dark

El mapa no es el territorio

El mapa de la realidad no es la realidad. Incluso los mejores mapas son imperfectos. Eso es porque son reducciones de lo que representan.
El mapa no es el territorio
El mapa no es el territorio

Si un mapa representara el territorio con una fidelidad perfecta, dejaría de ser una reducción y, por tanto, dejaría de sernos útil. Un mapa también puede ser una instantánea de un punto en el tiempo, que representa algo que ya no existe. Es importante tener esto en cuenta cuando pensamos en los problemas y tomamos mejores decisiones.

“El mapa nos parece más real que la tierra”.

– D.H. Lawrence

La relación entre el mapa y el territorio

En 1931, en Nueva Orleans (Luisiana), el matemático Alfred Korzybski presentó un documento sobre semántica matemática. Para el lector no técnico, la mayor parte del documento se lee como un argumento abstruso sobre la relación de las matemáticas con el lenguaje humano, y de ambos con la realidad física. Material importante, sin duda, pero no necesariamente útil de forma inmediata para el profano.

Sin embargo, en su serie de argumentos sobre la estructura del lenguaje, Korzybski introdujo y popularizó la idea de que el mapa no es el territorio. En otras palabras, la descripción de la cosa no es la cosa misma. El modelo no es la realidad. La abstracción no es lo abstraído. Esto tiene enormes consecuencias prácticas.

En palabras de Korzybski:

A.) Un mapa puede tener una estructura similar o disímil a la estructura del territorio.

B.) Dos estructuras similares tienen características “lógicas” parecidas. Así, si en un mapa correcto, Dresde figura entre París y Varsovia, se encuentra una relación similar en el territorio real.

C.) Un mapa no es el territorio real.

D.) Un mapa ideal contendría el mapa del mapa, el mapa del mapa del mapa, etc., sin fin… Podemos llamar a esta característica autorreflexividad.

Los mapas son necesarios, pero defectuosos. (Por mapas entendemos cualquier abstracción de la realidad, incluidas las descripciones, las teorías, los modelos, etc.) El problema de un mapa no es simplemente que sea una abstracción; necesitamos la abstracción. Un mapa con la escala de una milla a una milla no tendría los problemas que tienen los mapas, ni sería útil de ninguna manera.

Para resolver este problema, la mente crea mapas de la realidad para comprenderla, porque la única forma en que podemos procesar la complejidad de la realidad es mediante la abstracción. Pero, a menudo, no entendemos nuestros mapas ni sus límites. De hecho, dependemos tanto de la abstracción que a menudo utilizamos un modelo incorrecto simplemente porque creemos que cualquier modelo es preferible a ningún modelo. (Recuerda al borracho que busca sus llaves debajo de la farola porque “¡Ahí está la luz!”)

El mapa no es el territorio

Incluso los mejores y más útiles mapas adolecen de limitaciones, y Korzybski nos da unas cuantas para que las exploremos: (A.) El mapa puede ser incorrecto sin que nos demos cuenta de ello; (B.) El mapa es, por necesidad, una reducción de lo real, un proceso en el que se pierde cierta información importante; y (C.) Un mapa necesita interpretación, un proceso que puede provocar errores importantes. (La única forma de resolver realmente la última sería una cadena interminable de mapas-de-mapas, que él denominó autorreflexión).

Con la ayuda de la psicología moderna, vemos también otra cuestión: el cerebro humano da grandes saltos y atajos para dar sentido a su entorno. Como ha señalado Charlie Munger, una buena idea y la mente humana actúan algo así como el esperma y el óvulo: después de que la primera buena idea entre, la puerta se cierra. Esto hace que el problema del mapa-territorio sea un primo cercano de la tendencia hombre-con-martillo.

Esta tendencia es, obviamente, problemática en nuestro esfuerzo por simplificar la realidad. Cuando vemos que un modelo potente funciona bien, tendemos a aplicarlo en exceso, utilizándolo en situaciones no análogas. Nos cuesta delimitar su utilidad, lo que provoca errores.

Veamos un ejemplo.

• • •

Según la mayoría de las opiniones, Ron Johnson era uno de los ejecutivos más exitosos y deseados del sector minorista en el verano de 2011. No sólo fue elegido por Steve Jobs para construir las Apple Stores, una empresa que a su vez había sido sometida a un gran escrutinio – un retorno publicado en la revista Bloomberg: “Les doy dos años antes de que apaguen las luces de un error muy doloroso y costoso”, sino que se le atribuyó un papel importante en la transformación de Target, que pasó de ser una tienda parecida a K-Mart a la moderna pero barata Tar-zhey a finales de los 90 y principios de los 2000.

