El World Economic Forum afirmó hace unos años que complex problem solving sería la top skill del futuro, uno de mis Superpoderes del Siglo XXI.
El complex problem solving o pensamiento sistémico, a la que ya me he referido en numerosas ocasiones (imprescidnible Pensar en Sistemas de Donella H. Meadows) nos aporta las mejores tácticas y prácticas para resolver problemas, mejor, más rápido, más seguro. Por eso es interesante Bulletproof Problem Solving – The One Skill That Changes Everything Charles Conn y Robert McLean
Bulletproof Problem Solving profundiza en esta habilidad, a menudo descuidada, de la resolución de problemas. Con la disminución de los trabajos rutinarios en todo el mundo, a más y más empleados se les asigna la tarea de abordar desafíos abiertos.
Los autores, con décadas de experiencia en McKinsey, ofrecen un enfoque sistemático de siete pasos para la resolución creativa de problemas que se puede aplicar en cualquier campo o industria, y enseñan la resolución de problemas mediante principios básicos.
Principales ideas de Bulletproof Problem Solving
- Para encontrar soluciones útiles, primero hay que definir correctamente los problemas.
- Dividir los problemas en partes más pequeñas los hace más fáciles de resolver.
- La priorización se trata de evaluar su influencia y el impacto potencial de las soluciones.
- Los procesos de trabajo igualitarios pueden ayudar a su equipo a vencer los sesgos individuales.
- Trata bien los datos y te recompensarán con información útil.
- Puedes encontrar muchos datos útiles en el mundo real si se toma el tiempo de buscar.
Para encontrar soluciones útiles, primero hay que definir correctamente los problemas.
Cuando te enfrentas a un problema, es fácil empezar a pensar inmediatamente en cómo vas a resolverlo. Te apresuras a recopilar datos, consultar a expertos y analizar lo que has encontrado. Pronto, encontrarás respuestas. Solo hay un problema: te has saltado un paso vital.
La resolución de problemas solo funciona si respondes las preguntas correctas. Si no lo haces, tu trabajo no tendrá ningún valor. Peor aún, podría incluso ser contraproducente.
Por eso es tan importante comenzar el proceso de resolución de problemas tomándose un momento para pensar detenidamente qué pregunta estás tratando de responder.
No definir adecuadamente un problema puede tener consecuencias desastrosas. Tomemos como ejemplo la industria de los periódicos.
Los periódicos dominaron las noticias locales hasta mediados de la década de 1990. Entonces, de la nada, surgió un nuevo competidor: Internet.
Al principio, las publicaciones en línea como los blogs asustaban a los altos ejecutivos de la industria, pero cuanto más analizaban el problema, más se relajaban. Dado que los periódicos habían sobrevivido a la llegada de nuevas tecnologías como la radio y la televisión, ¿por qué Internet debería ser diferente? Y, de todos modos, ningún blog podría igualar el tipo de contenido producido por los grandes y experimentados equipos editoriales que trabajan en las salas de redacción.
Por supuesto, no fue así como resultaron las cosas. ¿Cómo se equivocaron tanto? Bueno, no habían definido correctamente su problema.
Las plataformas en línea no necesitaban robar lectores, solo necesitaban a las personas que colocan anuncios en los periódicos. En otras palabras, los ejecutivos estaban pensando en la calidad de su contenido, pero el problema real era la cantidad de ingresos generados por la publicidad. Cuando los anunciantes se mudaron a Internet, cientos de periódicos empezaron a quebrar.
¿La clave para evitar esta trampa? Haciéndote las preguntas correctas.
¿Quiénes son los tomadores de decisiones clave que determinan si mis soluciones se adoptan o se ignoran? ¿Cómo será el éxito y cómo sabré cuándo lo he logrado? Más importante aún, ¿cómo medirán los tomadores de decisiones clave si mi enfoque está funcionando o fallando? ¿Cuál es mi marco de tiempo? ¿Necesito una solución para el próximo mes o en una década? Y finalmente, ¿hay alguna solución potencial fuera de los límites?
Estas preguntas no solo te ayudarán a definir su problema con mayor precisión, sino que también evitarán que pierdas el tiempo para encontrar excelentes respuestas a las preguntas incorrectas.
Dividir los problemas en partes más pequeñas los hace más fáciles de resolver.
Hace unos años, el autor Robert McLean empezó a pensar en instalar paneles solares en su casa para reducir su huella de carbono. Al vivir en la soleada Australia, la energía solar parecía una obviedad.
