Como líder técnico y gerente de la organización Global Data Insights and Analytics de Ford Motor Company, Bob Thomas es responsable de respaldar el desarrollo de soluciones analíticas basadas en datos que generan información empresarial, de productos y de fabricación. Hoy en día, el método científico incluye un elemento lógico deductivo - probar una premisa o hipótesis - así como un elemento de razonamiento inductivo - aprovechando observaciones o datos empíricos. La lógica deductiva se ha utilizado durante milenios para describir el mundo natural. Por otro lado, la explosión de la disponibilidad de datos y el aprendizaje automático ha llevado a algunos a sugerir incluso que el razonamiento inductivo hará que la deducción sea obsoleta: "el fin de la ciencia". Sin embargo, un enfoque que apoya el aprendizaje, además de impulsar hacia una solución, implica la aplicación secuencial de enfoques deductivos e inductivos. Cuanto más rápido se puede alternar entre ellos, más rápido se puede llegar a una solución eficaz.

A continuación, se incluyen algunas ideas clave para impulsar de manera rápida y eficaz las soluciones comerciales utilizando el método científico.

1. SEA PERSISTENTE, PERO NO DEMASIADO COMPROMETIDO CON LA HIPÓTESIS, PREMISA O IDEA QUE SE PROPONE E INVESTIGA.

No puedo decirle cuántas veces un gerente me ha pedido que pruebe su hipótesis. Por ejemplo, un gerente pensó que el espacio libre entre la rueda y el cubo era la causa principal de un problema de vibración en un automóvil.

Para empezar, hay una incomodidad en este tipo de solicitud porque falsificar la hipótesis nula - el abogado del diablo de que la holgura de la rueda al cubo no tiene un efecto - no prueba que sí lo tenga. Cuando se recopilaron los datos y el análisis no falsificó la hipótesis nula (es decir, no había ninguna razón para creer que el efecto de limpieza de centro a agujero no fuera "0"), la siguiente solicitud fue recopilar más datos (seguramente ese era el problema).

Desafortunadamente, cuando eso no ayudó, la siguiente exigencia fue trabajar más duro. Obviamente, un compromiso tan rígido con una hipótesis, con exclusión de cualquier razonamiento inductivo basado en datos, puede retrasar el hallazgo de una solución eficaz.

2. POR OTRO LADO, NO SE COMPROMETA EXCLUSIVAMENTE CON LOS DATOS Y EL RAZONAMIENTO INDUCTIVO.

Hoy en día, existe una gran cantidad de herramientas de razonamiento inductivo (por ejemplo, regresión convencional y regularizada, aprendizaje profundo y de máquina tradicional, y árboles de decisión, por nombrar algunos) que ayudan a navegar a través de conjuntos de datos. Sin embargo, cualquier solución desarrollada con estos enfoques presupone audazmente que el sistema en estudio permanecerá sin cambios con el tiempo.

En mi experiencia, un gráfico de ejecución de la diferencia entre lo que se predijo y lo que realmente sucedió, en un entorno no trivial, ha sido una de las mejores formas de demostrar que la solución razonada inductivamente todavía se aplica y el sistema que genera los datos ha sin cambio.

Por ejemplo, una vez ayudé a un equipo a desarrollar un modelo para determinar cómo una fuente de terceras partes en particular calificaría y valoraría productos de automoción. Afortunadamente, el equipo estaba convencido de la importancia de visualizar gráficamente la diferencia entre "lo que dijo el equipo y lo que informó la fuente externa". El equipo investigó las grandes discrepancias cuando éstas ocurrieron. A menudo vieron que la fuente externa había cambiado su sistema de puntuación. Finalmente, esto les llevo a discusiones formales en mesas redondas, organizadas por una fuente externa, para informar a los fabricantes de cualquier cambio que estuvieran considerando, eliminando y/o implementando en su sistema de puntuación. Esto fue bastante beneficioso ya que los fabricantes y la fuente de terceros por fin tuvieron el mismo objetivo: entregar e informar a los consumidores de productos fantásticos.

3. SABER TODO LO POSIBLE PUEDE FUNCIONAR PARA LA INVESTIGACIÓN TEÓRICA, PERO NO PARA LOS NEGOCIOS.

Por último, los ingenieros y científicos, por naturaleza y formación, intentan dejar lo menos posible al azar antes de ofrecer una solución. Esto puede llevar una cantidad excesiva de tiempo. Al realizar una investigación teórica, esto puede ser aceptable; en los negocios, esta táctica es inaceptable.

Recuerdo cuando hubo un problema de confiabilidad, en particular, que un director estaba tratando de resolver. El equipo tenía muchas ideas, premisas y teorías sobre cómo aumentar la confiabilidad del sistema. Un parámetro de aceleración de la vida fue la temperatura. Sin embargo, había muchas formas de caracterizar cómo el sistema experimentaba la temperatura. Los ingenieros querían seleccionar la "mejor" caracterización. Estudiar las numerosas caracterizaciones de la temperatura habría llevado mucho tiempo. En este caso, ayudaría usar cualquier caracterización de la temperatura para acelerar la prueba de vida y obtener información para una mejora fundamental (no tenía que ser la “mejor”). Comprender y cuantificar la incertidumbre ayuda a realizar esta llamada.   

Las herramientas y técnicas actuales, en el contexto del método científico, permiten al analista afrontar mejor los desafíos de un mundo que cambia rápidamente haciendo y formulando buenas preguntas y alternando rápidamente entre hipótesis y razonamientos inductivos que les permitan llegar a resultados más efectivos (pero quizás no perfectas) soluciones más rápido.