Por alguna razón, creemos que los problemas complejos requieren soluciones complejas. Sin embargo, muchas veces esto no es verdad. Esto es lo que Goldstein y Gigerenzer, en su publicación "Fast and frugal forecasting" del año 2009, demostraron. En esta publicación, ellos resumieron distintas ocasiones en que una heurística simple obtenía mejores resultados que métodos más complejos de predicción. **Caso 1: predicción de quiénes serán clientes activos y quienes no ** Para una tienda, un cliente activo es un cliente que, en el futuro próximo, realizará una compra. Esta clasificación es muy importante para las empresas porque de esta manera pueden dirigir sus campañas de marketing de manera más efectiva. Una opción para predecir si un cliente comprará (o no) un producto de la tienda es utilizar el [Modelo Pareto/NBD](https://university.custora.com/for-marketers/clv/advanced/pareto-nbd), el que por medio de un complejo modelamiento estadístico define la probabilidad de que un cliente compre un producto de la tienda en el futuro. Una opción mucho más simple es clasificar como clientes activos a todas las personas que hayan comprado algún producto en los últimos X meses (tiempo definido por los empleados de la tienda, de acuerdo a su conocimiento). A todo el resto se clasifica como clientes inactivos. Probando estas dos opciones en tres industrias, estos fueron los resultados: | | Modelo Pareto/NBD | Modelo Simple | | ----------------------- | ----------------- | ------------- | | Tienda de ropa | 75% | 83% | | Aerolínea | 74% | 77% | | Tienda de música online | 77% | 77% | Los números indican el porcentaje de clientes que fueron **correctamente clasificados**. Como se puede ver, el Modelo Simple fue superior al Modelo Pareto/NBD en todos los casos. **Caso 2: predecir dónde vive un criminal ** Cuando la policía descubre que una serie de crímenes están siendo realizados por un mismo criminal, es muy valioso predecir dónde vive. Para este objetivo, se utilizan distintos métodos matemáticos, cada uno más complejo que el anterior. Al igual que en el ejemplo anterior existe un método muy simple para predecir la ubicación del hogar del criminal: el punto medio entre los dos crímenes más lejanos. Este método entrega el mejor resultado de todos (i.e. la mejor estimación de la ubicación real del hogar del criminal) cuando se cuenta con poca información (entre 5 y 10 crímenes). ![[crimenes.png]] Claramente este es un resultado muy importante. En un caso real, predecir con menos información podría evitar futuros crímenes. **Conclusión** Goldstein y Gigerenzer realizaron esta revisión en muchos otros casos, como por ejemplo en predicciones deportivas y predicciones de inversión. En todas ellas, mostraron que existen casos en que heurísticas simples pueden predecir de mejor forma que modelos complejos, especialmente cuando la información es escasa. En conclusión, menos puede ser más.