Pero, ¿tenía sentido económicamente? Esta pregunta era más difícil de responder. En ese momento, los subsidios gubernamentales para la energía sostenible se estaban eliminando gradualmente. Pero el precio de los paneles estaba cayendo y había que considerar las tarifas de «alimentación»: el precio al que las compañías eléctricas compran el exceso de energía generada por las casas individuales.
Lo que McLean necesitaba era una herramienta para desenredar este complicado problema.
En McKinsey, una empresa líder en consultoría de gestión, McLean aprendió a abordar problemas utilizando árboles lógicos. Así es como funciona esa herramienta.
El primer paso es formular una hipótesis. En el caso de McLean, esto tomó la forma de una declaración simple: «Debería instalar paneles solares». Luego, pregúntate qué evidencia apoyaría esta hipótesis.
McLean propuso dos criterios. Si los paneles solares podían reducir su huella de carbono en un 10 por ciento y él podía recuperar su inversión en diez años, instalarlos era una buena idea. La declaración de criterios te dice qué tipo de datos necesita recopilar.
Así que tomemos esa reducción del 10 por ciento de CO2. Para calcular una posible reducción de su huella de carbono, primero necesitas saber cuánto CO2 emite. En aras de la simplicidad, McLean buscó cuánto emite el australiano promedio cada año y lo usó como punto de referencia. Luego, usó calculadoras de sitios web para calcular cuánto carbono podría evitar al cambiar a paneles solares. Descubrió que podía reducir su huella de carbono en más del 20 por ciento.
¿Qué pasa con la recompensa? McLean sumó el costo de los paneles y la instalación. Luego calculó cuánto ahorraría cada año usando menos energía externa y vendiendo el exceso de energía: un análisis simple con calculadoras en línea proporcionadas por instaladores solares. Los resultados mostraron que podía recuperar su inversión inicial en menos de una década. Con solo un poco de investigación en línea, McLean había resuelto su problema: debía instalar paneles solares.
Esta es la belleza de los árboles lógicos. Cuando estableces tu hipótesis y los criterios necesarios para respaldarla, descubres qué tipo de datos pueden resolver su problema.
La priorización trata de evaluar su influencia y el impacto potencial de las soluciones.
El salmón del Atlántico aún no está en peligro, pero las poblaciones de salmón salvaje han sido devastadas por la contaminación, la sobrepesca y la mala gestión.
Hace un tiempo, el autor Charles Conn fue contratado por una organización benéfica que trabaja para evitar que esto le suceda al salmón salvaje del Pacífico. Estos peces son muy importantes para el ecosistema de la selva tropical del Pacífico Norte. Lo estaban haciendo mejor que sus contrapartes del Atlántico, pero los pronósticos a largo plazo no eran prometedores.
El objetivo de la organización benéfica era aumentar la cantidad de salmón salvaje del Pacífico, pero había tantas soluciones potenciales e incertidumbres sobre cómo utilizar mejor sus recursos limitados. Ahí es donde entró Conn. Estaba allí para abordar uno de los aspectos más importantes de la resolución de problemas: la priorización.
¿Cómo impulsar las poblaciones de peces salvajes? Hay muchas respuestas. Podrías mejorar las condiciones del océano o restaurar el hábitat dañado. Reducir las cuotas de pesca o endurecer las regulaciones sobre la pesca deportiva podría ayudar. Pero la verdadera pregunta es qué estrategia te da más por tu dinero.
La mejor manera de priorizar las soluciones es observar la interacción de dos factores: la escala de su impacto y su capacidad para influir en los resultados.
Comencemos con soluciones de alto impacto y baja influencia. Mejorar las condiciones del océano sería excelente para las poblaciones de salmón, pero requeriría el esfuerzo coordinado de múltiples estados y organizaciones internacionales. Dicho de otra manera, es altamente efectivo, pero está más allá de tu influencia.
También hay soluciones de bajo impacto y baja influencia. Una organización benéfica no puede reducir la cantidad de licencias de pesca deportiva que se otorgan a menos que pase décadas presionando a los políticos. Pero incluso si lo hiciera, la evidencia sugiere que esta estrategia no es particularmente efectiva para impulsar las poblaciones de salmón salvaje.
Sin embargo, imagina que el director de la organización benéfica también fuera el ministro del gobierno a cargo de emitir licencias de pesca. Ahora tendría mucha influencia, pero aún estaría buscando una solución de bajo impacto.
Eso nos lleva a soluciones de alto impacto y alta influencia.
