Cómo la minería de datos del fracaso podría enseñarnos los secretos del éxito

Sra. Tecnología | Edison: Biblioteca del Congreso, Bombilla: Pixabay

Thomas Edison a menudo se describe como el mayor inventor de Estados Unidos. Sus éxitos incluyen la generación de energía eléctrica, la grabación de sonido y la bombilla eléctrica.

Pero Edison no era ajeno al fracaso. Probó 1000 diseños diferentes antes de decidirse por el filamento de carbono que se convirtió en la primera bombilla de éxito comercial. Esta tenacidad lo distinguió. Muchos de los fracasos de la vida son personas que no se dieron cuenta de lo cerca que estaban del éxito cuando se dieron por vencidas, dijo.

Muchos grupos e individuos han estudiado la naturaleza del éxito. Estos estudios han arrojado diversos grados de conocimiento. La otra cara, la naturaleza del fracaso, está mucho menos estudiada pero podría decirse que es más importante. Poco se sabe sobre los mecanismos que gobiernan la dinámica de falla.

Hoy eso cambia, al menos en parte, gracias al trabajo de Yian Yin de la Universidad Northwestern en Evanston, Illinois, y sus colegas. Este equipo ha analizado la naturaleza de las fallas en tres grandes conjuntos de datos siguiendo las fortunas de las empresas emergentes, los investigadores que intentan obtener financiamiento y los ataques terroristas. El trabajo revela la dinámica del fracaso y una firma oculta que puede separar los fracasos inminentes de los éxitos en una etapa temprana.

El método del equipo se basa en el análisis de tres conjuntos de datos. El primero es un conjunto de todas las propuestas de investigación relacionadas con la salud enviadas a los Institutos Nacionales de Salud de EE. UU. entre 1985 y 2015.

El NIH es el financiador de investigación biomédica más grande del mundo, por lo que este conjunto de datos es enorme y consta de 776 721 solicitudes de 139 091 investigadores. También incluye información sobre si cada propuesta fue financiada o no; en otras palabras, si tuvo éxito o no.

La segunda base de datos es de registros de inversión en empresas emergentes de VentureXpert, la base de datos oficial de la Asociación Nacional de Capital de Riesgo. Esto sigue el destino de cada nueva empresa financiada por capitalistas de riesgo entre 1970 y 2017: un total de 58,111 empresas que involucran a 253,579 innovadores.

En este caso, una startup se considera exitosa si logró una oferta pública inicial o una fusión y adquisición de alto valor dentro de los cinco años posteriores a su fundación.

El conjunto de datos final es de Global Terrorism Database, que registra 170,350 ataques terroristas por parte de 3,178 organizaciones terroristas entre 1970 y 2017. En este caso, un ataque exitoso es aquel que cobra al menos una vida, mientras que las fallas son aquellas que no matan a nadie.

Una característica clave de estos conjuntos de datos es que permiten a Yin y compañía seguir la fortuna de investigadores, innovadores y grupos terroristas que realizan numerosos intentos para lograr su objetivo. Una pregunta clave que investigan es cómo cambian los intentos con el tiempo y qué factores están involucrados en estos cambios.

Yin y compañía estudian específicamente dos factores que se cree que juegan un papel importante en el éxito y el fracaso: el azar y el aprendizaje. Primero analizan el azar, la noción de que los eventos aleatorios juegan un papel importante para obstaculizar o aumentar las posibilidades de éxito.

Eso lleva a un modelo simple. Si el azar es el factor clave que determina el éxito, entonces cada intento tiene una probabilidad finita de tener éxito. De hecho, eventualmente se logrará el éxito si se hacen suficientes intentos. Esto sugiere que el número de intentos antes de un éxito debería seguir una distribución exponencial.

Para probar esta teoría, Yin y compañía estudiaron las secuencias de fallas de los mismos individuos o equipos antes de lograr el éxito. Resulta que estas secuencias no siguen el tipo de distribución predicha por un modelo aleatorio.

Yin y compañía también evaluaron el primer y el penúltimo intento en estas rachas de fallas y luego las compararon para ver cómo han cambiado. Si la suerte es todo lo que importa, no debería haber una diferencia significativa.

Pero los penúltimos esfuerzos son significativamente mejores que los primeros intentos, dice el equipo. Esto sugiere que debe estar en juego otro mecanismo: las personas involucradas deben estar aprendiendo. En otras palabras, la experiencia del fracaso enseña lecciones valiosas que pueden usarse para mejorar el desempeño la próxima vez.

Dado que el aprendizaje debería reducir el número de intentos necesarios antes de lograr el éxito, debería conducir a una distribución más estrecha de las rachas de fracaso que la forma exponencial predicha por el modelo de probabilidad.

Pero para sorpresa de Yin y compañía, las rachas de fracaso tampoco siguen este patrón. De hecho, tienen una distribución de cola mucho más gruesa. Estas observaciones demuestran que ni el azar ni el aprendizaje por sí solos pueden explicar los patrones empíricos que subyacen a los fracasos, dicen los investigadores.

Entonces, ¿qué otros factores son importantes? Para averiguarlo, Yin y sus colegas modelaron la forma en que las personas aprenden de la experiencia y cómo esto influye en su próximo intento. En particular, modelaron si las personas tienen en cuenta todas sus experiencias previas o solo algunas de ellas.

El modelo resultante considera una gama completa de aprendizaje, desde agentes que toman en cuenta toda su experiencia pasada hasta aquellos que no toman en cuenta ninguna de sus experiencias pasadas, y todo lo demás.

El equipo dice que el modelo predice un cambio de fase en el comportamiento que coincide con los datos empíricos. Cuando el nivel de aprendizaje de la experiencia está por debajo de cierto umbral, los intentos futuros nunca serán lo suficientemente buenos para tener éxito. De hecho, los grupos pueden terminar reduciendo la calidad de su trabajo.

Pero cuando el nivel de aprendizaje de la experiencia está por encima de este umbral, los intentos futuros se vuelven cada vez mejores hasta que finalmente tienen éxito. Y el factor clave es la forma en que la gente aprende.

Eso tiene implicaciones importantes. Por ejemplo, significa que el proceso de aprendizaje de un equipo es un buen indicador de si tendrá éxito o no en algún momento. Nuestros hallazgos revelan señales tempranas identificables pero previamente desconocidas que nos permiten identificar dinámicas de falla que conducirán a la victoria o derrota final, dicen Yin y compañía.

El siguiente paso será analizar el aprendizaje exitoso en el lugar para que pueda distinguirse del aprendizaje fallido y finalmente enseñarse sistemáticamente.

Esa podría ser una forma crucial para que los equipos obtengan una ventaja sobre la competencia. Y con tanto en juego en términos de financiamiento e inversión, los estudiantes exitosos tienen muchos incentivos para esforzarse más. Edison seguramente estaría impresionado.

Ref: arxiv.org/abs/1903.07562 : Cuantificación de la dinámica del fracaso en la ciencia, las empresas emergentes y la seguridad

esconder