Los datos no deciden por nosotros. Después de una prueba todavía debemos elegir si seguimos, cambiamos, investigamos más o abandonamos. Un árbol de decisiones representa opciones, resultados posibles y consecuencias, y hace visibles los criterios que guían esas elecciones. La Open University utiliza árboles de decisión para ordenar alternativas bajo incertidumbre, incluyendo probabilidades y valores cuando la información permite estimarlos [R14].
Qué contiene un árbol de decisiones
Un nodo de decisión es una elección bajo nuestro control: continuar o repetir. Un nodo de resultado representa lo que puede ocurrir: adopción suficiente, baja adopción o un resultado inconcluso. Una rama conecta cada condición con una acción y sus consecuencias. No confundas este árbol con un cronograma o diagrama de tareas: aquí se representan alternativas condicionadas por evidencia.
Empieza por la decisión pendiente
Escribe la inversión o compromiso que está en juego: «¿Dedicamos recursos a ampliar el piloto a veinte restaurantes?». Recupera la hipótesis original, el criterio, los costos de seguir y las condiciones bajo las cuales una prueba adicional aportaría información. Cómo documentar resultados conserva el contexto necesario.
Tres salidas: favorable, desfavorable e inconclusa
- Evidencia suficiente para una decisión limitada: se alcanza un umbral justificado y no aparecen contradicciones críticas. Puede autorizar un paso incremental, no un lanzamiento sin límites.
- Evidencia desfavorable: la condición no se alcanza bajo un procedimiento válido. Puede sugerir ajustar la oferta, probar otra hipótesis o descartar el diseño.
- Evidencia inconclusa: pocos participantes, incidencias graves, exposición desigual o métricas ausentes. Corresponde mejorar el experimento, no declarar éxito o fracaso.
Un árbol no debe forzar una elección binaria cuando no tenemos evidencia suficiente.
Ejemplo con resultados del piloto
Retomemos el caso hipotético de análisis de diez restaurantes: seis aceptaron de diez ofertas; cinco activaron; solo dos de esos cinco continuaron al día catorce; no hubo oferta pagada.
- Nodo A — ¿Se alcanzó la aceptación prevista de 5/10? Sí, 6/10. No demuestra pago, por lo que no autorizamos expansión comercial.
- Nodo B — ¿Continuaron al menos 3 de los 5 activados al día catorce? No: permanecieron 2/5. Este segundo umbral es un criterio hipotético para enseñar el árbol, no uno establecido por Strategyzer.
- Decisión provisional: investigar las razones de abandono y rediseñar la experiencia antes de ampliar.
- Nodo C — ¿El problema persistió tras una nueva prueba adecuada? Si sí, reconsiderar propuesta o segmento. Si no, plantear una prueba de cobro bajo condiciones claras.
Cuándo usar costos y probabilidades
La técnica formal puede utilizar valor esperado: suma de probabilidad de cada resultado por su consecuencia económica. Por ejemplo, 0,3 × S/1.000 + 0,7 × (−S/500) = −S/50. Son probabilidades y cifras ilustrativas, no estimaciones reales. No asignes probabilidades arbitrarias y luego presentes el resultado como una decisión científica. Si no hay estimaciones defendibles, utiliza ramas cualitativas con costos máximos y umbrales conocidos [R14].
Si necesitas estudiar qué sucede cuando varían ventas, precios o costos sin inventar probabilidades, consulta cómo evaluar escenarios de viabilidad del modelo de negocio. La sensibilidad de un escenario es distinta de asignarle probabilidades a cada rama del árbol.
Decisiones reversibles, irreversibles y criterios de parada
Un cambio de texto en una invitación suele ser reversible; contratar una infraestructura costosa puede no serlo. Cuanto menos reversible sea el compromiso, mayor debería ser el cuidado con la evidencia. Define un límite de presupuesto o una condición para detener pruebas repetitivas. El valor de investigar más disminuye cuando ninguna observación plausible cambiaría la acción.
Cuando una decisión irreversible también expone al negocio a amenazas operativas o financieras, utiliza la matriz de evaluación de riesgos para documentar consecuencias, señales y responsables. El árbol ordena opciones bajo evidencia; la matriz examina riesgos que requieren tratamiento durante la ejecución.
Cuando el árbol lleva a «seguir», la decisión todavía debe pasar por una revisión Go/No-Go de preparación. Esa revisión comprueba condiciones operativas, legales y de liquidez con evidencia concreta, sin confundir una hipótesis validada con autorización para abrir.
Registra por qué elegiste una rama
El resultado debe incluir fecha, versión, responsables, evidencia, criterio original, riesgos residuales y próxima revisión. Si el árbol se modifica después de ver datos, anota el motivo. La siguiente decisión puede alimentar una nueva iteración o regresar a priorizar hipótesis.
Qué deberías tener al terminar: un árbol visual que conecte condiciones explícitas, acciones y consecuencias sin inventar certezas. Fuentes principales: [R14], [R03], [R05], [R06].
Bibliografía y referencias
- [R14] The Open University/OpenLearn. Decision trees and dealing with uncertainty. https://www.open.edu/openlearn/mod/oucontent/view.php?id=106421 — Árboles de decisión, resultados y valor esperado.
- [R03] Strategyzer. Validate Your Ideas with The Test Card. https://www.strategyzer.com/library/validate-your-ideas-with-the-test-card — Hipótesis, prueba, métrica y umbral.
- [R05] Strategyzer. Capture (Customer) Insights and Actions with the Learning Card. https://www.strategyzer.com/library/capture-customer-insights-and-actions-with-the-learning-card — Resultados, aprendizaje y acciones.
- [R06] Strategyzer. How to design and test business ideas. https://www.strategyzer.com/library/the-role-of-an-effective-innovation-coach — Design–Test Loop, pivotar, perseverar o abandonar.