El salmón del Pacífico no es solo un habitante del océano, sino que también viaja río arriba para desovar en ríos de agua dulce en Alaska, Columbia Británica y la península de Kamchatka. Eso le dio una idea al equipo de Conn: ir a la fuente del problema y concentrarse en mejorar las condiciones en los ríos de reproducción más importantes. ¿El resultado? Un proyecto manejable limitado a tres o cuatro ríos donde los recursos limitados de la caridad podrían desplegarse al máximo.
Los procesos de trabajo igualitarios pueden ayudar a tu equipo a vencer los sesgos individuales.
La resolución de problemas puede ser extremadamente compleja, pero no necesita un título avanzado en análisis estadístico o modelos matemáticos sofisticados para comenzar. Sin embargo, lo que sí debe hacer es erradicar los sesgos.
Según los expertos, existen más de 100 errores cognitivos comunes que cualquiera de nosotros puede cometer. Tome el sesgo de confirmación: esa es la tendencia a centrarse en la evidencia que refuerza nuestras creencias existentes e ignorar la información que las contradice. Luego está la falacia del costo irrecuperable: duplicar las pérdidas porque no queremos admitir que nos equivocamos. La lista continua.
Entonces, ¿cuál es la mejor manera de evitar estas trampas? En una palabra, trabajo en equipo.
Tómalo de Philip Tetlock, el autor de Superforecasting. El libro se centra en el arte de hacer predicciones y arroja luz sobre el trabajo en equipo. Los datos de Tetlock muestran que los equipos bien organizados siempre superan a los individuos más talentosos cuando se trata de pronosticar desarrollos futuros. En algunos casos, incluso lo hacen mejor que las computadoras capaces de procesar grandes cantidades de datos sin procesar.
Pero, ¿qué significa aquí “bien organizado”? Tetlock afirma que los mejores equipos optimizan sus procesos de resolución de problemas para fomentar una atmósfera igualitaria en la que las propuestas de todos sean escuchadas de manera justa.
Esta idea está profundamente arraigada en la cultura de la consultora McKinsey, que tiene una política llamada obligación de disentir.
Esta política significa que los miembros del equipo junior no solo son alentados a expresar sus desacuerdos con el personal senior, sino que están obligados a ventilar sus diferencias. Los superiores, mientras tanto, se comprometen a escuchar estos puntos de vista. ¿Por qué es esto tan importante? Bueno, McKinsey cree que la mala resolución de problemas suele ser el fruto de una forma particular de sesgo: calificar las ideas no por su mérito sino por el estado de la persona que las propone. Por el contrario, cuando todos tienen voz, hay muchas más posibilidades de que el equipo actúe sobre las mejores ideas.
Asignar a los miembros del equipo diez votos representados por notas adhesivas es una forma práctica de fomentar este tipo de apertura y evitar que los miembros superiores del equipo dominen las discusiones. Coloca cada propuesta en una pizarra y luego haz que todos en tu grupo de trabajo coloquen sus notas adhesivas junto a la idea que más les guste. Como beneficio adicional, puedes asegurarte de que los miembros senior emitan sus votos en último lugar y no influyan en el voto de nadie más.
Trata bien los datos y te recompensarán con información útil.
Recopilar datos es una cosa; usarlo para encontrar soluciones beneficiosas es otra.
Así es como funcionan los datos. Si bien los datos son vitales para resolver problemas, en realidad no pueden decirle nada por sí solos: debe hacerlos hablar.
Hay formas buenas y malas de hacerlo, de ahí el viejo chiste de los estadísticos sobre los malos analistas que torturan los datos hasta que les dicen lo que quieren escuchar.
Ese enfoque seguramente lo llevará por mal camino, pero ¿cuál es la alternativa? Es hora de hablar de heurística.
La palabra «heurística» proviene del griego antiguo heuriskein, que significa «encontrar».
Como sugiere la etimología de la palabra, el propósito de una heurística es ayudarlo a encontrar algo, específicamente una solución que encaje con los datos que tiene frente a ti. Un par de ejemplos prácticos.
En primer lugar: la navaja de Occam. Esta herramienta lógica fue perfeccionada en el siglo XIV por un filósofo inglés llamado William of Ockham. Afirma que la solución más simple suele ser la correcta. Cualquiera que sea tu problema, lo mejor que puede hacer es ejecutar la hipótesis que haga la menor cantidad de suposiciones.
Toma un ejemplo matemático simple. Digamos que tienes cuatro suposiciones, cada una de las cuales tiene un 80 por ciento de posibilidades de ser correcta. Ejecuta los números y verás que la probabilidad de que los cuatro sean correctos llega a poco más del 40 por ciento. Si solo haces dos suposiciones, por el contrario, es 64 por ciento. En otras palabras, cuanto menos asumas, más probable es que tengas razón.
