Este es el segundo artículo de una serie de tres sobre data fallacies, los errores más comunes al interpretar datos que, lejos de ayudarnos, pueden llevarnos a decisiones equivocadas.
En el primero hablamos de la trampa de las métricas resumidas —pueden verlo aquí—; hoy exploramos una más peligrosa porque se disfraza de perfección: el sobreajuste o overfitting.
Cuando los datos “aprenden de memoria”
Imagina que alguien estudia para un examen memorizando todas las preguntas de años anteriores. El día de la prueba puede sacar un 10… pero si cambian las preguntas, no sabrá qué responder. Eso mismo pasa con los modelos de datos que caen en el overfitting: parecen impecables porque se ajustan al pasado con total precisión, pero fracasan cuando se enfrentan a nuevas situaciones.
En otras palabras: los datos aprenden de memoria, no la lección.
Ejemplos cotidianos
- Predicción del clima Un modelo que se ajusta al detalle a un solo mes puede parecer exacto. Pero en el siguiente mes, los patrones cambian y la predicción pierde toda validez.
- El GPS demasiado confiado Un GPS que memoriza cada bache y semáforo de tu trayecto diario será perfecto… solo en ese camino. Si viajas a otra ciudad, se vuelve inútil.
En People Analytics
En el mundo de la gestión de personas, el overfitting aparece más de lo que creemos:
- Un modelo que explica a la perfección los resultados de una encuesta… pero solo para un período o un área. Al aplicarlo en otro contexto, falla.
- Un indicador de rotación tan específico que solo refleja casos particulares y no ayuda a anticipar tendencias reales.
- Predicciones de desempeño con demasiadas variables irrelevantes, que generan modelos frágiles e imposibles de replicar.
El problema es que la precisión aparente nos engaña: creemos tener el “modelo perfecto”, cuando en realidad hemos construido un castillo de arena.
Reflexión final
El overfitting nos recuerda que el pasado no garantiza el futuro. En People Analytics —y en cualquier disciplina basada en datos— no buscamos explicaciones que encajen como guante en lo que ya pasó, sino modelos robustos que nos permitan anticipar lo que viene.
A veces, la perfección en los datos no es un logro, sino una trampa.
Por Yoel Kluk, socio de Olivia México.