Dos familias: explicar y predecir

En 2009, Netflix repartió un millón de dólares entre un equipo que había conseguido predecir, mejor que nadie, qué nota le pondría un usuario a una película que todavía no había visto. Tres años de competición mundial, miles de equipos, un modelo final que combinaba más de un centenar de algoritmos. Y Netflix nunca lo llegó a usar. El modelo ganador era tan enrevesado que ponerlo en producción habría costado más de lo que mejoraba, y para entonces el negocio ya no iba de puntuar películas sino de decidir qué poner en portada. La historia se cuenta siempre como una lección sobre la complejidad. Pero esconde otra, más fina y más útil para ti: aquel modelo era extraordinario prediciendo y era inútil para explicar nada. Nadie sabía POR QUÉ predecía bien, y a Netflix no le hacía falta saberlo. Hoy vas a aprender a distinguir esos dos trabajos, porque confundirlos es el error más caro que se comete antes de tocar un modelo.

Vienes de poner número a la incertidumbre: sabes qué es un intervalo de confianza, qué dice y qué no dice un p-valor, y qué es una variable que se cuela entre dos para confundirte. Todo eso era preparación. Un modelo estadístico no es más que eso llevado un paso más allá: en lugar de preguntar "¿esta diferencia es real?", preguntas "¿cuánto, exactamente, mueve esta cosa a esta otra, y con qué incertidumbre?". Pero antes de escribir ninguna fórmula hay una pregunta previa que decide todo lo demás, y casi nadie se la hace en voz alta: ¿para qué quiero el modelo?

## La misma herramienta, dos oficios

Un martillo clava clavos y rompe nueces. Es la misma herramienta, pero quien clava y quien casca no hacen el mismo trabajo, no miden el éxito igual y no sujetan el martillo de la misma forma. Con la regresión pasa algo parecido. La misma técnica (ajustar una línea, o una curva, que relacione unas variables con un resultado) sirve para dos trabajos profundamente distintos. Y como la técnica es la misma, es facilísimo creer que el trabajo también lo es. No lo es.

El primer trabajo es EXPLICAR. Quieres entender qué mueve a qué, y cuánto. ¿Subir el precio un euro cuánto baja las ventas? ¿Contratar a un comercial más cuántos pedidos trae? ¿El tiempo que un paciente espera en urgencias depende de verdad de la hora del día, o solo lo parece? Aquí el resultado del modelo no es una predicción: es un número con un significado (un euro más de precio son dieciocho unidades menos de venta) acompañado de su incertidumbre (ese número está, con un 95% de confianza, entre dieciséis y veinte). Lo que buscas es un coeficiente creíble, estable y defendible. Si alguien te pregunta "¿y cómo sabes que es dieciocho y no cero?", tienes que poder responder.

El segundo trabajo es PREDECIR. Quieres acertar un valor que todavía no conoces, y el porqué te da igual. ¿Cuántas unidades venderé mañana? ¿Este cliente devolverá el préstamo? ¿Qué temperatura hará el jueves? Aquí no te importa si el modelo usa el precio, la fase lunar o una combinación incomprensible de cuatrocientas variables: te importa que, cuando llegue mañana, el número que dijo se parezca al número que pasa. El éxito no es un coeficiente defendible, es acertar en datos que el modelo no había visto nunca. El modelo de Netflix era un maestro de este oficio y un completo analfabeto del primero.

Repara en una palabra de ese párrafo: defendible. En el oficio de explicar, el modelo no es el final del trabajo, es el principio de una conversación. Vas a sentarte delante de alguien que decide (un director, un comité, a veces un regulador) y vas a decir "sube el precio y perderás ventas, tanto por euro". Esa persona va a dudar, y hace bien en dudar, porque va a mover dinero con lo que le digas. El coeficiente tiene que aguantar sus preguntas: ¿y si fuera casualidad?, ¿y si falta algo?, ¿cuánto te fías? Un modelo para explicar que no aguanta esas preguntas no sirve, por muy bien que dibuje la nube de puntos.

