ALGORITMOS CON CORAZÓN

ALGORITMOS CON CORAZÓN

Nos hablan de una tienda del futuro, de un consumidor del futuro.  De una sola tienda del futuro, y de un solo consumidor. Nos hablan de un mundo digitalizado, en un mundo donde solo el 50% de la humanidad tiene acceso a internet. Nos hablan de un mundo tomado por internet, cuando menos de la mitad de la humanidad tiene una tarjeta de crédito o de débito. Nos hablan de Amazon Go dixit.  De la verdad definitiva de una tienda hiperdigital, ínfimamente  humana, y donde entrar, agarrar y salir.  Just Walk out, esa es su verdad absoluta del futuro. Nos hablan de extremos, y de soluciones finales.

La realidad es otra a la que nos cuentan constantemente y sin disidencias apenas.

Vayamos a los países más avanzados del mundo. Observemos a los consumidores desde otro ángulo al que están siendo observados.

Estados Unidos & Canadá. En 1994 había unos 2.000 Market Farmer. Hoy ya hay más de 10.000.   Granjeros, ganaderos, productores de miel, recolectores de flores…. Que venden sus productos directamente a los consumidores. Nada ha crecido tanto en estas décadas. Cada vez más consumidores acuden a este encuento con lo natural, lo orgánico, lo desnudo. Zero tecnológia. Y si usted observa esas masas no recogidas en los informes de las consultoras o de las revistas especializadas en distribución y Retail, verá que llevan sus teléfonos de última generación; si habla con ellos observará que tienen redes sociales, que muchos de ellos tienen a Alexa en su salón, que compran a través de Amazon, que saben qué es la inteligencia artificial… pero sucede que también aman ese Retail desnudo, original y humano.

 El área de cultivo orgánico aumentó en un 70% en los últimos diez años y las ventas minoristas orgánicas alcanzaron los 34 mil millones de euros en 2017. Los europeos cada vez consumen más productos orgánicos. Muchos de ellos confiesan que una de las principales razones de su elección de tienda viene condicionado por que haya ese tipo de productos en sus  lineales, luego hablan de otras razones secundarias. Muchos de ellos

En 2018, en Italia, casi seis de cada diez italianos han comprado productos locales directamente de los agricultores al menos una vez al mes en el último año en fábricas, bodegas, granjas, granjas o mercados de agricultores. 130,000 granjas italianas que venden sus productos directamente. Un estudio realizado por ISMEA de Italia, un instituto público de estadísticas sobre el mercado agrícola, dijo que el gasto de los consumidores italianos en los mercados de agricultores ha superado los 6.000 millones de euros. Según la encuesta de Coldiretti / Ixé, el 71% de los italianos entrevistados consideraron la alta calidad de los productos como la principal razón por la que les gusta comprar en los mercados de agricultores, seguidos de las garantías de seguridad, la búsqueda de productos locales y la economía. conveniencia.

 En Alemania, Japón, Australia, Malasia, Reino Unido,,, cada vez hay más  “Sewists”. Un término que combina las palabras “coser” y “artista”, para describir a alguien que crea obras de arte cosidas, que puede incluir ropa u otros artículos hechos con elementos cosidos.  Son cada vez más. Gente que simplemente quiere ser el protagonista de ese Retail desnudo, del que no nos hablan.

 Joann, el retailer de tejidos y artesanías, que jamás sale en los titulares centrados en el Retail apocalipse. recibió el memorando del milenio.  Joann tiene más de 850 tiendas en Estados Unidos, y 75 años de antigüedad.

Jo-Ann ofrecen clases para clientes. Los temas que se enseñan incluyen tejido de punto, ganchillo, acolchado, costura, scrapbooking, pintura, fabricación de joyas, diseño floral y elaboración de alimentos.  Artesanos experimentados y los novatos pueden aprender nuevas habilidades, tomar clases, alquilar máquinas para terminar proyectos y reunirse para compartir con amigos y compañeros artesanos. “Los clientes vienen en busca de inspiración, aprenden de los miembros de nuestro equipo y comparten experiencias creativas con otros. En esta era digital, abrazar la creatividad como una forma de unir a las personas es más significativo que nunca

“, dice su  Presidente y CEO.

