Héroes de la investigación: Santiago Kahane

Escrito por Oriol Llauradó el 30 de octubre 2014

DSC_3732

En esta nueva entrega de nuestra serie “H√©roes de la investigaci√≥n” hemos¬†tenido el gusto de conversar con¬†Santiago Kahane, CEO y co-fundador de Datos Claros, empresa argentina¬†pionera en el desarrollo de soluciones de investigaci√≥n de mercados que aprovechan las nuevas tecnolog√≠as para generar informaci√≥n inspiradora y accionable. Santiago ha presidido tambi√©n la¬†C√°mara Argentina de Empresas de Investigaci√≥n Social y de Mercados (CEIM), organizaci√≥n cuya misi√≥n es promover¬†la √©tica y los est√°ndares de calidad en la investigaci√≥n social.

Empecemos. Santiago, cuando eras peque√Īo, de mayor quer√≠as ser…

Algunos d√≠as bombero y otros, polic√≠a. Tambi√©n tuve una √©poca en la que so√Ī√© con ser futbolista y un poco m√°s de grande m√ļsico y arquitecto. Mi padre, que siempre ha trabajado de modo independiente, sol√≠a decir que una de las cosas que m√°s apreciaba de su trabajo era que, sin dejar de responder a sus m√ļltiples responsabilidades, ten√≠a margen para decidir a qu√© hora levantarse la mayor√≠a de los d√≠as. Los tiempos han cambiado mucho pero esa frase definitivamente me marc√≥, de tanto escucharla. ¬°Lo que quer√≠a ser pod√≠a ir cambiando con los a√Īos, pero la hora de levantarme la iba a decidir yo!

¬ŅCu√°ndo y c√≥mo iniciaste tu carrera en la industria de la investigaci√≥n de mercados?

En el a√Īo 2002, en plena crisis de la Argentina arranqu√© con esto. Soy egresado de la licenciatura en marketing y hasta 1996 hab√≠a trabajado en empresas grandes, la √ļltima hab√≠a sido Wal Mart. Luego trabaj√© de manera freelance en proyectos relacionados con el retail para Carrefour y otras tiendas locales, no tan conocidas internacionalmente. En 2002, que era un momento econ√≥mico muy malo en el que parec√≠a que no hab√≠a mucho por hacer, decid√≠ que una forma de aprovechar el tiempo era estudiando y me puse a hacer un m√°ster en t√©cnicas de an√°lisis de la opini√≥n p√ļblica y mercado. Era algo que ya me interesaba desde que estaba haciendo la carrera universitaria. Digamos que el principal motivo para estudiar marketing fue que quer√≠a entender cu√°les eran las razones por las cu√°les una persona terminaba eligiendo un determinado producto o una marca en vez de otra. Por otro lado, eran los a√Īos del descubrimiento de Internet y en m√≠ prendi√≥ la f√≥rmula investigaci√≥n + internet. Fue as√≠ que decid√≠ lanzar una empresa de investigaci√≥n de mercado enfocada en lo digital, como medio para investigar y como objeto de estudio. A partir de ah√≠, muchas cosas han sucedido hasta llegar a hoy.

Si tuvieras que destacar una ¬Ņcu√°l crees que es la cualidad que deber√≠a atesorar todo investigador social?

Creo que no puede faltar la curiosidad. Tambi√©n creo que debe estar dispuesto a enfrentarse con la angustia que provoca la incertidumbre. La mayor√≠a de las veces, cuando uno se mete en un proyecto nuevo lo hace sin saber con qu√© se va a encontrar. En la mayor√≠a de los casos existen hip√≥tesis pero ninguna certeza. Y a veces ni siquiera hip√≥tesis. Por lo tanto, uno tiene que poder lidiar con la incertidumbre, con el hecho de meternos en algo que no sabemos de qu√© modo va a terminar. Este mismo sentimiento se multiplica por mil cuando decidimos desarrollar una nueva soluci√≥n o una nueva metodolog√≠a. Es decir, no un proyecto espec√≠fico sino una soluci√≥n que va a ser aplicable a muchos proyectos. Ah√≠ s√≠ que la incertidumbre es enorme porque no sabemos si lo que estamos haciendo va a ser v√°lido o si tendr√° alguna utilidad. Ninguna universidad ense√Īa eso, es un temple que se va forjando con la acumulaci√≥n de experiencias.