El éxito de Johnson en Apple no fue inmediato, pero sí innegable. En 2011, las tiendas de Apple eran, con diferencia, las más productivas del mundo por metro cuadrado, y se habían convertido en la envidia del mundo minorista. Sus cifras de ventas dejaban a Tiffany’s en el polvo. El reluciente cubo de cristal de la Quinta Avenida se convirtió en una atracción turística más popular que la Estatua de la Libertad. Fue un lollapalooza, algo más allá del éxito ordinario. Y Johnson había liderado la carga.

“(La historia) ofrece el ridículo espectáculo de un fragmento que expone el todo”. – Will Durant

Con ese éxito, en 2011 Johnson fue contratado por Bill Ackman, Steven Roth y otras luminarias del mundo financiero para dar un giro a la vieja y deslucida cadena de grandes almacenes JC Penney. La situación de los grandes almacenes era sombría: Entre 1992 y 2011, la cuota de mercado minorista de los grandes almacenes había descendido del 57% al 31%.

Sin embargo, su posición central no era una novedad. JC Penney contaba con un patrimonio inmobiliario inmensamente valioso, que anclaba centros comerciales en todo el país. Johnson argumentó que su posición física en el centro comercial era valiosa, aunque sólo fuera porque la gente a menudo aparcaba junto a ellos y los atravesaba para llegar al centro comercial. El tráfico peatonal era un hecho. Debido a los contratos firmados en los años 50, 60 y 70, el apogeo de la era de la construcción de centros comerciales, el alquiler también era barato, otra importante ventaja competitiva. Y a diferencia de algunos minoristas en apuros, JC Penney ganaba (algo) de dinero. Había dinero en la caja registradora para ayudar a financiar una transformación.

La idea era tomar las mejores ideas de su experiencia en Apple: un gran servicio al cliente, precios coherentes sin rebajas ni recargos, expositores inmaculados, productos de primera clase, y aplicarlas a los grandes almacenes. Johnson planeó convertir las tiendas en pequeños centros comerciales dentro de los centros comerciales. Llegó a comparar las tiendas-dentro-de-tienda en constante rotación con las “aplicaciones” de Apple. Este modelo mantendría la tienda siempre fresca y evitaría el anquilosamiento del comercio minorista.

Johnson expuso su idea a los accionistas en una serie de reuniones en la ciudad de Nueva York que recordaban a los lanzamientos anuales de productos de Steve Jobs “¡Pero espera, hay más!” en Apple. Fue persuasivo: El precio de las acciones de JC Penney pasó de 26 dólares en el verano de 2011 a 42 dólares a principios de 2012 gracias a la fuerza del lanzamiento.

La idea fracasó casi inmediatamente. Su nuevo modelo de precios (eliminando los descuentos) fue un fracaso. Los cazadores de cupones se rebelaron. Gran parte de su nuevo producto se consideró demasiado moderno. Su nuevo modelo de tienda era tremendamente caro para una cadena de grandes almacenes de nivel medio: incluyendo las pérdidas de explotación soportadas a propósito, se había gastado varios miles de millones de dólares en intentar llevar a cabo la transformación física de las tiendas. Los clientes de JC Penney no tenían ni idea de lo que estaba pasando, y en 2013, Johnson fue despedido. El precio de las acciones se hundió en un solo dígito, donde permanece dos años después.

¿Qué fue lo que falló en el intento de construir la tienda favorita de Estados Unidos? Resultó que Johnson estaba utilizando un mapa de Tulsa para navegar por Tuscaloosa. Los productos, los clientes y la historia de Apple tenían demasiado poco en común con los de JC Penney. Apple tenía una base de fans rabiosa, joven y acomodada antes de construir tiendas; JC Penney’s no se asociaba a la juventud ni a la riqueza. Apple tenía productos brillantes y necesitaba una tienda brillante; JC Penney era conocido por sus jerséis asequibles. En primer lugar, Apple nunca había recurrido a los descuentos; JC Penney retiraba los descuentos concedidos con anterioridad, lo que desencadenaba una superreacción de privación masiva.