Joann es ese Retail que aburre a los frikis del apocalipse, es ese Retail en el que creo, el Retail de algoritmos con corazón. En Joann verá usted a artesanos enseñando a clientes como usted y como yo, pero verá también el  quiosco de pantalla táctil Craft Creator donde los clientes pueden buscar en Pinterest para descubrir nuevos proyectos.

 Desde la asociación del sector en Estados Unidos dicen:  “El mayor porcentaje de artesanos (41%) son millennials, entre las edades de 18 y 34 años. Un 36% tiene entre 35 y 54 años y el 23% tiene 55 años o más “. Se trata de un sector que mueve $ 36 mil millones de dólares. Los suministros de artesanía se venden en unos 75,000 puntos de venta minoristas, que incluyen tiendas de artesanías especializadas, cadenas de artesanía nacional, tiendas de descuento para el mercado masivo, tiendas de artículos de arte, tiendas de artículos de arte, incluso ferreterías y farmacias (Fuente: Forbes)

Los millennials, esos eternos teenagers en los estudios de las consultoras, pero que en verdad ya son adultos que pagan hipotecas y tienen hijos, nacieron en un mundo de trabajos manuales. Muchos de ellos, desde su tecnológica ya visión del mundo, se empeñan en que sus hijos tengan contacto con la artesanía, con las artes manuales,   creen que el desarrollo creativo les llegará más por ahí que por los algoritmos.

 Kowalski’s Market, es una cadena de supermercados del que ya les hablé. Les va muy bien. La cosa va de tener productos de calidad, honestos, y una gran atención al cliente. Es el primer minorista en recibir la etiqueta Certified Humane Raised and Handled asegura a los consumidores que los productos alimenticios provienen de granjas, corrales de animales e instalaciones que cumplen con los estándares precisos y objetivos para el tratamiento de animales de granja. Los animales nunca se guardan en jaulas, jaulas o casilleros, y se les alimenta con alimentos de calidad sin subproductos animales, antibióticos u hormonas de crecimiento. Los productores y procesadores deben cumplir con las estrictas normativas medioambientales y de seguridad alimentaria de la industria.

Autor: Laureano Turienzo . Consultor &Asesor empresas.+

Marketing: Así cambiará la robótica el marketing y la publicidad - Harvard Business Review en español

Marketing: Así cambiará la robótica el marketing y la publicidad - Harvard Business Review en español

MARKETING

Si los algoritmos nos hacen la compra, ¿para qué servirá el marketing?

por Niraj Dawar
trad. Teresa Woods

27.10.2016

• SHARE
  

     
 
• COMMENT4
 
• PRINT

Gran parte del marketing se basa en que las empresas envíen mensajes concretos a los clientes para influir en sus compras y consumo. No extraña entonces que los principales anunciantes del mundo sean empresas como Procter & Gamble, Nestlé y Unilever. Las tres venden productos de consumo que se compran y gastan de manera habitual y constante. El objetivo de las decenas de miles de millones de dólares que invierten en publicidad es recordar a los consumidores que necesitan comprar detergente, sopa, café, yogur o alimento para mascotas durante su próxima visita a la tienda. Pero dentro de pocos años, este modelo de marketing, publicidad y compras estará obsoleto. Los comienzos de este cambio ya son evidentes en avances como los botones Dash de Amazon que convierten las compras rutinarias en más simples y rutinarias si cabe.

No pasará mucho tiempo hasta que Amazon y otros minoristas puedan conocer tan bien los hábitos de sus clientes como para enviarles (de manera convencional o por dron) los aproximadamente 200 productos que se consumen de manera habitual. Los algoritmos de las empresas estimarán cuándo es apropiado reponerlos. Poco después, los armarios y las neveras inteligentes de cada hogar elaborarán sus propios pedidos. Liberarán al consumidor de tener que escribir listas de la compra, recordar qué necesitan o enfrentarse al tedio de las compras repetitivas. Los productos que necesiten llegarán hasta los domicilios como la luz y el agua. Para muchos productos, será un bot el que se encargue de la compra. Los clientes sólo tendrán que consumir.