El segundo trabajo tiene otra lógica, y conviene verla con calma porque es contraintuitiva para quien viene de la estadística clásica. En predecir, la pregunta "¿por qué?" no solo es secundaria: a menudo estorba. Un modelo de predicción puede usar cientos de variables cuya relación con el resultado nadie entiende del todo, combinarlas de formas imposibles de explicar en una frase, y aun así ser excelente en su único trabajo, que es que el número de mañana se parezca al número que pasará. La belleza y el peligro del oficio de predecir caben en la misma idea: no necesitas entender para acertar. Es liberador y es una trampa, según lo que vayas a hacer después con el modelo.

## Por qué el orden importa: explicar primero

Vas a aprender a explicar antes de aprender a predecir, y no es casualidad ni comodidad. Un modelo que explica te obliga a entender la relación entre tus variables, a defender cada número, a sospechar de un coeficiente raro. Es una escuela de desconfianza. Si empiezas por predecir, el modelo se convierte enseguida en una caja: metes datos por un lado, salen números por otro, aciertan bastante, y nadie pregunta qué pasa dentro. Esa caja es cómoda y es peligrosa, porque cuando falla no sabes por dónde. Aprender a interrogar un modelo (preguntarle "¿este efecto es real?", "¿este coeficiente es estable?", "¿esta variable aporta algo?") es una habilidad que luego no se desaprende, y que a quien empieza por la caja le cuesta mucho adquirir.

Hay otra razón, más honesta, para empezar por explicar: te hace mejor profesional aunque acabes dedicándote a predecir. Quien ha aprendido a defender un coeficiente ante alguien que duda desarrolla un sentido para oler cuándo un número está mal. Reconoce un efecto demasiado grande para ser verdad, un signo que no cuadra con lo que sabe del mundo, una variable que no debería estar ahí. Ese olfato no sale de un curso de algoritmos: sale de haber tenido que justificar, una y otra vez, por qué crees lo que crees. Cuando luego construyas modelos de predicción, ese olfato te salvará de desplegar cosas que aciertan por accidente y fallan en cuanto el mundo cambia un poco.

## La historia que lo deja claro: el barómetro

Hay una imagen vieja que captura la trampa mejor que cualquier definición. Un barómetro mide la presión del aire, y la presión baja antes de una tormenta. Así que si quieres PREDECIR si va a llover mañana, el barómetro es un instrumento buenísimo: mira la aguja, baja, prepara el paraguas. Funciona. Ahora imagina que alguien, al ver que el barómetro predice tan bien la lluvia, concluye: "entonces, si quiero que deje de llover, tapo el barómetro para que la aguja no baje". Es absurdo, y todo el mundo lo ve. El barómetro no CAUSA la lluvia; solo la anuncia, porque los dos responden a la misma causa de fondo (la presión del aire).

Esta tontería aparente es, con otro disfraz, uno de los errores más caros que se cometen con los datos en las empresas. Cambia el barómetro por "número de llamadas al soporte" y la lluvia por "darse de baja", y de pronto la gente seria se lo cree. Un modelo de predicción ve que quien llama mucho al soporte acaba yéndose, y alguien propone cerrar el soporte para que no llamen y no se vayan. Es tapar el barómetro. La llamada no causa la baja: la anuncia, porque quien va a irse se queja antes. Toda la lección de hoy cabe en no confundir el barómetro con la causa de la lluvia.

## Ejemplos de negocio: cuándo es cada uno

La diferencia se ve mejor con casos reales. Mira estos cuatro encargos y fíjate en qué cambia:

• ▹Una tienda quiere saber cuánto bajarían las ventas si sube el precio un 5% antes de decidir si lo sube. Esto es EXPLICAR: el valor del coeficiente del precio ES la respuesta, y tiene que ser creíble porque se va a tomar una decisión de euros con él.
• ▹Un almacén quiere saber cuántas unidades pedir para la semana que viene para no quedarse corto ni pasarse. Esto es PREDECIR: da igual por qué se venda lo que se venda, lo que importa es que el número de la semana que viene se acerque a la realidad.
• ▹Un hospital quiere saber si el tiempo de espera depende de verdad del día de la semana, para reorganizar turnos. Esto es EXPLICAR: la pregunta es si el efecto del día es real o es ruido, y la respuesta mueve a personas de un turno a otro.
• ▹Un banco quiere marcar qué solicitudes de tarjeta revisar a mano porque huelen a fraude. Esto es PREDECIR: lo que importa es cazar el fraude, no publicar un informe sobre las causas del fraude.

