Cuándo olvidar el espejo retrovisor
Matt Chase
¿Cómo pueden los marketers predecir si el público pagará por ver una nueva película o por descargar una nueva canción? Tales previsiones son notoriamente complicadas. Los investigadores académicos llaman a las películas y las canciones «productos de moda» porque sus ventas están impulsadas por gustos volátiles de los consumidores. Los productos de moda suelen tener ciclos de vida cortos y dependen de decisiones de compra impulsivas.
Una forma de mejorar las previsiones es buscar más datos. Pero nuevo investigación sugiere que con los productos de moda, esto no siempre ayuda. Matthias Seifert de IE Business School y un equipo de colegas examinaron el papel conjunto de los datos históricos y contextuales en los juicios humanos sobre qué productos despegarán y cuáles emitirán. Por ejemplo, ¿cómo sopesa una compañía musical los datos históricos («el álbum anterior de Taylor Swift vendió X copias») con los datos contextuales («Planeamos gastar Y comercializando este álbum») al evaluar los próximos lanzamientos?
Debido a que las industrias creativas son muy dinámicas, los datos históricos no siempre son útiles por sí solos. Aunque se podría suponer que, digamos, una película con un actor de renombre será un éxito, los estudios han encontrado que el poder estelar no es en realidad un predictor significativo de los ingresos de taquilla. Y los datos contextuales tienden a ser subjetivos y cualitativos, lo que aumenta la complejidad del juicio en cuestión.
El equipo de Seifert estudió predicciones sobre dónde entrarían los singles pop en la lista de los 100 mejores. En primer lugar, entrevistaron a 23 altos directivos de cuatro grandes compañías discográficas para identificar «variables predictoras», factores que deberían correlacionarse con el éxito. Estos incluían el presupuesto de marketing para cada sencillo, quién más lanzaba sencillos la misma semana, y si el artista era un artista establecido o una cara nueva. Luego dieron listas de próximos singles, junto con información de variables predictoras sobre ellos, a 92 gerentes de A&R, personas que exploran y reclutan músicos. Durante un período de 12 semanas, los gerentes de A&R completaron cuatro cuestionarios en línea sobre las posiciones probables de entrada en el gráfico de los singles que se les habían asignado, utilizando las variables predictoras para hacer sus pronósticos, 210 en total. Después de eso, los investigadores se sentaron para ver cómo funcionaba cada uno.
Finalmente, categorizaron cada variable predictora como histórica o contextual y realizaron análisis matemáticos para ver qué tipo había funcionado mejor y cómo habían funcionado los dos juntos. Encontraron un aspecto interesante: hacemos mejores juicios sobre la demanda volátil cuando consideramos solo los datos contextuales. Los datos históricos parecían perjudicar la capacidad de los gerentes de A&R para interpretar el contexto.
Dado que los algoritmos pueden predecir las relaciones lineales mucho mejor que el cerebro humano, el equipo de Seifert sugiere dejar que un ordenador tome decisiones en entornos estables donde las predicciones dependen únicamente de datos históricos. Pero al pedirle a alguien que juzgue en un entorno volátil, considere la posibilidad de retener información histórica para que pueda centrarse en la información contextual. Más datos no siempre es mejor.
Acerca de la investigación: «Previsión crítica efectiva en el contexto de los productos de moda», por Matthias Seifert, Enno Siemsen, Allègre L. Hadida y Andreas B. Eisingerich
— Escrito por