¿Cómo será pues el marketing en un mundo en el que las máquinas hablan con otras máquinas?

Primero, en un mundo conectado, gastar miles de millones para recordar a los consumidores que han de comprar su marca parecería desmesuradamente despilfarrador. En su lugar, el gasto en publicidad se redirigirá a construir mejores relaciones, competir con los líderes del mercado, aumentar la tasa de consumo e intentar condicionar el diseño y a los propietarios de los algoritmos. Influir en los algoritmos –por ejemplo, al convertirse en una marca nativa o por defecto dentro de las opciones preinstaladas de software– será altamente valioso. Sabemos que el 90% de los compradores de smartphones y ordenadores no cambian la mayoría de las configuraciones de fábrica. Supone una gran ventaja para las aplicaciones y servicios instalados por defecto. En consecuencia, las empresas líderes se beneficiarán de unas barreras de entrada más altas. Quien aspire a entrar en el mercado, sobre todo en los productos básicos, tendrá que romper no sólo la inercia de los consumidores, sino también la de los bots ya programados, una mucho más difícil de superar.

Segundo, la fidelidad con una marca se redefinirá. Los equipos de marketing necesitarán diferenciar con mucha más claridad entre la mera recompra y la lealtad real. Tendrán que preguntarse, sobre todo en las marcas líderes, si el "leal" es el algoritmo o es el consumidor. Para las nuevos actores la pregunta crítica será qué necesitan para lograr que los consumidores reconfiguren sus algoritmos.

En tercer lugar, gran parte de la estrategias de marketing actuales se basa en la idea de que los consumidores son intérpretes imperfectos de los mensajes publicitarios. Las personas están sujetas a sesgos cognitivos como la atención selectiva y su capacidad para retener información. Los estudios sobre publicidad, por ejemplo, se centran en mejorar las probabilidades de que los consumidores hagan lo que dictan los anuncios. Buscan aumentar la eficacia de los anuncios al mejorar su tasa de conversión (el ratio entre las personas que compran un producto y las que han visto su anuncio).

Pero si esas decisiones las toman bots en vez de humanos, los anunciantes deberán dirigirse a ellos. Y los bots suelen hacer lo que se les mande, sin sesgos cognitivos. Así que las investigaciones se centrarán en entender cómo influir sobre las decisiones de los bots: ¿Cuáles son sus fuentes de información? ¿Qué criterios están programados para optimizar? ¿Cuáles son sus algoritmos de aprendizaje? Las investigaciones sobre los consumidores se centrarán en temas estratégicos como los patrones de consumo y la fidelización de la marca.

Por último, los efectos de las máquinas conectadas no se limitarán a las compras básicas. Muchas de las interacciones entre la empresa y el consumidor se producirán directamente entre la empresa y el producto. Por ejemplo, los coches que se retiren por problemas de seguridad o reparaciones imprevistas podrán dirigirse de manera autónoma al taller cuando no los utilicen sus propietarios. Los lavavajillas y aspiradoras actualizarán su software directamente desde la nube. Los botes de medicamentos no se abrirán expirada su fecha de caducidad. De las interacciones no placenteras se ocuparán los bots. Los clientes hartos de hablar con una máquina cuando llaman a su compañía telefónica pedirán a su bot que llame al bot de la compañía.

La robotización de las compras y el marketing cambiará cómo interactúan las empresas con los consumidores. Eliminar de la ecuación la imprevisibilidad de los consumidores aumentará la eficiencia del marketing; sólo los ahorros en publicidad sumarían miles de millones de dólares. Pero la oportunidad real se encuentra en la redefinición de la relación con el cliente, no en la reducción de costes. Pongan a sus máquinas a pensar en eso.