¬ŅC√≥mo te inspiras para crear? ¬ŅQu√© mundos fuera del mundo de la investigaci√≥n te inspiran m√°s?

No sabr√≠a decirlo. Hay muchas cosas por fuera de este mundo laboral que me dan placer y me inspiran. El deporte, y en particular el f√ļtbol, es una de ellas. Jugar con mis hijos es otra. La m√ļsica y la lectura tambi√©n. Soy bastante contemplativo, de estar por la calle o en una plaza y quedarme observando algo. Pero las ideas se me ocurren de un modo bastante azaroso. Puedo estar ba√Ī√°ndome o despertarme de un sue√Īo y de golpe aparece una soluci√≥n a un problema que me parec√≠a enorme.

¬ŅCu√°l dir√≠as que es la investigaci√≥n o el proyecto m√°s interesante que has llevado a cabo?

El proyecto m√°s interesante ha sido crear y trabajar para hacer crecer a esta empresa y que crezcan las personas que trabajan en ella. Hace muchos a√Īos que no estoy metido en los pormenores de cada proyecto sino m√°s bien en el desarrollo de la empresa. En imprimirle una visi√≥n y tratar de alinear todas las fuerzas para que esa visi√≥n se desarrolle. Otro proyecto muy desafiante ha sido presidir la c√°mara de empresas de investigaci√≥n de mercado de Argentina (CEIM), labor que culmin√© en Junio de 2014. En este per√≠odo hemos logrado consensuar una idea de lo que queremos que la c√°mara sea y estamos trabajando muy duro para darle visibilidad como el √≥rgano referente de las empresas que trabajan en esta actividad en la Argentina.

¬ŅC√≥mo definir√≠as el momento en el que se encuentra nuestro sector? ¬ŅQu√© se deber√≠a cambiar para agregar valor a las otras piezas del marketing y en √ļltima instancia al ciudadano?

Creo que nuestro sector se encuentra en un momento muy particular, de mucho cambio como no lo ha habido en los √ļltimos 50 a√Īos. Ya sabemos que las cosas no van a ser en el futuro como lo han sido hasta ahora. El problema es que no tenemos del todo claro c√≥mo es que van a ser. Personalmente creo que el cambio m√°s grande va a pasar por nuestra funci√≥n. Porque lo que est√° sucediendo es que est√°n cambiando radicalmente los modos de obtener datos. Hay cada vez mayor cantidad de datos comportamentales disponibles y empresas de extracci√≥n tecnol√≥gica mucho mejor preparadas que nuestra industria para acceder a ellos y ordenarlos. Pero nosotros seguimos teniendo una mezcla muy valiosa de profesionales de diferentes especialidades capaces de dar sentido a esos datos en contexto y transformarlos en informaci√≥n √ļtil. Es por eso que yo creo que el futuro nos va a encontrar mucho m√°s lejos de la funci√≥n de obtener los datos (v√≠a encuestas, entrevistas o lo que sea) y mucho m√°s cerca del trabajo con los clientes, dando sentido a los datos, ayud√°ndolos a tomar decisiones de negocio concretas e incluso ayudarlos en la implementaci√≥n. Eso cambia radicalmente nuestra funci√≥n y podr√≠a considerarse hasta sacr√≠lego, ya que hasta ahora el research no se met√≠a en el terreno de la ejecuci√≥n, m√°s a√ļn lo ten√≠a prohibido. Pero los tiempos han cambiado y lo que vemos, discutible pero real, es que las muestras probabil√≠sticas se usan cada vez menos. En el futuro creo que nuestro conocimiento se va a utilizar en desarrollar los modelos anal√≠ticos que le permitan a nuestros clientes decidir de qu√© modo manejarse con ciertos clientes y de qu√© otro modo con otros, en funci√≥n de una suma de declaraciones estructuradas y no estructuradas y de patrones comportamentales.