“Todos los modelos son erróneos, pero algunos son útiles”. – George Box

En otras palabras, el antiguo mapa no era muy útil. Incluso su éxito en Target, que parece un análogo más cercano, era engañoso en el contexto de JC Penney. Target había realizado pequeños cambios graduales durante muchos años, a los que Johnson había contribuido de forma significativa. JC Penney intentaba reinventar el concepto de los grandes almacenes en uno o dos años, dejando atrás al cliente principal en un intento de conseguir otros nuevos. Esta era una propuesta muy diferente. (Otra cosa que frenaba a la empresa era sencillamente su probabilidades de base: ¿Puedes nombrar un minorista de gran importancia que haya perdido su posición en el mundo y haya regresado?)

El problema principal era no que Johnson fuera incompetente. No lo era. No habría conseguido el trabajo si lo fuera. Era extremadamente competente. Pero fue precisamente su competencia y su éxito anterior lo que le metió en problemas. Era como un gran nadador que intentaba enfrentarse a un gran rápido, y el modelo que utilizó con éxito en el pasado, el mapa que había navegado por muchos terrenos difíciles, ya no era el mapa que necesitaba. Tenía una excelente teoría sobre el comercio minorista que se aplicaba en algunas circunstancias, pero no en otras. El terreno había cambiado, pero la vieja idea se mantenía.

***

Una persona que entiende bien este problema del mapa y el territorio es Nassim Taleb, autor de la serie IncertoAntifragil , El cisne negro, Engañado por el azar, y La cama de Procusto.

Taleb lleva muchos años denunciando el mal uso de los modelos, pero la primera y más vívida que recuerdo es su firme crítica a un modelo financiero llamado Valor en Riesgo, o VAR. El modelo, utilizado en la comunidad bancaria, se supone que ayuda a gestionar el riesgo proporcionando una pérdida potencial máxima dentro de un intervalo de confianza determinado. En otras palabras, pretende permitir a los gestores de riesgos decir que, con un 95%, 99% o 99,9% de confianza, la empresa no perderá más de X millones de dólares en un día determinado.

Cuanto más alto sea el intervalo, menos preciso será el análisis. Podría decirse que la empresa tiene 100 millones de dólares en riesgo en cualquier momento con un intervalo de confianza del 99%, pero dadas las propiedades estadísticas de los mercados, un paso al 99,9% de confianza podría significar que el gestor de riesgos tiene que afirmar que la empresa tiene 1.000 millones de dólares en riesgo. El 99,99% podría significar 10.000 millones de dólares. A medida que se incluyen sucesos cada vez más raros en la distribución, el análisis resulta menos útil. Así que, por necesidad, las “colas” se cortan en alguna parte y el análisis se considera aceptable.

Se construyen elaborados modelos estadísticos para justificar y utilizar la teoría VAR. A primera vista, parece una idea útil y poderosa; si sabes cuánto puedes perder en cualquier momento, puedes gestionar el riesgo hasta el decimal. Puedes decir a tu consejo de administración y a tus accionistas, con cara de circunstancias, que tienes el ojo puesto en la caja. El problema, en palabras de Nassim, es que:

Un modelo puede mostrarte algunos riesgos, pero no los riesgos de utilizarlo. Además, los modelos se construyen sobre un conjunto finito de parámetros, mientras que la realidad nos ofrece infinitas fuentes de riesgos.

Para llegar a la cifra VAR, el gestor de riesgos debe tomar datos históricos y asumir una distribución estadística para predecir el futuro. Por ejemplo, si pudiéramos tomar 100 millones de seres humanos y analizar su altura y su peso, podríamos predecir la distribución de las alturas y los pesos en otros 100 millones, y habría una probabilidad microscópica de que nos equivocáramos. Eso es porque tenemos un tamaño de muestra enorme y estamos analizando algo con desviaciones muy pequeñas y predecibles de la media.

Pero las finanzas no siguen este tipo de distribución. No existe tal previsibilidad. Como ha argumentado Nassim, las “colas” son gordas en este ámbito, y los acontecimientos más raros e imprevisibles son los que tienen mayores consecuencias. Supongamos que consideras que un acontecimiento altamente amenazador (por ejemplo, un desplome del 90% en el S&P 500) tiene una probabilidad de 1 entre 10.000 de producirse en un año determinado, y tu conjunto de datos históricos sólo tiene 300 años de datos. ¿Cómo puedes establecer con precisión la probabilidad de ese suceso? Necesitarías muchos más datos.

