nodos en la Red

Musing

True Lean Entrepreneurs are Bayesian People #custdev #leanstartup #example #spanish

el .

True Lean Entrepreneurs are Bayesian People #custdev #leanstartup #example #spanish

Musing

True Lean Entrepreneurs are Bayesian People #custdev #leanstartup #example #spanish

el .

Una de las preguntas que más a menudo me plantean los emprendedores [e innovadores] que trabajan con Customer Development es ¿Cuándo se “sabe”, a partir de las evidencias recogidas en las entrevistas o a través de la realización de experimentos, que una hipótesis debe ser invalidada o aceptada como cierta?  A esta pregunta respondo invariablemente con alguna regla simple pero vaga, del tipo “sigue entrevistando hasta que tengas cinco positivos [o negativos] seguidos” o “presta atención a la tendencia – uno puede ser un outlier, dos empieza a ser interesante, tres son una tendencia”.  La respuesta que me gustaría dar, la respuesta buena, es mucho más potente que todo eso, pero me he convencido a mí mismo después de varios intentos de que la mayor parte de los emprendedores no sacarán mucho partido de ella.  La resumo de esta manera:  los verdaderos emprendedores ‘lean’ utilizan un razonamiento de tipo bayesiano.  Ni más ni menos.

Estoy seguro de que todos los hipotéticos lectores de este blog, especialmente aquellos que me han acompañado durante una década [que los hay], conocen el [no del todo justamente] denominado Teorema de Bayes.  En cualquier caso, una visita rápida a la Wikipedia les contará todo lo que necesitan saber sobre el mismo.  Baste de momento saber que este teorema nos permite afrontar con más garantías de éxito algunas de las preguntas que atormentan a tantos emprendedores ‘lean’:  ¿Cómo debería modificar mis hipótesis de negocio a la luz de la información que obtengo en las entrevistas [o experimentos]?  ¿Cómo sé que no estoy engañándome, aferrándome a hipótesis que deberían haber sido invalidadas tiempo atrás?  ¿Cómo sé que no he descartado como falsa una hipótesis que, en propiedad, no ha sido invalidada todavía con las evidencias aportadas?.

El Teorema de Bayes promete acercarnos poco a poco [a medida que vamos incorporando nuevas evidencias], de manera iterativa e incremental, a la “Realidad”.  Al utilizarlo como guía, el emprendedor bayesiano que se enfrenta a las incertidumbres propias de su actividad innovadora debe plantearse tres preguntas:

  • ¿Cómo de seguro [basándome en las evidencias disponibles y/o mi propia intuición] estoy con respecto de esta hipótesis inicial?
  • Suponiendo que mi hipótesis inicial es cierta, ¿Cómo de seguro estoy de que la evidencia que he obtenido [a través del testimonio de un entrevistado y/o de los datos obtenidos en un experimento] es correcta?
  • Y por último, sea o no sea mi hipótesis inicial cierta, ¿Cómo de seguro estoy de que la nueva evidencia es correcta?

El teorema en sí es simple.  La imagen que he insertado en la cabecera de esta entrada lo describe matemáticamente.  En otros términos, podríamos resumirlo como sigue.

Comenzando con una hipótesis inicial [sobre cualquiera de los componentes de su modelo de negocio], el emprendedor debe asignar a esta hipótesis una probabilidad ‘a priori’.

Por ejemplo, supongamos que un emprendedor que está desarrollando un servicio de crowdfunding para ayudar a personas con enfermedades raras tiene una hipótesis inicial sobre el Problema del Cliente.  Cree que la enorme mayoría de estas personas, digamos un 80 – 90%, se enfrentan al problema de conseguir financiación para acceder al tratamiento de su enfermedad.

¿Cómo de seguro está con respecto de esa hipótesis inicial?  Digamos que muy seguro, casi al 100%.  Tan seguro está que [y esto no es muy ‘lean’ por su parte] ya ha invertido una cantidad considerable de dinero en el desarrollo de su plataforma.  Esta probabilidad ‘a priori’, en la expresión matemática del Teorema, corresponde al término P(A).  En este caso, P(A) = 1 [o cerca de 1].

El emprendedor realiza ahora Entrevistas para validar su hipótesis.  En la primera entrevista, el emprendedor escucha algo sorprendido que para la persona entrevistada el verdadero problema no es la financiación del tratamiento, sino el hecho de que en sí no existe dicho tratamiento!  

El emprendedor utiliza ahora el Teorema de Bayes para recalcular la probabilidad de que su hipótesis inicial sea cierta a la luz de la nueva evidencia obtenida en esta primera entrevista.  Esta probabilidad revisada se denomina ‘a posteriori‘ o posterior.

El Teorema establece que esta probabilidad posterior, denominada P (A|B), o probabilidad de A dado B, es igual al producto de la probabilidad ‘a priori’, P(A) y la probabilidad de que la evidencia sea correcta dado que la hipótesis inicial también lo sea, llamada P(B|A), dividido por la probabilidad de que la nueva evidencia sea correcta independientemente de la hipótesis, llamada P(B).