Niraj Dawar es profesor de marketing de la Escuela Empresarial Ivey (Canadá) y el autor de 'TILT: Shifting your Strategy from Products to Customers' (Harvard Business Review P

LA INFOGRAFÍA. AMAZON GO, CAMBIAR CAJEROS POR ALGORITMOS

LA INFOGRAFÍA. AMAZON GO, CAMBIAR CAJEROS POR ALGORITMOS

OMNICHANNEL BY D/A RETAIL

 2  NO HAY COMENTARIOS 28 JUN 2017

Sorpresa, tras sorpresa, no hay día que no se hable de Amazon. Su anunciado supermercado Amazon GO, da un salto de gigante con la compra última de la empresa estadounidense Whole Foods. Ahora ya si, Amazon es brick & click.

“El Imperio Amazon, es más que solo envíos” dice Eduardo Sánchez, CEO de MyInternationalPassport.com.

En su plataforma web, comparte para el mundo esta completa infografía sobre todo lo que hay que saber sobre Amazon GO

HBR's Must Readas 2017: Los algoritmos también necesitan mánagers | Harvard Business Review en español

HBR's Must Readas 2017: Los algoritmos también necesitan mánagers | Harvard Business Review en español

TECNOLOGÍA

Los algoritmos son muy  listos pero necesitan un mánager que les guíe

por Michael Luca, Jon Kleinberg, Sendhil Mullainathan
trad. Teresa Woods
15.03.2017



Los algoritmos son muy listos pero necesitan un mánager que les guíe

El trabajo de la mayoría de los mánagers incluye hacer predicciones. Cuando los especialistas en RRHH deciden a quién contratar, están prediciendo quién será más efectivo. Cuando los profesionales de marketing escogen los canales de difusión que emplearán, están prediciendo dónde se venderá mejor un producto. Cuando los capitalistas de riesgo determinan si financiarán una start-up, predicen si tendrá éxito. Para realizar estas e infinidad de otras predicciones de negocio, las empresas de hoy cada vez recurren más a los algoritmos informáticos, que realizan operaciones analíticas de paso a paso a un ritmo y una velocidad impresionantes.

Los algoritmos hacen que las predicciones sean más precisas, pero también tienen sus propios riesgos, especialmente si no los entendemos. Abundan los ejemplos de gran repercusión. Cuando Netflix lanzó una competición de un millón de dólares (unos 917.000 euros) para desarrollar un algoritmo capaz de identificar las películas que gustarían a un usuario determinado, varios equipos de científicos de datos unieron fuerzas y crearon el algoritmo ganador. Pero el campeón se pensó para los DVD mientras los espectadores de Netflix hacían una transición hacia el streaming. Sus gustos cambiaron de formas que el algoritmo no era capaz de predecir.

Otro ejemplo nos llega desde las redes sociales. Hoy, muchas páginas web emplean algoritmos para decidir qué anuncios y enlaces presentar a los usuarios. Cuando estos algoritmos se concentran demasiado en maximizar la relación entre los clics obtenidos y las impresiones generadas (CTR), las páginas se ven ahogadas por artículos de mala calidad, son "cebos de clics". Aumentan las tasas de clic, pero la satisfacción general de los usuarios puede caer en picado.

Problemas así no son inevitables. En nuestro trabajo de diseño e implementación de algoritmos y de identificación de nuevas fuentes de datos, hemos observado que el origen de la dificultad a menudo no son errores informáticos de los algoritmos sino los errores que cometemos al interactuar con ellos. Para evitar dar un mal paso, los mánagers necesitan entender lo que hacen bien los algoritmos, qué preguntas contestan y cuáles no.
¿Por qué nos confunden los algoritmos?
Como demuestra un conjunto de pruebas creciente, humanizar los algoritmos hace que nos sintamos más cómodos con ellos. Esto puede resultar útil, por ejemplo, para el diseño de una función de llamadas automáticas. Es más probable que la voz de una persona de verdad consiga captar la atención de los usuarios que una voz electrónica. El problema fundamental, sin embargo, es que las personas tratan los algoritmos y las máquinas que los ejecutan de la misma manera que a un empleado, supervisor o compañero. Pero los algoritmos se comportan de forma muy distinta a los humanos, de dos maneras importantes:

Los algoritmos son extremadamente literales

En la última película de Los Vengadores, Tony Stark (también conocido como Iron Man) crea Ultron, un sistema de defensa de inteligencia artificial encargado de proteger la Tierra. Pero Ultron interpreta la tarea literalmente, y concluye que la mejor manera de proteger la Tierra consiste en destruir a todos los humanos. Ultron se comporta como el típico algoritmo: hace exactamente lo que se le manda e ignora cualquier otra consideración. Nos metemos en problemas cuando no gestionamos los algoritmos con cuidado.