Así, los acontecimientos financieros que se consideran 5, o 6, o 7 desviaciones típicas de la norma, tienden a ocurrir con una cierta regularidad que no se acerca a su supuesta probabilidad estadística. Los mercados financieros no tienen una realidad biológica que los vincule: Podemos decir con una confianza útil que un elefante no se despertará como un mono, pero no podemos decir nada con absoluta confianza en un ámbito de Extremo Oriente.

Por tanto, vemos varios problemas con el VAR como “mapa”. El primero es que el modelo es en sí mismo una severa abstracción de la realidad, que se basa en datos históricos para predecir el futuro. (Como deben hacer todos los modelos financieros, hasta cierto punto.) El VAR no dice “El riesgo de perder X dólares es Y, dentro de una confianza de Z”. (Aunque los gestores de riesgos lo traten así). Lo que el VAR dice en realidad es “el riesgo de perder X dólares es Y, basado en los parámetros dados.” El problema es evidente incluso para los no técnicos: El futuro es un lugar extraño y ajeno que no comprendemos. Las desviaciones del pasado pueden no ser las desviaciones del futuro. El hecho de que los bonos municipales nunca hayan cotizado con tal o cual diferencial respecto a los bonos del Tesoro de EE.UU. no significa que no lo hagan en el futuro. Simplemente no lo han hecho todavía. Con frecuencia, los modelos no tienen en cuenta este hecho.

De hecho, uno de los puntos más mordaces de Nassim es que el día antes de que ocurriera el “peor caso” en el pasado, no habrías utilizado el “peor caso” venidero como tu peor caso, porque aún no habría ocurrido. He aquí una ilustración fácil. El 19 de octubre de 1987, la bolsa cayó un 22,61%, es decir, 508 puntos en el Promedio Industrial Dow Jones. En términos porcentuales, fue entonces y sigue siendo la peor caída del mercado en un día de la historia de Estados Unidos. Fue apodado “Lunes negros“. (Los escritores financieros a veces carecen de creatividad: hay varios otros “lunes negros” en la historia). Pero aquí vemos el punto de vista de Nassim: El 18 de octubre de 1987, ¿qué utilizarían los modelos como el peor caso posible? No lo sabemos con exactitud, pero sí sabemos que el peor caso anterior fue el 12,82%, que ocurrió el 28 de octubre de 1929. Una caída del 22,61% se habría considerado a tantas desviaciones estándar de la media como para ser casi imposible.

Pero las colas son muy gordas en las finanzas: los acontecimientos improbables y consecuentes parecen ocurrir mucho más a menudo de lo que deberían según las estadísticas ingenuas. También existe un problema de recursividad grave pero a menudo no reconocido, y es que los propios modelos influyen en el resultado que intentan predecir. (Para entenderlo mejor, consulta nuestro artículo sobre Sistemas Adaptativos Complejos.) Un segundo problema del VAR es que, aunque tuviéramos un conjunto de datos mucho más sólido, un “intervalo de confianza” estadístico no sirve para la gestión del riesgo financiero. Dice Taleb:

Hay una contradicción interna entre medir el riesgo (es decir, la desviación estándar) y utilizar una herramienta [VAR] con un error estándar mayor que el de la propia medida. Me parece que los gestores de riesgos profesionales a los que he oído recomendar un uso “precavido” del VAR alegando que “generalmente funciona” o “funciona de media” no comparten mi definición de gestión de riesgos. La función objetivo de la gestión del riesgo es la supervivencia, no los beneficios y las pérdidas. Un operador, según la leyenda de Chicago, “ganó 8 millones en ocho años y perdió 80 millones en ocho minutos”. Según las mismas normas, sería, “en general”, y “en promedio” un buen gestor de riesgos.

Esto es como un sistema de GPS que te muestra dónde estás en todo momento pero que no incluye los acantilados. Estarías perfectamente contento con tu GPS hasta que te cayeras por una montaña.

Fue este tipo de confianza ingenua en los modelos lo que metió a mucha gente en problemas en la reciente crisis hipotecaria. Los modelos que se ajustan a la tendencia, los mapas más comunes del territorio financiero, fracasaron al describir un territorio que sólo era un espejismo: Un mundo en el que los precios de la vivienda sólo subían. (Lewis Carroll lo habría aprobado).

Esto era navegar por Tulsa con un mapa de Tatooine.

***

La respuesta lógica a todo esto es: “¿Y qué?”. Si nuestros mapas nos fallan, ¿cómo actuamos en un mundo incierto? Esta es una discusión propia para otro momento, y Taleb se ha esforzado mucho por tratar de abordar la preocupación. Las mentes inteligentes no se ponen de acuerdo sobre la solución. Pero una clave obvia debe ser la construcción de sistemas que sean robustos frente a los errores de los modelos.