Ante unos consumidores cada vez m√°s conectados, m√°s fragmentados, con menos tiempo disponible y, m√°s all√° de las encuestas on-line, ¬Ņqu√© m√©todos o innovaciones crees que ser√°n indispensables para acercarnos a ellos?

Adem√°s del poco tiempo disponible, una de las cosas que yo veo que define los tiempos actuales es la cantidad de est√≠mulos a los que estamos expuestos. No nos da tiempo de adaptarnos a uno incre√≠ble que ya aparece otro m√°s incre√≠ble a√ļn. Esto atenta contra nuestra capacidad de sorprendernos. Es tanto y tan r√°pido que cualquier cosa parece natural. Si me dicen que en alg√ļn momento vamos a poder estar f√≠sicamente en dos lugares al mismo tiempo yo me lo creo. Por otro lado, nuestra actividad requiere de personas comprometidas con lo que nos dicen, entusiasmadas, sinceras. Entonces, m√°s all√° de puntualizar en determinados m√©todos, cualquiera que sea va a tener que enfrentarse con esto. Vamos a lograr colaboraci√≥n de la gente si lo hacemos de un modo que interfiera lo menos posible con su vida. Y cuando debamos interferir, que lo hagamos de un modo interesante, atractivo, divertido.

¬ŅC√≥mo te imaginas que ser√° la investigaci√≥n dentro de 10 a√Īos? ¬ŅA qu√© retos piensas que nos enfrentaremos, especialmente en Latinoam√©rica?

Buena parte de c√≥mo me la imagino ha sido expresado en mis respuestas anteriores. Respecto de los retos en Latinoam√©rica identifico dos cuestiones como las m√°s importantes. La primera tiene que ver con que nuestras sociedades est√°n menos desarrolladas que las norteamericanas o europeas. Cuando en 2003 ac√° nos costaba much√≠simo vender una encuesta online, en Europa o Estados Unidos ya eran algo habitual. Eso hace que en cualquier momento determinado que uno elija para sacar una fotograf√≠a, se va a encontrar con soluciones de research m√°s desarrolladas en otros pa√≠ses que en los nuestros. B√°sicamente porque lo que all√≠ se empieza a adoptar hoy, aqu√≠ reci√©n se empieza a incorporar unos a√Īos despu√©s. Y para ese momento las empresas for√°neas que operan aqu√≠ ya tienen una experiencia ganada que aqu√≠ no existe. La segunda cuesti√≥n, relacionada con la primera, tiene que ver con nuestra distancia de los lugares en donde se definen las grandes direcciones. Aqu√≠ no me refiero a las filiales de las globales sino de las empresas verdaderamente locales, fundadas y financiadas con capital local. La semana pasada hablaba con el CEO de una gran empresa emergente de investigaci√≥n europea y √©l me contaba sobre los pitch que le llegaban, infinitamente m√°s voluminosos que los que recibimos aqu√≠. El tema es que las casas matrices de la mayor√≠a de las marcas con las que trabajamos no est√°n ni en Santiago, ni en Bogot√° ni en Buenos Aires, ni siquiera en San Pablo o en el DF. Entonces creo que para las empresas latinoamericanas los retos pasan por mantenernos a la altura en el desarrollo de soluciones y por llegar a los lugares donde se toman las grandes decisiones y convencer a las grandes empresas de aqu√≠ para que inviertan en desarrollar el talento local.

¬ŅQu√© pel√≠cula recomendar√≠as ver o qu√© libro recomendar√≠as leer a todo investigador/a?

A investigadores y no investigadores también: El día que Nietzhe lloró de Irvin D. Yalom y Cinema Paradiso de Giuseppe Tornatore. Ambos me hicieron emocionar.

Y por √ļltimo, tu lema vital en 1 tuit…

Todo es relativo, por eso nunca pierdas la humildad cuando las cosas te salen bien, ni te creas el peor cuando las cosas te salen mal.

Categoría: H√©roes de la investigaci√≥n | Investigacion de Mercados | LATAM Trackback | Comentarios(0)

¬ŅQu√© es un An√°lisis Conjoint?