Fíjate en un detalle: en los dos casos de explicar hay alguien que va a actuar sobre la causa (subir el precio, cambiar los turnos). En los dos de predecir, nadie va a tocar las causas: solo quieren saber qué va a pasar para prepararse. Esa es la pista más fiable. Si el plan es intervenir sobre una variable, necesitas explicar; si el plan es anticiparse a un resultado, necesitas predecir.

## Los dos errores caros

Entender la diferencia no es un lujo académico: confundir los oficios cuesta dinero y credibilidad de dos formas distintas, y las dos son habituales.

El primer error es fiarte del porqué de un modelo hecho para predecir. Alguien construye un modelo que predice de maravilla qué clientes se darán de baja. Mira los coeficientes y ve que la variable "número de llamadas al soporte" tiene un peso enorme. Concluye: "para reducir las bajas, reduzcamos las llamadas al soporte; cerremos la línea". Es un disparate. El modelo nunca prometió explicar nada: solo prometió acertar. Esa variable puede ser importante para predecir y no ser la causa de nada (quien va a darse de baja llama antes para quejarse; la llamada no causa la baja, la anuncia). Actuar sobre el coeficiente de un modelo que solo sabe predecir es como tapar el barómetro para que no baje la presión.

El segundo error es el contrario: fiarte de la predicción de un modelo hecho para explicar. Construyes un modelo cuidadísimo para entender qué mueve las ventas, con pocas variables, todas interpretables, cada coeficiente defendido con su intervalo. Es un modelo honesto para explicar. Entonces alguien dice: "ya que lo tienes, úsalo para predecir las ventas del mes que viene". Puede funcionar, pero no lo sabes, porque nunca lo validaste prediciendo. Un modelo optimizado para que sus coeficientes sean estables e interpretables renuncia muchas veces a parte de su capacidad de acierto. No es que no sirva para predecir: es que no tienes derecho a afirmar que predice bien hasta haberlo comprobado en datos que no vio.

## Qué cambia en la práctica

La elección de oficio no es filosofía: cambia cosas concretas que vas a hacer con las manos en las próximas lecciones. Cambia qué variables metes (para explicar, pocas y con sentido; para predecir, todas las que ayuden a acertar). Cambia cómo lo validas (para explicar, miras si los coeficientes son estables y creíbles; para predecir, separas unos datos que el modelo no verá y mides el acierto ahí). Y cambia qué puedes decir al terminar (para explicar, "subir el precio un euro reduce las ventas en dieciocho unidades, con esta incertidumbre"; para predecir, "espero vender unas doscientas unidades mañana, y suelo equivocarme en unas veinte").

Mira de cerca el asunto de las variables, porque es donde más se nota la diferencia y donde más gente se equivoca. En predecir, meter una variable más casi nunca hace daño: si ayuda a acertar, bienvenida; si no ayuda, el modelo aprende a ignorarla. La estrategia del "cuantas más, mejor" tiene sentido ahí. En explicar es justo al revés: cada variable que metes cambia el significado de las demás, porque un coeficiente se lee siempre como "el efecto de esta variable manteniendo las otras fijas". Meter una variable de más puede desvirtuar el coeficiente que te importaba, o volverlo inestable. En el oficio de explicar, el mejor modelo casi nunca es el que tiene más variables: es el que tiene las justas, cada una con un papel claro.

