Escribió al Instituto Smithsonian pidiendo todo lo que tenían sobre el vuelo humano. Él y su hermano Orville devoraron cada artículo, teoría y cálculo de los principales investigadores aeronáuticos de su tiempo. Estudiaron los diseños de planeadores de Otto Lilienthal, los principios de ingeniería de Octave Chanute y las tablas de Samuel Langley sobre sustentación y resistencia.
Luego hicieron algo radical: lo cuestionaron todo.
Cuando sus planeadores no funcionaron como predijeron los datos publicados, los hermanos Wright no asumieron que tenían la culpa. Construyeron su propio túnel de viento y probaron más de 200 diseños de alas. Lo que encontraron entonces los dejó atónitos. Los coeficientes de elevación de Lilienthal (los números en los que se había basado todo el campo) estaban equivocados, y no sólo en un poquito. Totalmente, completamente equivocado.
Los hermanos Wright no cuestionaron esto por arrogancia; estaban empleando el pensamiento de primeros principios. Y es lo que marcó la diferencia entre su primer vuelo en 1903 y Langley, que tenía más financiación, prestigio y recursos, estrellar su avión contra el Potomac apenas nueve días antes.
Los científicos de datos de hoy enfrentan un desafío similar. Estamos rodeados de guías, marcos y mejores prácticas: guías de pruebas A/B, taxonomías de métricas, listas de verificación de selección de modelos. Estas herramientas son invaluables. Pero al igual que las tablas de Langley, pueden llevarnos por mal camino cuando se aplican a ciegas.
Los científicos de datos más estratégicos que conozco no eligen entre marcos y primeros principios. Usan ambos. Los marcos dan velocidad. Los primeros principios proporcionan claridad. Juntos, separan a los ejecutores de tareas de los socios estratégicos.
¿Qué es el pensamiento de los primeros principios?
El pensamiento de primeros principios significa descomponer un problema en sus verdades fundamentales y reconstruirlo desde cero. Aristóteles lo describió como encontrar “la primera base a partir de la cual se conoce una cosa”.
En la práctica, significa preguntar:
¿Qué sabemos que es absolutamente cierto? ¿Qué estamos asumiendo? ¿Cuál de esos supuestos podemos cuestionar?
Esto no significa rechazar el conocimiento existente: los hermanos Wright estudiaron todas las investigaciones disponibles; simplemente no lo trataron como un evangelio.
Para los científicos de datos, se aplica lo mismo. Los marcos son mapas: atajos probados a través de terrenos familiares. Los primeros principios son la brújula, que nos mantiene orientados cuando el mapa se vuelve un poco borroso.
Por qué los científicos de datos necesitan esto ahora
Los marcos están en todas partes en la ciencia de datos por una buena razón. Nos ayudan a realizar experimentos, definir métricas y crear modelos rápidamente. Pero también pueden crear una falsa confianza.
He visto equipos realizar pruebas A/B impecables que respondieron a la pregunta equivocada. He visto que las métricas estándar producen paneles que parecían impresionantes pero que no medían nada significativo. Estos fracasos no ocurrieron porque los marcos fueran defectuosos. Sucedieron porque nadie se detuvo a hacer las preguntas de los primeros principios: ¿Qué decisión estamos realmente tratando de informar? ¿Qué valor estamos realmente tratando de medir? ¿Necesitamos siquiera este nivel de complejidad?
Esto es más importante que nunca porque la IA está automatizando la parte de ejecución de la ciencia de datos. Gen AI puede consultar datos, generar visualizaciones y aplicar marcos de manera brillante. Pero no puede decidir si estás haciendo la pregunta correcta.
El pensamiento de los primeros principios es su diferenciador. Es la habilidad que mantiene los marcos basados en la realidad y se está convirtiendo en la capacidad más defendible de un científico de datos estratégico.
Donde los primeros principios lo cambian todo
Aquí hay tres ejemplos en los que el manual de ciencia de datos está completamente bien escrito, pero seguirlo estrictamente y sin pensar produciría un mal resultado.
Más allá de las pruebas A/B de libros de texto
El marco dice: defina su hipótesis, aleatorice a los usuarios, mida su métrica principal, verifique la importancia. Eso funciona perfectamente, si haces la pregunta correcta.
Pero la pregunta de los primeros principios viene antes: ¿qué decisión estamos tratando de informar? ¿Qué incertidumbre estamos tratando de resolver?
Una vez asesoré a un equipo que estaba probando un nuevo algoritmo de recomendación. El pensamiento marco decía: aleatorizar a los usuarios, medir la tasa de clics, ejecutar durante dos semanas. Envía al ganador.
Pero una pausa en los primeros principios reveló algo diferente. No estábamos seguros de los clics: las primeras señales sugerían que aumentarían. No estábamos seguros de si esos clics generarían una verdadera participación o simplemente ruido.