Las páginas de redes sociales que de repente se vieron inundadas con cebos de clics cayeron en una trampa similar. Su objetivo final estaba claro: proporcionar los contenidos que resultarían más atractivos e interesantes para los usuarios. Para transmitir este objetivo al algoritmo, se elaboró una serie de instrucciones que encontrar contenidos sobre los cuales los usuarios harían más clics. Y no es un mal camino: la gente suele hacer clic en un contenido porque le interesa. Pero hacer selecciones basadas únicamente en los clics inundó las páginas de materiales superficiales y ofensivos que dañaron su reputación. Un humano entendería que los diseñadores de la página querían decir: "Maximizar la calidad, medido por clics" y no "Maximizar los clics incluso a costa de la calidad". Un algoritmo, en cambio, sólo entiende lo que se le ha dicho explícitamente.

Los algoritmos son cajas negras

En la obra de Shakespeare Julio César, un adivino le advierte a César: "¡Cuídate de los idus de marzo!". La recomendación estaba perfectamente clara: César tendría que cuidarse las espaldas. Pero, al mismo tiempo era completamente incomprensible. ¿Cuidarse de qué? ¿Por qué? César, frustrado por el misterioso mensaje, desestimó al adivino: "Es un soñador, dejémosle". De hecho, los idus de marzo resultaron ser malos días para el soberano. El problema fue que el adivino proporcionó una información incompleta. Y no dio ninguna pista acerca de lo que faltaba ni el grado de importancia de esa información.

Como el adivino de Shakespeare, los algoritmos a menudo pueden predecir el futuro con gran precisión, pero no nos cuentan ni la causa de un evento ni el por qué. Un algoritmo puede leer cada artículo del New York Times y decirnos cuál tiene las mayores probabilidades de ser compartido por Twitter sin necesariamente explicar por qué la gente se sentirá inspirada para tuitear acerca de él. También puede decirnos qué empleados tienen las mayores probabilidades de triunfar sin identificar qué atributos son los más importantes para el éxito.

Reconocer estas dos limitaciones de los algoritmos es el primer paso para gestionarlos mejor. Ahora, examinemos las otras medidas que puede tomar para aprovecharlos con mayor éxito.
Objetivos detallados y explícitos

Todos tenemos objetivos y directrices, pero también sabemos que el fin no siempre justifica los medios. Pueden existir metas simples (a menudo no pronunciadas) y contrapartidas. Podemos rechazar pequeños beneficios hoy a cambio de una mejorada reputación mañana. Podemos aspirar a la igualdad incluso cuando provoque dolores organizacionales a corto plazo. Los algoritmos, en cambio, perseguirán la consecución de un objetivo de forma casi obsesiva. La mejor manera de mitigar esto es expresar con una claridad cristalina todo lo que queremos conseguir.
Si le importa una meta simple, tiene que expresarla, definirla y cuantificar su importancia. En la medida en que estas metas son difíciles de medir, manténgalas presentes a la hora de actuar en base a los resultados de un algoritmo.

En Google (que ha financiado parte de nuestras investigaciones en otros temas), surgió un problema de metas simples con un algoritmo que determina qué anuncios mostrar a cada usuario. El profesor de la Universidad de Harvard (EEUU) Latanya Sweeney lo solucionó con un estudio. Encontró que cuando el usuario escribía nombres que normalmente correspondían a afroamericanos, como "Latanya Farrel", en una búsqueda de Google, le mostraba anuncios que se ofrecían a investigar antecedentes penales, pero no así cuando el usuario buscaba nombres como "Kristen Haring".