El problema práctico de un modelo como el VAR es que los bancos lo utilizan para optimizar. En otras palabras, asumen toda la exposición que el modelo considera adecuada. Y cuando los bancos se desvían hacia la gestión de un modelo muy detallado y de gran confianza en lugar de hacia el sentido común informado, lo que ocurre con frecuencia, tienden a acumular riesgos ocultos que se desvelarán con el tiempo.

Si, por el contrario, se asumiera que no hay mapas precisos del territorio financiero, tendrían que recurrir a una heurística mucho más simple. (Si asumes que los modelos estadísticos detallados del futuro te fallarán, no los utilizas). En resumen, harías lo que Warren Buffett ha hecho con Berkshire Hathaway. El Sr. Buffett, que sepamos, no ha utilizado nunca un modelo informático en su vida, y sin embargo gestiona una institución de medio billón de dólares de tamaño por activos, una gran parte de los cuales son activos financieros. ¿Cómo? El enfoque no sólo requiere asumir un futuro peor que el pasado, sino que también dicta la construcción de una institución con un conjunto robusto de sistemas de respaldo, y márgenes de seguridad que funcionen a múltiples niveles. Dinero extra, en lugar de apalancamiento extra. Esforzándote al máximo para asegurarte de que las colas no puedan matarte. En lugar de optimizar según un modelo, aceptando los límites de tu clarividencia. [quote]Cuando el mapa y el terreno difieren, sigue el terreno[/quote]. La contrapartida, por supuesto, son recompensas a corto plazo mucho menos grandes que las disponibles con modelos más optimizados. Hablando de esto, Charlie Munger ha señalado

El historial de Berkshire ha sido casi ridículo. Si Berkshire hubiera utilizado aunque sea la mitad del apalancamiento de, por ejemplo, Rupert Murdoch, tendría cinco veces su tamaño actual.

Al menos para Berkshire, la compensación parece haber merecido la pena.

***

El punto más destacado es, pues, que en nuestra marcha para simplificar la realidad con modelos útiles, de los que Farnam Street es defensor, confundimos los modelos con la realidad. Para muchas personas, el modelo crea su propiarealidad. Es como si la hoja de cálculo cobrara vida. Olvidamos que la realidad es mucho más desordenada. El mapa no es el territorio. La teoría no es lo que describe, es simplemente una forma que elegimos para interpretar un determinado conjunto de información. Los mapas también pueden estar equivocados, pero aunque sean esencialmente correctos, son una abstracción, y la abstracción significa que se pierde información para ahorrar espacio. (Recuerda el mapa a escala kilométrica).

¿Cómo podemos hacerlo mejor? Esto es forraje para otro post, pero el primer paso es darse cuenta de que no entiendes un modelo, mapa o reducción a menos que comprendas y respetes sus limitaciones. Debemos estar siempre atentos, dando un paso atrás para comprender el contexto en el que un mapa es útil, y dónde pueden estar los acantilados. Hasta que no lo hagamos, seremos el pavo.

Total
0
Shares
Related Posts
silhouette photography of man

El valor del pensamiento probabilístico: Espías, crímenes y relámpagos

El pensamiento probabilístico consiste esencialmente en tratar de estimar, utilizando algunas herramientas matemáticas y lógicas, la probabilidad de que se produzca un resultado concreto. Es una de las mejores herramientas que tenemos para mejorar la precisión de nuestras decisiones. En un mundo en el que cada momento está determinado por un conjunto infinitamente complejo de factores, el pensamiento probabilístico nos ayuda a identificar los resultados más probables. Cuando los conocemos, nuestras decisiones pueden ser más precisas y eficaces.
Read More
Comprender la velocidad y la rapidez: Decir "NO" a lo no esencial

Comprender la velocidad y la rapidez: Decir “NO” a lo No-Esencial

Es tentador pensar que, para ser un valioso jugador de equipo, debes decir "sí" a todas las peticiones y tareas que te pidan. Las personas que dicen que sí a todo tienen mucha velocidad. Siempre están haciendo cosas pero nunca consiguen hacer nada. ¿Por qué? Porque no piensan en términos de velocidad. Entender la diferencia entre rapidez y velocidad cambiará tu forma de trabajar. Pensar en múltiples dimensiones es una de las habilidades de pensamiento cruciales que nadie te ha enseñado.
Read More