Y cambia, sobre todo, qué significa que el modelo sea "bueno". Para predecir, bueno es que acierte en datos que no vio: lo mides con un número de error, y punto. Para explicar, bueno es que puedas defender cada coeficiente: que sea estable (no cambie si recoges otros datos parecidos), que tenga un signo que cuadre con lo que sabes del mundo, y que su incertidumbre sea pequeña frente al tamaño del efecto. Un modelo puede ser buenísimo para un oficio y malísimo para el otro al mismo tiempo, y por eso la pregunta de para qué lo quieres no se puede saltar: es la que te dice qué significa "bueno" en tu caso.

• ▹Qué variables metes. Explicar: pocas y con sentido, cada una con un papel. Predecir: todas las que ayuden a acertar, aunque no las entiendas.
• ▹Cómo lo validas. Explicar: ¿son estables y creíbles los coeficientes? Predecir: ¿acierta en datos que el modelo no vio al aprender?
• ▹Qué puedes afirmar al terminar. Explicar: "este efecto es tanto, con esta incertidumbre". Predecir: "espero este valor, y suelo equivocarme en tanto".
• ▹Qué significa "bueno". Explicar: defendible ante quien duda. Predecir: acierta en el mundo real.

En este módulo vas a trabajar casi siempre en el lado de explicar, porque es el que te enseña a interrogar un modelo. Usarás una herramienta pensada para eso, que te da el coeficiente, su intervalo de confianza y su p-valor sin que tengas que pedirlo. Al final del módulo cruzarás al otro lado y verás la misma regresión con la herramienta del oficio de predecir, para que entiendas de primera mano qué se gana y qué se pierde al cambiar de pregunta. Pero todo empieza aquí, con la decisión que casi nadie escribe: ¿quiero entender, o quiero acertar?

## Un apunte de historia: por qué existen dos culturas

Que haya dos oficios no es una opinión tuya: es una división real que recorre la historia reciente del trabajo con datos. En 2001, un estadístico llamado Leo Breiman escribió un artículo que hoy se cita en todas partes, titulado "Las dos culturas del modelado estadístico". Su tesis era que había dos tribus que apenas se hablaban. Una, la clásica, suponía que detrás de los datos hay un modelo con significado, y su objetivo era descubrir ese modelo y entenderlo: la cultura de explicar. La otra, que entonces era la rebelde, decía que el mecanismo real es incognoscible y que lo único que importa es la precisión de las predicciones: la cultura de predecir, de la que saldría casi todo lo que hoy llamamos aprendizaje automático.

Breiman defendía a la segunda tribu, y el tiempo le dio buena parte de la razón: hoy la predicción pura mueve industrias enteras. Pero la primera cultura no desapareció ni va a desaparecer, por una razón sencilla: hay decisiones que no se pueden tomar con una caja que acierta sin explicar. Un banco que te niega un crédito tiene que poder decir por qué, por ley. Un hospital que cambia un protocolo tiene que entender qué efecto espera. Un gobierno que sube un impuesto necesita el coeficiente, no la predicción. Por eso el oficio de explicar sigue vivo cuarenta años después, y por eso aprenderlo primero te hace mejor en los dos.

## El resumen que te puedes llevar

Si de esta lección te quedas con una sola cosa, que sea el reflejo de preguntarte "¿para qué quiero el modelo?" antes de tocar nada. Si la respuesta es "para entender cuánto influye algo y actuar sobre ello", estás en el oficio de explicar: te importarán los coeficientes, sus intervalos y su significancia, y vas a usar una herramienta que te los da de serie. Si la respuesta es "para acertar un valor que no conozco y prepararme", estás en el de predecir: te importará el acierto en datos nuevos, y usarás otra herramienta pensada para eso. Las dos ajustan, por detrás, matemáticas emparentadas; lo que cambia es qué les pides y cómo las juzgas.

Ya sabes que hay dos preguntas y que la que elijas lo cambia todo. Ahora toca aprender a responder la primera de verdad: a poner un número al efecto de una variable sobre otra, con su incertidumbre pegada al lado. Es el momento de ajustar tu primer modelo y, sobre todo, de aprender a leerlo.