Kellogg Insight - La utilización de los datos para la toma de decisiones
Skip to content
Strategy Data Analytics Strategy feb. 2, 2015

La utilización de los datos para la toma de decisiones

Daryl Morey, director general de los Rockets de Houston, nos habla sobre el liderazgo, la toma de decisiones y el procesamiento masivo de datos numéricos en la Asociación Nacional de Baloncesto (NBA).

Like in basketball, using data and information around you to call the shots can lead to a big wins.

Yevgenia Nayberg

Based on insights from

Daryl Morey

A Daryl Morey le gustan los datos fiables. Y en cantidades industriales. En su capacidad de director general de los Rockets de Houston, el diplomado de Northwestern se ha hecho famoso por su devoción a la explotación de datos analíticos para tomar las decisiones acerca de su equipo: desde dónde situarse en la cancha para lanzar un tiro, hasta qué jugador adquirir en un canje a mediados de temporada. Morey habla con Kellogg Insight sobre la importancia de reunir un personal que comprenda la analítica, de cómo lograr que se utilicen sabiamente los datos y de la necesidad mantener la vista siempre fija en el premio al procesarlos.

(Nota del redactor: Esta entrevista ha sido corregida abreviada para mayor claridad. Expresamos nuestro agradecimiento especial a los profesores de la Kellogg School Thomas Hubbard, Keith Murnighan, y Ned Smith por su ayuda con la entrevista).

Kellogg Insight: Al reunir los datos, ¿usted sabe las preguntas que quiere hacer de antemano o estas surgen de los datos que le es posible recopilar?

Daryl Morey: Para nosotros las preguntas son muy secillas. Todo se juzga en función de la probabilidad de ganar un campeonato en un horizonte de tres a cinco años. Si podemos recopilar datos o tomar una decisión que pueda influir en ello, lo haremos. Para nosotros, la función del éxito es fácil de calcular. Desgraciadamente, la ecuación es muy desmoralizadora, porque las probabilidades de ganar son bastante malas en una liga de 30 donde solo hay un ganador al año.

KI: En Kellogg tenemos un nuevo programa sobre analítica de datos. Hemos adoptado la perspectiva de que la analítica de datos es un problema de liderazgo, no un problema estadístico. ¿Cuáles son los principales retos con los que se enfrentan los dirigentes empresariales a la hora de integrar la analítica de datos en el resto de la organización?

DM: En los Rockets nuestro propietario es un hombre visionario que lo ha sido toda su carrera. Está totalmente convencido del valor del análisis de datos para orientar la toma de decisiones. Ha observado lo bien que funciona en sus demás negocios y ha sido el primero en el baloncesto en decir: "Tengo el firme compromiso de implantarlo”.

En otros equipos oigo mucha frustración. Los tomadores de decisiones van por otros caminos que a menudo conducen al fracaso porque no han adquirido los conocimientos necesarios para explotar la información.

KI: ¿Cómo se crean esos conocimientos en una organización?

DM: Yo creo que todo se reduce a los criterios que se aplican para contratar y recompensar. Nuestro fin es asegurarnos de que la gente comprende el valor de la información. No siempre hay que utilizar datos para ayudar a guiar una decisión, pero siempre es preciso intentarlo. Yo esto lo vivo, lo encarno y es el criterio en función del cual contratamos. Los que avanzan son los que toman las mejores decisiones.

KI: ¿Con respecto a la analítica de datos, qué han aprendido de las demás industrias que sea útil en su campo?

DM: Los deportes tardaron mucho en empezar a utilizar datos para orientar la toma de decisiones. Si nos fijamos en Wall Street o en las compañías que emiten tarjetas de crédito a los consumidores o en Procter & Gamble, todos ellos van mucho más adelantados en materia de explotación de datos para orientar la toma de sus decisiones. Los deportes llegan tarde a la fiesta. Tenemos muchos contactos que trabajan en fondos quant. Ellos manejan conjuntos de datos muy similares a los nuestros, en el sentido de que cambian con gran rapidez en poco tiempo. Nosotros intentamos hacer pronósticos sobre jugadores; ellos sobre empresas.

KI: ¿Cómo se puede captar algo tan intangible como un estilo de juego con la analítica?

DM: Bueno, resulta que no es tan intangible. Se puede observar en la cancha. Los datos más avanzados que tenemos (la posición de todos los jugadores y árbitros en la cancha a razón de 25 imágenes por segundo) son sumamente granulares pero sumamente ricos. Si deseamos examinar el estilo de juego, es decir, la rapidez con la que se mueven los jugadores, cuántas veces recorren la cancha, con qué frecuencia se los ve espaciados o agrupados, ese tipo de datos da una excelente idea de los distintos estilos de juego que se dan en la NBA, tanto a nivel de equipo como individual. Si deseamos examinar todas las variantes de los movimientos en términos de posición, velocidad, aceleración, tirón, todo eso se puede lograr con los datos de los que actualmente disponemos.

KI: Está claro que en el baloncesto hay ciertos jugadores que funcionan bien juntos. ¿Cómo se utiliza la analítica para determinar qué tipos de jugadores son esos?