Entonces cambiamos lo que medimos. En lugar de clics, nos centramos en las visitas posteriores, la profundidad de las sesiones y el compromiso a largo plazo. ¿El resultado? El nuevo algoritmo aumentó los clics en un 12% pero disminuyó las visitas recurrentes en un 8%. El marco estándar habría dicho “enviarlo”. El enfoque de los primeros principios decía “todavía no”.
Decidimos que el nuevo algoritmo era demasiado “click-baity”. Los marcos nos dieron la metodología. Los primeros principios nos dieron la pregunta correcta.
¿Qué miden realmente nuestras métricas?
Los marcos de métricas (North Star, OKR, HEART) son poderosos porque brindan estructura. Pero también pueden crear la ilusión de que hemos medido lo que importa.
El pensamiento de los primeros principios pregunta: ¿Cuál es el comportamiento o valor fundamental que nos importa? ¿Esta métrica realmente lo captura?
Considere el compromiso. Muchos marcos sugieren DAU, duración de la sesión o acciones por sesión. Representantes razonables, pero ¿tienen razón?
Para una aplicación de meditación, las sesiones más largas pueden parecer “mejor”, pero el objetivo fundamental es una práctica sostenible. Eso podría significar sesiones más cortas con el tiempo. Para una herramienta de análisis, más consultas por usuario podrían indicar un uso más profundo o podría significar que los usuarios tienen dificultades para encontrar respuestas. El valor real son conocimientos más rápidos y específicos.
Una vez comencé un nuevo trabajo y heredé un panel que informaba con orgullo sobre los usuarios activos semanales como la principal métrica de éxito. Pero cuando investigué, me di cuenta de que la mayoría de los usuarios “activos” simplemente iniciaban sesión, miraban a su alrededor y se marchaban sin completar una sola tarea. Desde una perspectiva de primeros principios, decidí que el valor real eran las tareas completadas. Y una vez que cambié la métrica, descubrimos (como era de esperar) que el uso era mucho menor según la nueva definición, pero el nuevo marco nos brindó claridad sobre en qué centrarnos para impulsar una adopción significativa.
El marco le ofrece un menú de métricas. El pensamiento de los primeros principios le indica si alguno de ellos realmente refleja el valor de su producto. A veces la métrica estándar es perfecta, pero a veces es peligrosamente engañosa.
Cuando los primeros principios salvaron un lanzamiento
Uno de los ejemplos más claros que he experimentado se produjo al principio de mi carrera, cuando a mi equipo se le asignó la tarea de crear un “puntuación de calidad del usuario” para ayudar a ventas a priorizar los clientes potenciales.
El enfoque del marco era obvio: aprendizaje supervisado, predicción de la probabilidad de conversión, clasificación por puntuación. Teníamos los datos, las características, la metodología.
Dos semanas después, mientras luchábamos por obtener puntajes de desempeño cada vez más altos, alguien preguntó: ¿Qué decisión tomarán realmente las ventas con este puntaje?
Preguntamos a ventas. La respuesta no fue “dame probabilidades exactas”. Era: ¿Debería tomarme el tiempo y la personalización para llamar a este cliente potencial o simplemente enviarle un correo electrónico rápido y estandarizado?
Eso cambió todo. No necesitábamos un modelo complejo que abarcara todo el rango de probabilidad. Necesitábamos un clasificador simple e interpretable optimizado alrededor de un umbral.
Al replantearnos, pasamos de un modelo de conjunto a una regresión logística, eliminamos la mitad de nuestras funciones, enviamos tres semanas más rápido y entregamos algo que las ventas realmente usaron.
Al volver a los primeros principios, aclaramos el problema real y luego volvimos a los marcos estándar para construir una solución.
La brújula y el mapa
Aquí está la lección: los científicos de datos estratégicos no eligen entre marcos y primeros principios. Los combinan.
Los marcos son el mapa: le permiten moverse rápido y aprovechar el conocimiento acumulado. Los primeros principios son la brújula: lo mantienen alineado cuando el mapa no muestra claramente su camino.
Los hermanos Wright no rechazaron las investigaciones de su época. Se basaron en ello, pero también sabían cuándo volver a lo básico.
Ese es el cambio de mentalidad que separa a los científicos de datos estratégicos de los tácticos. No se trata de conocer más métodos o trabajar más duro. Se trata de saber cuándo seguir el mapa y cuándo consultar la brújula.
Con la guía de la IA, los marcos serán cada vez más fáciles de aplicar. Pero la brújula es tuya para construirla. Y es lo que lo mantendrá relevante, estratégico e indispensable en los años venideros.
Este es uno de los temas centrales que exploro en mi nuevo libro, The Strategic Data Scientist: Level Up and Thrive in the Age of AI (enlace de afiliado de Amazon). Se trata de combinar el pensamiento fundamental con marcos probados para crear impacto, influir en las hojas de ruta y posicionarse como un socio estratégico, no solo un ejecutor técnico.
Si se pregunta cómo cambiará su trabajo a medida que la IA se vuelva más capaz, o simplemente busca tener un mayor impacto como científico de datos y avanzar hacia una promoción, ¡consulte el libro en Amazon!