

-6 Science acerca de Data Science

En la práctica, Data Science usa conocimientos de diversas disciplinas:

Referencias

(1) https://globenewswire.com/news-release/2017/12/20/1267022/0/en/Dresner-Advisory-Services-Publishes-2017-Big-Data-Analytics-Market-Study.html

(2) Fuente: LinkedIn’s 2017 U.S. Emerging Jobs Report https://economicgraph.linkedin.com/research/LinkedIns-2017-US-Emerging-Jobs-Report

(3) http://www.mat.ufrgs.br/~viali/estatistica/mat2274/material/textos/2237638.pdf

(4) David Donoho "50 Years of Data Science"

El endoso significa transferir el derecho de cobro de un título a la orden, como un cheque, a otra persona física o jurídica, es decir, que se autoriza a una persona a extraer dinero de la cuenta. El endoso se puede aplicar a cheques, letras de cambio u a otros títulos valor.

Usualmente el endoso de un cheque se realiza para usar el cheque como medio de pago.

¿Qué cheques pueden ser endosados?

Se puede realizar el endoso de cheques al portador y de cheques nominativos si incluyen la cláusula "a la orden". Los cheques que tienen la cláusula "no a la orden" (en España, Argentina, Colombia, etc.) o "cheque no negociable" (en México) no pueden ser endosados.

¿Cómo endosar un cheque?

El endoso en pleno o regular de un cheque se realiza de la siguiente manera:

En la parte posterior:

1- Se escribe el nombre y apellido de la persona a la cual se le endosa el cheque, es decir, quién recibe el cheque.

2- Si quien recibe el endoso es una persona física, se puede incluir su número de documento.

3- Si quien recibe el endoso es una persona jurídica, como una empresa, se escribe el nombre jurídico. De acuerdo al país, se puede o debe incluir otro dato adicional, como un número identificatorio de la empresa (número de CUIT en Argentina, en España, se debe incluir la expresión "por poder" antes del nombre de la empresa

4- Se coloca la firma, la cual debe ser identificable. En endoso no debe tener errores de ortografía, porque el banco se puede reservar el derecho de aceptar un cheque que contenga errores.

El primer endoso, se puede hacer en cualquiera de los dos extremos de un cheque. Pero el segundo endoso se debe hacer sí o sí debajo del primer endoso, y no en el extremo del cheque no usado en el primer endoso.

Formas de Endoso

Endoso en blanco

En este tipo de endoso solo se coloca la firma en la parte posterior. Para cobrar el cheque endosado hay que colocar los datos de la persona que lo cobrará. Puede ser quién recibió el primer endoso u otra persona.

Es decir, que quién recibió el cheque por primer endoso, puede darlo como forma de pago a un tercero. Puede darlo nuevamente "en blanco" o colocando los datos de quién lo recibe ("en pleno").

Endoso al portador

En este tipo de endoso, solo se escribe "al portador" y se coloca la firma. Este cheque puede ser cobrado por la persona que tenga el cheque en su poder.

Endoso Regular o En Pleno

Se colocan los datos de la persona que lo puede cobrar, como se indicó mas arriba.

Volver a Endosar un Cheque Endosado en pleno

Los cheques de pago diferido o cheques posfechados que ya han sido endosados en pleno, es decir, con todos los datos de la persona que recibió el primer endosos, pueden ser endosados nuevamente.

Los cheques en blanco y al portador pueden ser endosado nuevamente sin inconvenientes, siempre que no contengan los datos de quién realizará el cobro.