Por qué los sitios web aún no pueden predecir exactamente lo que quiere

Debería ser una época dorada para la personalización en Internet y los algoritmos predictivos que la impulsan. Los científicos de datos, apoyados por el impresionante crecimiento de la recopilación y el procesamiento de los llamados macrodatos, pueden extraer patrones de enormes almacenes de datos de navegación y ventas para predecir lo que nos gusta y lo que no nos gusta y adaptarnos las experiencias de marketing.

Los algoritmos predictivos suelen diseñarse para impresionar, y los diseñan a lo largo de los años equipos de doctorados de las mejores universidades. En 2006, Netflix aprovechó estas ideas y ofreció un millón de dólares a cualquiera que mejorara su algoritmo local para predecir las puntuaciones de las películas. Pasaron tres años antes de que un equipo combinado de siete investigadores alcanzara el objetivo de una mejora del diez por ciento en las predicciones. La entrada ganadora no fue un algoritmo sino un conjunto de más cien algoritmos, con nombres exóticos como máquinas de Boltzmann restringidas y descomposición de valores singulares. El big data ejerció sus músculos.

Pero hay un problema. La personalización sigue sin ser muy buena. Los consumidores siguen hablando de ello sobre todo cuando es ridículamente malo. Justo esta semana, mi compañera de trabajo gimió: «Facebook me envió por correo electrónico una lista de mis exnovios, sugiriéndome que fuera su amiga». No era la primera vez. Otro compañero de oficina intervino: «Cuando compré un televisor en Amazon, empezaron a sugerirme otros televisores para que los comprara. ¿De verdad creen que voy a comprar otro?» Para no sentirme excluido, contribuí con mi propio rascador de cabeza: mientras ponía un vídeo de música clásica en YouTube, cucarachas de dibujos animados se arrastraban por encima del reproductor, anunciando servicios de exterminio. Por fin me di cuenta de que acababa de leer una noticia sobre una infestación en la famosa panadería «cronut».

Oh, y está esto: los ingenieros de Netflix hace mucho abandonó los famosos algoritmos que ganó el premio Netflix cuando se enteraron de que «las mejoras adicionales de precisión no parecían justificar el esfuerzo de ingeniería necesario para llevarlos a un entorno de producción».

Es divertido burlarse de los algoritmos predictivos, pero predecir es difícil. Se lo daré a los científicos de macrodatos. Por otra parte, ¿por qué estos algoritmos tampoco gestionan recomendaciones fáciles y obvias?

Ejemplo: en algún lugar, Amazon guarda todas mis compras, incluidos unos 10 pares de zapatos que he comprado en el sitio. Sin embargo, Amazon sigue sin poder filtrar los resultados de búsqueda ni recomendarme zapatos estadounidenses de talla 7.5. ¿Cómo es que no lo sabe? Otro: inicio sesión en el sitio web de mi banco varias veces al mes para pagar las facturas. Los cheques siempre van a parar a dos compañías de tarjetas de crédito, una empresa de servicios públicos y mi proveedor de telefonía móvil, en ese orden. En cinco años, los ordenadores del banco no han descubierto este sencillo patrón. Los sitios de viajes también, si inspeccionaran mis billetes anteriores, podrían saber fácilmente que vuelo en clase económica con el menor número de paradas y salgo de JFK en lugar de LGA si el tiempo de vuelo me obliga a ir al aeropuerto en hora punta.

Todos esos datos y aun así un resultado decepcionante. ¿Qué pasa aquí? Parece que es cuestión de cómo posicionen las empresas la personalización. Lo ven como una herramienta para aumentar las ventas; quieren sacarnos de nuestra zona de confort, comprar cosas nuevas y comprar más cosas. Para lograr ese objetivo, las empresas no pueden limitarse a mirar sus patrones históricos de navegación o compra. En cambio, los científicos de datos buscan rasgos en clientes similares. Cuando posiciona la personalización de esta manera, crea algoritmos que se basan en la búsqueda variables.

Pero los ejemplos que he citado anteriormente sobre los zapatos, el banco y los viajes se basan en invariables como los atributos físicos (el tamaño de sus pies), los acontecimientos cíclicos de la vida (pagar las facturas) o los hábitos (lealtad a la marca). Lo mejor de estas medidas es que las probabilidades de que el usuario coincida con las necesidades son mucho mayores que las probabilidades de predecir las necesidades en función de las variantes de comportamiento.

La personalización invariable se parece menos a una venta adicional y más a un excelente servicio de atención al cliente, una técnica de venta suave que fideliza a los clientes.

Sería mucho más feliz si Amazon eliminara los ocho productos auxiliares que me pueden gustar o no y, en cambio, eliminara los zapatos que no se acerquen a mi talla de los resultados de búsqueda. Sería bueno que mi banco rellenara previamente los pagos de facturas previstos y se limitara a pedirme que confirmara la acción.

Hace poco, la tienda de comestibles online FreshDirect dio un paso prometedor hacia este modelo de personalización. Si busca un producto que haya comprado en el pasado, FreshDirect los pone primero en venta y los etiqueta «Su favorito». Cuando busco «agua», Poland Spring aparece en lo más alto de la lista; si busco «Poland Spring», el ordenador sabe mi pedido estándar de un paquete de seis recipientes de un galón. Ese es el tipo de personalización que puedo respaldar.

Pero entonces, ¿por qué no lo hacen más empresas?

Esta es mi opinión: es demasiado simple. El esfuerzo de ingeniería necesario es modesto: el ordenador solo examina las transacciones pasadas de una persona para personalizar la experiencia. Difícilmente se puede llamar algoritmo a eso, y la técnica es demasiado trivial para incluirla en un curso de aprendizaje automático. Los algoritmos y el aprendizaje automático, la automatización, el procesamiento paralelo masivo son los conceptos con los que la ciencia de datos se ha definido a sí misma. (Consulte, por ejemplo, «Ciencia de datos y predicción» de Vasant Dhar, Comunicaciones de la ACM, diciembre de 2013.).

En resumen, este tipo de victorias fáciles no son lo suficientemente atractivas para los científicos de datos. Y tal vez teman que su esfuerzo pase desapercibido si podemos conseguir una mejor personalización sin que los equipos de doctorados dediquen tres años a crear cientos de algoritmos.

Los científicos de datos son vitales para la economía del futuro y los algoritmos avanzados son una parte muy importante de su trabajo. Pero desde una perspectiva orientada al mercado, la sencillez y las ganancias rápidas deberían formar parte de la caja de herramientas de la ciencia de datos. Incluso Netflix ha dado la vuelta a esto. Ayer mismo se informó de que la empresa reducir drásticamente el número de recomendaciones que hace. Como lo documenta Alexis Madrigal en El Atlántico a principios de este año, Netflix ha hecho la transición desde predecir cómo calificaría una película hasta predecir qué géneros de películas le gustan. En mi blog, Celebré este inteligente cambio estratégico exactamente el tipo de enfoque simple y centrado en los clientes que deberían adoptar más empresas. A pesar de que este último enfoque es, desde la perspectiva de los datos, un desafío benigno, las recomendaciones son más lógicas, precisas y útiles.

Para los vendedores que llevan años esperando la mejor máquina de predicciones, mi consejo es: deje de esperar. Deje de vender con fuerza y empiece a sorprender a los clientes con un servicio de primera clase. Con la personalización, lo simple es lo nuevo y sexy.