Aquí hay otra heurística: la Regla 80:20. Fue desarrollado por el economista italiano del siglo XX Vilfredo Pareto, por lo que también se conoce como el análisis de Pareto . Afirma que el 80 por ciento de los resultados suelen estar determinados por el 20 por ciento de las causas. Por ejemplo, no es raro descubrir que el 20 por ciento de los compradores de un producto generan el 80 por ciento de las ventas.
Para ejecutar un análisis de Pareto, deberás enumerar sus problemas; esto podría ser cosas como quejas de los clientes, pedidos perdidos o productos dañados. A continuación, califica cada problema en función de la diferencia que supondrá resolverlo. Ahora que ha enumerado sus problemas, identifica sus causas fundamentales, como la falta de capacitación, equipos averiados o procesos poco claros. Finalmente, agrupa los problemas por sus causas fundamentales y sume las puntuaciones. Cuanto mayor sea la puntuación total, mayor será el impacto de resolver este problema o causa.
Puedes encontrar muchos datos útiles en el mundo real si se toma el tiempo de buscar.
Las organizaciones a menudo quieren comprender los efectos de sus políticas.
Tomalos gobiernos. ¿La reducción de impuestos impulsa la actividad económica? Idealmente, harías un experimento para averiguarlo. ¿Cómo? Bueno, podría elegir un grupo de control dentro de un determinado nivel de ingresos, dejar intactas sus tasas impositivas, recortar las de todos los demás y ver qué sucede. Pero este tipo de experimentación en el mundo real es éticamente dudosa y, en muchos casos, francamente ilegal.
Ese es solo un ejemplo de cómo se puede evitar que una organización recopile datos. En otros contextos, las restricciones presupuestarias tienen un efecto similar. Pero hay una manera de sortear estos obstáculos.
Ahí está el ejemplo de Evan Soltas y David Broockman, dos politólogos que querían averiguar si los votantes estadounidenses discriminan a los candidatos de las minorías en las elecciones. No había forma de que pudieran crear un experimento propio para responder a esta pregunta, por lo que recurrieron a un experimento natural.
Los experimentos naturales son experimentos ejecutados accidentalmente por el mundo que generan los datos que buscas. En el caso de Soltas y Broockman, se trató de un procedimiento de votación utilizado por el Partido Republicano durante las primarias presidenciales en el estado de Illinois.
En lugar de votar por candidatos como Trump o Romney, los votantes seleccionaron delegados que los representaran. Esto no es inusual en los Estados Unidos, pero hay dos peculiaridades en Illinois. Primero, los nombres de estos delegados, que son políticamente desconocidos y, a menudo, no se pueden buscar en Google, también aparecen en las boletas. En segundo lugar, los votantes no tienen que votar por toda la lista de candidatos de su preferencia: pueden poner una marca junto a, por ejemplo, dos de los delegados de Trump o dos de Romney, mientras ignoran a un tercer delegado.
Esto significa que los votantes tienen una buena idea del origen étnico de los delegados; José, por ejemplo, es más probable que sea latino, mientras que Tom y Dick probablemente sean blancos. Esto también significa que los votantes pueden elegir entre delegados que se encuentran en plataformas idénticas. Si los votantes realmente discriminan, es lógico que los candidatos de minorías con nombres como José o Miguel reciban menos votos que los delegados con nombres como Tom y Dick en relación con el número total de votos emitidos por candidatos como Trump o Romney.
Este es un gran experimento natural porque brinda a los investigadores la información que necesitan para comenzar a responder a su pregunta. Todo lo que tienen que hacer es filtrar los datos, una tarea que requiere significativamente menos recursos que ejecutar un experimento propio.
¿La moraleja de esta historia? Si miras lo suficiente, es probable que descubras que los datos de otra persona pueden responder a tu pregunta.
Conclusiones de Bulletproof Problem Solving
La resolución de problemas es una de las habilidades más importantes en el lugar de trabajo moderno. ¿Cómo empezar? La parte más importante del proceso es obtener la definición correcta del problema. Una vez que hayas hecho eso, puedes comenzar a dividirlo en partes más pequeñas y priorizar las soluciones. Aquí, querrás buscar resultados de alto impacto y alta influencia. La creación de procesos de trabajo igualitarios hará que la resolución de problemas sea aún más efectiva, ya que te ayudará a evitar sesgos.
Imagen de Pete Linforth en Pixabay