Suponiendo que la hipótesis inicial fuera cierta, ¿Qué probabilidad cree el Emprendedor de que la evidencia en contra que ha encontrado sea cierta?  Si su hipótesis inicial fuera cierta, la probabilidad de encontrar esta respuesta en la primera entrevista sería baja, en un intervalo de 0.10 a 0.20 [puesto que él cree que del 80 al 90% de los enfermos tienen problemas para financiar su tratamiento].  Así pues, que en la primera entrevista le ocurra esto le llama poderosamente la atención. Siendo coherente,  decide que P(B|A) será igual a 0.20.

Por otro lado, independientemente de que él haya planteado o no su hipótesis, ¿Qué probabilidades hay de que la evidencia sea correcta?  La persona que ha elegido se corresponde al perfil previo de potencial beneficiario de su plataforma que ha diseñado.  En teoría, es un potencial cliente.  Por otro lado, esta persona no tiene ninguna razón para mentir.  Luego, debe reconocer que si él no estuviera trabajando en su plataforma de crowdfunding y alguien le contase esta historia, daría una probabilidad alta de ser cierta a la evidencia obtenida, digamos al menos un 0.80 o 0.90.  Pero, por otro lado, se dice, puede que haya sido mala suerte. Y prefiere seguir suponiendo que la mayoría de las enfermedades raras tienen algún tipo de tratamiento [esto se llama SESGO DE CONFIRMACIÓN, amigos! Sólo vemos lo que queremos ver!].   Así que decide, en contra de su impulso inicial, que P(B) es 0.50.

Así, pues, la probabilidad CORREGIDA de la hipótesis es ahora:

P(A|B) =  [P(A) * P(B|A)] / P(B) = [1 * 0.20] /0.50 = 0.20 / 0.50 = 0.40

Menudo palo, colega.  UNA SOLA ENTREVISTA hace temblar hasta los cimientos a la hipótesis inicial – y eso que no ha querido darle mucha validez a la evidencia obtenida.  Inasequible al desaliento, continúa con las entrevistas.

En la segunda entrevista, el emprendedor descubre que la persona entrevistada tampoco tiene dicho problema, puesto que el tratamiento existe y, por fortuna, está financiado por la Seguridad Social.  Tiene quejas relacionadas con la lentitud del sistema, listas de espera, incomodidades varias, pero, en realidad, no se queja de la financiación.

Volvemos a aplicar Bayes.  Ahora P(A) es 0.40.  Por simplificar, vamos a suponer que el emprendedor mantiene los valores de P(B|A) y P(B).

P(A|B) =  [P(A) * P(B|A)] / P(B) = [0.40 * 0.20] /0.50 = 0.08 / 0.50 = 0.16

A estas alturas, cualquiera desestimaría su hipótesis inicial.  No es probable que el 80 – 90% de las personas con enfermedades raras tengan el problema de financiación de su tratamiento.  De todas formas, entendámoslo – se ha hecho una inversión importante, es un tema que aparece continuamente en los medios de comunicación, incluso se hacen maratones solidarios para ayudar a estas personas [esto se llama SESGO DE DISPONIBILIDAD, amigos!]… ¡Y sólo ha hecho DOS entrevistas! En definitiva, decide continuar con dos entrevistas más. 

Una tercera entrevista le presenta a un enfermo que se ha acostumbrado a vivir con su enfermedad.  Afortunadamente para esa persona, su enfermedad no es degenerativa.  Hay un tratamiento paliativo de los síntomas que mejora su calidad de vida.  Es caro, no está financiado y se ha acostumbrado a vivir sin él.  De hecho, dice, no lo quiere.  Prefiere no acostumbrarse a él porque de hacerlo se puede encontrar después, cuando no pueda pagarlo, en una situación más amarga.

Una última entrevista se convierte en la proverbial ‘gota que colma el vaso’ para nuestro emprendedor:  la persona entrevistada padece una enfermedad cuyo tratamiento no está subvencionado por la Seguridad Social, pero afortunadamente sus circunstancias familiares le permiten financiarlo.  Agradecería la ayuda, pero confiesa que no la necesita tanto como – supone él – deben necesitarla esas otras personas que aparecen en la televisión.

Las evidencias son apabullantes.  La probabilidad de que la hipótesis inicial [la de que la enorme mayoría de las personas con enfermedades raras se beneficiaría de su servicio de Crowdfunding] ha sufrido un duro varapalo.  Debe considerarla invalidada.  Nuestro emprendedor lo asume, porque… un verdadero emprendedor “lean”, es un emprendedor bayesiano.  

Para él esta camiseta.

Bayesian Entrepreneurs

profile

Mario López de Ávila Muñoz

Emprendedor e inversor, mentor, advisor. Profesor asociado del área de Operations and Quantitative Methods de la IE Business School, imparte clases en la escuela desde el año 1996. Fundador de la Agile Entrepreneurship Spain, la comunidad hispano hablante de interesados en las metodologías Lean Startup en Meetup decana en España y una de las más grandes del mundo. Startup NEXT Madrid Lead Facilitator. Lean Startup Machine Madrid Co-founder. Co-director del proyecto España Lean Startup. Co-fundador de UEIA, primera aceleradora de empresas sociales de base tecnológica en el mundo.