DM: Esa es una de las cosas más complicadas. Como pasa con todo, algunas preguntas son bastante fáciles de contestar, como el estilo de juego, y otras que son sumamente difíciles.

En el béisbol es algo más fácil. Hay mucha menos interacción. Es más bien una interacción solitaria entre un lanzador y un bateador, con cierta intervención por parte de los árbitros, el receptor y los demás jugadores en el campo.

Mientras que en el baloncesto, tomemos por ejemplo un simple tiro en suspensión: ¿Entró porque el individuo tira bien, porque el bloqueo se organizó bien, porque la defensa era mala, porque el pase fue bueno? Hay centenares de factores que influyen en un solo un tiro, y esa es una de las cosas sencillas de examinar. Tratar de desmenuzar todas las interacciones entre los jugadores resulta extraordinariamente difícil y es una de las cosas que intentamos mejorar constantemente. Si pudiéramos celebrar encuentros cuyos resultados importaran poco porque no pusiesen en juego ni mi sustento ni el de otros, podríamos decir: "A ver: en este juego vamos a probar esto con distintas combinaciones de personas”. Probablemente esa sería la única manera de aislar verdaderamente algunos de esos efectos.

KI: Desde hace tiempo que los entrenadores ven videograbaciones y muestran a los jugadores lo que han hecho y lo que podrían hacer mejor. ¿Acaso el aspecto cuantitativo de estos datos ayuda en el proceso de entrenamiento?

DM: Sí, absolutamente. Me place que usted señale que la información videográfica y la experiencia en entrenamiento son simplemente otras modalidades de datos más. Todos usamos datos aunque no nos demos cuenta de ello. Es la información del mundo que procesamos en nuestra propia experiencia y los modelos mentales que creamos en torno a ella.

¿Pero cómo separar la señal del ruido? ¿Cómo saber si lo que observamos es falso o una tendencia real con la que hay que lidiar? Un individuo está que arde en la primera mitad. ¿Está así porque está bloqueando a tiradores muy buenos? ¿Tenemos que neutralizarlo? ¿O acaso hemos seguido bien nuestro plan de juego y simplemente no tuvimos suerte en la primera mitad y solo debemos seguir fieles a nuestro plan? Para ese tipo de decisiones es que los datos pueden ser útiles, y lo son para los entrenadores.

KI: ¿Usted intenta utilizar los datos en tiempo real durante el juego?

DM: Sí. Si alguna vez ha estado en un juego, habrá visto que hay todo un ejército de gente ayudando. Un entrenador avispado como [Kevin] McHale utiliza toda la información disponible. Si un individuo nos está matando, definitivamente se discute. Normalmente el entrenador en jefe toma una decisión sobre algún ajuste que se pueda hacer durante el descanso.

KI: ¿En su carrera, quiénes han sido los más difíciles de convencer de las virtudes de la analítica?

DM: En el béisbol los análisis demostraron que la gente estuvo haciendo las cosas incorrectamente durante muchos, muchos años. En el baloncesto fuimos más afortunados, pero también había jugadores y entrenadores empeñados en que había ciertas cosas sagradas que eran más correctas que lo que algunos análisis de datos fáciles demostraban.

Intentar convencer al entrenador [Jeff] Van Gundy, que es una persona con una inteligencia analítica, de la superioridad del “2 por 1” –lanzar dos tiros precipitados al final del cuarto período [en lugar de intentar] uno bueno– no fue muy fácil. Los entrenadores siempre han preferido intentar un solo tiro bueno. Resulta que dos tiros malos rápidos son definitivamente mejores que un solo tiro bueno, y los entrenadores más sensatos se han pasado a esa estrategia.

El entrenador Van Gundy, al cabo del tiempo, se convenció de que esa era la estrategia correcta, aunque no siempre la ponía en práctica porque pensaba que no suponía la suficiente diferencia entre ganar y perder. En eso creo que tiene razón.

KI: ¿Acaso Moneyball le facilitó la vida?

DM: Sí. Yo creo que nuestro dueño hubiera terminado contratándome a mí o a alguien como yo sin ese libro, pero pienso que ese libro fue un aliciente para ello. Contribuyó al éxito de algunas de esas ideas, sobre todo en el béisbol y más recientemente en el baloncesto, y con el tiempo probablemente lo hará en el fútbol y el hockey.

KI: Deme un ejemplo de algo de lo que se haya dado cuenta gracias a la analítica de datos que usted y otros en su lugar no supieran hace 10 años.

DM: La selección de tiro de un equipo se ha ido desplazando continua y radicalmente con el tiempo hacia estas zonas: tiro cerca de la cesta y tiro en la línea de tres puntos. [La ventaja de esto] es algo que se sabía pero que tal vez no se había reconocido. Desde luego, nadie tomaba importantes decisiones de inversión en contra de ello. Hay una gran diferencia entre “creo en algo” y “creo en algo y estoy dispuesto a apostar mucho dinero y mucha inversión y mi futura carrera por ello”.

Add Insight to your inbox.
More in Strategy