El objetivo cuantificable de Google de maximizar el número de clics sobre anuncios había dado paso a una situación en la que sus algoritmos, refinados con el paso del tiempo, estaban difamando a personas con ciertos tipos de nombres. Sucedió porque era más probable que la gente que realizara búsquedas con determinados nombres hiciera clic en la oferta de buscar antecedentes penales, lo cual provocó que se mostrara aún más esta oferta, creando así un bucle que se retroalimentaba. Probablemente este no fue el resultado deseado, pero a falta de metas simples, no existía ningún mecanismo para desviar el algoritmo de este camino.


Los algoritmos no entienden las contrapartidas;
persiguen su objetivo de forma casi obsesiva.
Observamos recientemente la importancia de las metas simples en acción. Uno de nosotros colaboraba con una ciudad de la costa oeste de Estados Unidos para mejorar la eficiencia de sus inspecciones de restaurantes. Durante décadas, la ciudad las había estado realizando sobre todo al azar, pero sometiendo los locales con infracciones previas a un mayor escrutinio. Elegir qué establecimientos inspeccionar es un trabajo ideal para un algoritmo, sin embargo. Nuestro algoritmo encontró muchas más variables que resultaba predictivas. El resultado fue que el departamento de salud podría identificar infractores en potencia con mayor facilidad para después encontrar infracciones reales con un número mucho menor de inspecciones.

A los funcionarios les encantó la idea de mejorar la eficiencia del proceso y querían avanzar hacia su implantación. Preguntamos si había alguna pregunta o preocupación. Después de un silencio incómodo, una persona levantó la mano y dijo: "No sé cómo comentar esto, pero hay un problema que deberíamos discutir". Explicó que en algunos barrios con poco espacio, tendían a producirse más infracciones. Resultaba que estos barrios también alojaban a porcentajes más altos de residentes de minorías con ingresos más bajos. No quería que el algoritmo se centrara de forma excesiva en esos barrios. Expresaba una meta simple relacionada con la equidad.

Nuestra solución fue incorporar ese objetivo al algoritmo al fijar un límite en el número de inspecciones a realizar dentro de cada zona. Esto cumpliría con el objetivo cuantificable, identificar los restaurantes con las mayores probabilidades de cometer infracciones, mientras respetaría la meta simple, asegurándose de no centrarse de forma excesiva en los barrios pobres.

Fíjense en el paso adicional que permitió incorporar metas simples: dar a todos la oportunidad de articular cualquier preocupación. Observamos que a menudo la gente formula metas simples en forma de preocupaciones, así que preguntar por ellas expresamente facilita una conversación más abierta y fructífera. También resulta crítico permitir que la gente sea cándida y sincera para que diga cosas que de otra manera no diría. Este enfoque puede destapar una variedad de problemas, pero los que observamos con mayor frecuencia se relacionan con la equidad y la gestión de situaciones sensibles.
Con un objetivo principal y una lista de preocupaciones en mano, el diseñador del algoritmo entonces puede incorporar contrapartidas. A menudo esto implicará ampliar el objetivo para incluir múltiples resultados, ponderados en función de su importancia.
Reducir la miopía

Una popular empresa de envasado de productos de consumo compraba productos baratos en China para venderlos en Estados Unidos. Seleccionaba estos productos después de ejecutar un algoritmo que predecía cuáles se venderían mejor. Efectivamente, las ventas se dispararon y progresaban bien, hasta que varios meses después los consumidores empezaron a devolver los artículos.
Resulta que la tasa sorprendentemente alta y regular de devoluciones podría haberse predicho (aunque el algoritmo no lo había hecho). Era obvio que a la empresa le importaba la calidad, pero no había traducido ese interés en un algoritmo que proyectara cuidadosamente la satisfacción del cliente. En su lugar, había pedido al algoritmo que se centrara de forma estrecha en las ventas. Finalmente, el nuevo enfoque de la empresa era llegar a predecir no sólo las ventas de los productos sino también cuánta gente disfrutaría de los productos y se los quedaría. Ahora la empresa busca ofertas para que los clientes se deshagan en elogios en Amazon y otras plataformas, y la tasa de devolución de productos se ha desplomado.

