Bayes para decisiones Lectura guiada para negocio con IA

Bayes para decisiones: valor esperado, pérdidas y umbrales operativos

Cuando tus decisiones tienen riesgo, no basta con “tener una probabilidad”. Necesitas convertir incertidumbre en acciones. Veremos cómo usar el valor esperado y una matriz de pérdidas para fijar umbrales operativos que encajen con tu coste real.

Leer el artículo Volver al blog

Notas rápidas: el objetivo es traducir probabilidad en decisiones. En cada paso, definimos qué se gana, qué se pierde y cómo elegir umbrales que se sostienen con datos.

Bayes para decisiones: un puente entre probabilidad y acción

Valor esperado, pérdidas y umbrales operativos

Cuando una IA bayesiana te da probabilidades, el siguiente paso no es “tener más exactitud”, sino decidir. En negocio, la decisión correcta depende de cuánto te cuesta equivocarte y de cuándo los datos justifican cambiar de curso.

1) De probabilidad a decisión

Supón que quieres decidir entre dos acciones, A y B. En Bayes no solo estimas qué es más probable, sino que puedes calcular el efecto de cada acción bajo diferentes estados del mundo (por ejemplo, “la demanda será alta” vs. “será baja”). Si defines una función de pérdida (o recompensa), conviertes probabilidades en valor esperado y eliges la acción con mejor balance.

Idea clave

La probabilidad por sí sola no decide. La decisión surge al combinar probabilidad con pérdida (o ganancia) y luego promediar en el mundo posible.

2) Valor esperado con pérdidas

Modela la pérdida como una cantidad que quieres minimizar. Sea L(a, s) la pérdida de tomar acción a cuando el estado real es s. Si tu modelo te da la distribución posterior P(s | datos), la pérdida esperada para una acción es:

Lesp(a) = Σs L(a, s) · P(s | datos)

Luego eliges la acción con menor Lesp. Este planteamiento es especialmente útil cuando la “equivocación” tiene distintos costes: una previsión errónea no siempre se paga igual.

3) Umbrales operativos: cuándo actuar y cuándo esperar

En muchos casos, el negocio opera con reglas simples: “activa si la probabilidad supera X” o “detén el experimento si el riesgo supera Y”. Bayes te ayuda a convertir esos valores en umbrales justificables, basados en el coste de actuar versus el coste de esperar.

Imagina que tienes un resultado incierto y debes decidir si lanzar una oferta. La acción “Lanzar” puede generar ganancia si el estado es favorable, pero causar pérdida si no lo es. La acción “Esperar” suele tener un coste de oportunidad (tiempo, recursos, ventas perdidas) pero evita el riesgo de lanzar bajo un estado incierto.

Acción 1: Lanzar

Definimos una pérdida alta cuando el estado no acompaña. Con Bayes, el modelo te da la probabilidad posterior del estado favorable y esa probabilidad pondera la pérdida esperada.

Acción 2: Esperar

Representas el coste de oportunidad como una pérdida casi constante, o como una pérdida que crece con el tiempo. Así, tu umbral se vuelve: “lanzo si el valor esperado supera el de esperar”.

4) Ejemplo conceptual: umbral de probabilidad

Considera una decisión binaria con dos estados: s=1 (favorable) y s=0 (no favorable). Define pérdida por acción:

  • Lanzar en s=1: pérdida pequeña (o incluso recompensa si usas pérdidas negativas).
  • Lanzar en s=0: pérdida grande.
  • Esperar: pérdida moderada (coste de oportunidad), similar para s=1 y s=0.

En este esquema, la decisión puede reducirse a un umbral sobre P(s=1 | datos): si la probabilidad posterior del estado favorable es suficientemente alta, la pérdida esperada de “Lanzar” baja por debajo de la de “Esperar”. El “X%” no sale de una corazonada; sale del balance entre costes.

5) Cómo fijar una pérdida útil (sin matar el modelo)

Los umbrales fallan si la pérdida no refleja el negocio. Una buena práctica es:

  1. Empieza por un error interpretable. Por ejemplo, coste de desaprovechar demanda o coste de sobrestock.
  2. Usa una escala coherente. La pérdida no tiene que ser perfecta, pero sí comparable entre escenarios.
  3. Revisa sensibilidad. Si tu decisión cambia drásticamente con pequeñas variaciones de costes, quizá falta calibración o el coste real no está capturado.

Ojo con una trampa común: si atas una pérdida demasiado agresiva (por ejemplo, “evitar cualquier riesgo” en todos los contextos), tu umbral se vuelve inmóvil y el sistema “espera” demasiado.

6) Integración con Bayes: actualización y estabilidad

Bayes destaca por la actualización: conforme entra más evidencia, la posterior cambia y el valor esperado también. Para que el sistema sea estable, diseña el experimento o el flujo de datos para reducir “saltos” innecesarios: mejor inferencia incremental que cambios bruscos de decisión con señales ruidosas.

En la práctica, puedes combinar dos ideas: (1) define pérdidas y umbrales operativos, y (2) controla el ritmo de actualización (con ventanas de datos o una política de revisión), de modo que la decisión no oscile.

7) Checklist operativo

  • ¿Tengo pérdidas (o recompensas) explícitas por acción y estado?
  • ¿Mi decisión compara pérdida esperada, no solo probabilidad?
  • ¿El umbral refleja el coste de actuar y el coste de esperar?
  • ¿He probado sensibilidad a supuestos razonables de pérdidas?
  • ¿La actualización de evidencia evita oscilaciones en producción?

Si quieres profundizar en estructuras relacionadas, ver también cómo una posterior estable mejora tus decisiones bajo incertidumbre y cómo puedes calibrar probabilidades para que los umbrales funcionen en el mundo real.