Esta empresa se topó con un escollo común a la hora de lidiar con algoritmos: los algoritmos tienden a ser miopes. Se centran en los datos que tienen a mano, los cuales se suelen relacionar con los resultados a corto plazo. Puede existir una tensión entre el éxito a corto plazo y los ingresos a más largo plazo y los objetivos corporativos más amplios. Los humanos entendemos esto de forma implícita; los algoritmos no, a no ser que se lo especifiquemos.

Este problema puede ser resuelto en la fase de definición de objetivos al identificar y especificar las metas a largo plazo. Pero al actuar en base a las predicciones de los algoritmos, los mánagers también deberían tener presente hasta qué grado el algoritmo concuerda con los objetivos a largo plazo.

La miopía también es la debilidad subyacente de los programas que producen contenidos de baja calidad al buscar maximizar el número de clics. Los algoritmos se optimizan para un objetivo que pueda ser medido sobre la marcha (si un usuario pincha en un enlace o no) sin que importe el objetivo a más largo plazo ni mantener la satisfacción de los usuarios con su experiencia en la página web.

De forma similar, la miopía puede ser un problema de las campañas de marketing. Consideren la típica campaña publicitaria de Gap con Google. Lo más probable es que de paso a un pico de visitas a Gap.com porque al algoritmo de Google se le da bien predecir quién hará clic sobre el anuncio. El problema es que el objetivo real es aumentar las ventas, no las visitas a la página web. Para afrontar esto, las plataformas de publicidad pueden recopilar datos de venta mediante una variedad de canales, como las asociaciones con sistemas de pago, e incorporarlos en sus algoritmos.

Los algoritmos se centran en los datos que tienen a mano,
que a menudo guardan relación con los resultados a corto plazo.
Es más, las visitas a las páginas web representan un comportamiento a corto plazo, mientras que el impacto longevo de los anuncios incluye los efectos derivados sobre la imagen de la marca y la repetición de visitas. Es difícil encontrar datos perfectos sobre tales efectos, pero las cuidadosas auditorías de datos pueden ayudar mucho. Los mánagers deberían limitar sistemáticamente todos los datos internos y externos que puedan ser relevantes para el proyecto en cuestión. Con una campaña de Google, los responsables de marketing de Gap podrían empezar por definir todos sus objetivos, como las altas ventas, las bajas devoluciones y una buena reputación. Entonces se podrían articular formas de medir cada uno de ellos. Las devoluciones de producto, las críticas por internet y las búsquedas con la palabra "Gap" serían unas buenas métricas. El mejor algoritmo entonces podría construir predicciones con una combinación de todos estos factores, calibrados en función de su importancia relativa.
Escoger los datos adecuados
Volvamos al ejemplo de los departamentos de salud que intentan identificar restaurantes con riesgo de causar intoxicaciones alimentarias. Como dijimos antes, las ciudades históricamente han inspeccionado o bien al azar o de acuerdo a los resultados de inspecciones anteriores. Al colaborar con Yelp, uno de nosotros ayudó a la ciudad de Boston (EEUU) a utilizar las críticas por internet para determinar qué restaurantes tenían las mayores probabilidades de incumplir los códigos de salud al crear un algoritmo que comparaba el texto de las críticas con datos históricos de inspección. Al aplicarlo, la ciudad identificó el mismo número de infracciones, pero con una reducción en la plantilla de inspectores del 40%, un aumento dramático de la eficiencia.

Este enfoque funcionó bien no sólo porque había muchos restaurantes a los que evaluar, sino porque las críticas de Yelp proporcionaron un genial conjunto de datos, algo en lo que no habían pensado demasiado las ciudades. Una crítica de Yelp contiene muchas palabras y mucha variedad de informaciones. Los datos también son diversos, porque son extraídos de distintas fuentes. En resumen, dista mucho de los datos generados por inspector con los que acostumbraban trabajar las ciudades.

Al seleccionar unas adecuadas fuentes de datos, tengan presente lo siguiente:

Cuánto más grande, mejor
Una trampa en la que suelen caer las empresas es pensar en el big data como simplemente muchos registros, por ejemplo, analizar un millón de clientes en lugar de 10.000. Pero esto sólo es la mitad de la cuestión. Imaginen que los datos se organizan en forma de tabla, con una fila para cada cliente. El número de clientes define la longitud de la tabla y la información de cada cliente determina el ancho de las filas. Y mientras que aumentar la longitud de los datos mejorará sus predicciones, la fuerza total del big data procede de la recopilación de amplios datos. Cada detalle adicional que se aprenda sobre un resultado es como otra pista más, y se puede combinar con pistas ya obtenidas. Los documentos de texto son una muy buena fuente de datos amplios, por ejemplo; cada palabra es una pista.

La diversidad importa
Los datos deberían ser diversos por lo que las diferentes fuentes de información no deberían guardar mucha relación entre sí. De allí nace la potencia predictiva adicional. Traten cada conjunto de datos como una recomendación de un amigo. Si los conjuntos de datos son demasiados parecidos entre sí, no existirá demasiada ganancia marginal de cada conjunto adicional. Pero si cada conjunto de datos dispone de una perspectiva única, se creará un valor mucho mayor.

Entender las limitaciones
Conocer lo que su algoritmo no puede decirle es tan importante como lo contrario. Resulta fácil sucumbir a la creencia infundada de que las predicciones realizadas en un contexto se podrán aplicar igualmente bien en otro. Eso es lo que impidió que la competición de Netflix de 2009 proporcionara un beneficio mayor a la empresa: el algoritmo que previó con precisión qué DVD querrían recibir los usuarios por correo no era para nada tan bueno a la hora de identificar qué película querrían ver por streaming en ese mismo momento. Netflix consiguió unos conocimientos útiles y una buena publicidad de la competición, pero los datos que recopilaba sobre DVD no se podían aplicar al servicio de streaming.

Los algoritmos emplean datos existentes para realizar predicciones acerca de lo que podría pasar en un entorno, una población o una hora ligeramente distintos. En esencia, se transfiere un conocimiento de un contexto a otro. Enumerar los motivos por los que el algoritmo podría no ser transferible a un nuevo problema y evaluar su significado es una sabia práctica. Por ejemplo, un algoritmo de infracciones del código de salud basado en críticas e infracciones anteriores en Boston podría resultar menos eficaz en Orlando, Florida (EEUU), donde el clima es más cálido y por tanto se enfrenta a distintos problemas de seguridad alimentaria.

También recuerden que la correlación no implica causalidad. Supongamos que un algoritmo prediga que los tuits cortos serán retuiteados con mayor frecuencia que los largos. Esto de ninguna manera sugiere que deberían acortar sus tuits. Es una predicción, no un consejo. Funciona como predicción porque existen otros muchos factores que guardan relación con los tuits cortos que los hacen ser efectivos. Por esto también falla como consejo: acortar los tuits no necesariamente cambiará esos otros factores.

Consideremos las experiencias de eBay, que llevaba años anunciándose en Google. EBay observó que la gente que veía esos anuncios eran más proclives a realizar compras en eBay que la gente que no. Lo que no observó fue si los anuncios (que se mostraron millones de veces) estaban incitando a la gente a visitar su página. Después de todo, los anuncios se mostraban deliberadamente a los probables compradores de eBay. Para separar la correlación de la causalidad, eBay realizó un largo experimento en el que se anunciaba al azar a algunas personas y a otras no. ¿El resultado? Pues, resulta que los anuncios eran por lo general inútiles, porque la gente que los veía ya conocía eBay y habría hecho compras allí de todas formas.

Los algoritmos capaces de realizar predicciones no eliminan la necesidad de tener cuidado a la hora de establecer conexiones entre la causa y el efecto; no son un sustituto para los experimentos controlados. Pero sí pueden hacer algo muy potente: identificar patrones demasiado sutiles para ser detectados por la observación humana, y utilizar esos patrones para generar indicios precisos e informar mejor a los procesos de toma de decisiones. El reto para nosotros es entender sus riesgos y limitaciones y, mediante una gestión eficaz, liberar su potencial extraordinario