Escrito por Ferran Savín el 29 de octubre 2014

Un análisis conjoint es una metodología de investigación que mide el valor que tiene para el consumidor cada uno de los atributos que forman un producto o servicio. Y lo hace sin  preguntar directamente sobre el atributo en sí mismo, algo que sería poco realista. Lo hace mediante comparaciones de productos con diferentes configuraciones de atributos. Este análisis permite determinar qué combinación forma el mejor producto posible para el consumidor.

¬ŅEs Netquest Conjoint √ļtil para mi trabajo?

Probablemente sí. El análisis Conjoint se aplica en muchos sectores y en todo tipo de empresas; operadores de telefonía, instituciones financieras, empresas de software, agencias de viaje, farmacéuticas, empresas de gran consumo, empresas del ámbito de la salud, inmobiliarias, etc.

Por lo tanto, si tu trabajo consiste, por ejemplo, en definir qué características debe tener un producto o servicio, encontrar la disposición a pagar por un producto (WTP- Willingness To Pay), hacer simulaciones de cuotas de mercado o analizar diferentes escenarios competitivos, un análisis Conjoint es esencial para ti.

conjoint

Sabemos que como investigador puedes dudar si utilizar o no esta potente herramienta por la complejidad técnica que conlleva. Por eso Netquest lanza al mercado una solución integral, para que no debas preocuparte de cuestiones técnicas. Podrás llevar a cabo estos valiosos estudios sin necesidad de que adquieras un software especializado ni de incorporar expertos en tu equipo.

Netquest Conjoint: una solución integral

Adem√°s de ofrecer una soluci√≥n integral, en la que un √ļnico proveedor te ofrecer√° la muestra, la programaci√≥n de la encuesta y el an√°lisis conjoint, podemos suplir algunas carencias de los software existentes. Por ejemplo, podemos ofrecer dise√Īos experimentales a medida (sin restricciones), te aportamos nuestro know-how en encuestaci√≥n y te evitamos engorrosos problemas de integraci√≥n con otros softwares.

Visita nuestra web y ap√ļntate a nuestro curso gratuito de 10 c√°psulas informativas titulado ‚ÄúConjoint: todo lo que necesitas saber‚ÄĚ. Adem√°s podr√°s descargarte el white paper ‚ÄúDise√Īando productos con la metodolog√≠a Conjoint‚ÄĚ y la primera versi√≥n en castellano del libro ‚ÄúM√©todos de elecci√≥n discreta con simulaci√≥n‚ÄĚ del profesor Keneth E. Train.

Contacta con nosotros para pedir más información sobre nuestro servicio Netquest Conjoint.

¡Atrévete!

Categoría: Encuestas Online | Innovaci√≥n Trackback | Comentarios(0)

Big Data, los datos nunca hablan por sí solos

Escrito por Carlos Ochoa el 27 de octubre 2014

Nunca antes en la historia los datos hab√≠an sido tan abundantes. Los generamos a un ritmo jam√°s visto. Seg√ļn Dave Turek,¬†vicepresidente de supercomputadoras de IBM,¬†entre el inicio de la historia humana y el a√Īo 2003, nuestra especie gener√≥ 5 exabytes (5.000 millones de GB) de informaci√≥n. En 2011, empezamos a generar 5 exabytes de datos¬†cada dos d√≠as, y en 2013, se esperaba que esa cantidad se generase¬†cada 10 minutos. Es la era del Big Data.

 

bigdata

 

¬ŅPodr√°n las infraestructuras tecnol√≥gicas – capacidad de c√°lculo y especialmente de almacenamiento – soportar semejante cantidad de informaci√≥n? ¬ŅO sufriremos un colapso tecnol√≥gico? Existen dudas al respecto. Pero yo quer√≠a escribir acerca de otro posible colapso, el colapso informativo.

Al respecto, os recomiendo la lectura de la entrevista que EL PAIS realizaba a Roberto Rigobon, profesor en el Centro Sloan de Administración de Empresas del MIT. Roberto nos recuerda algunos principios básicos que todo profesional de la investigación de mercados debería tener muy presentes: los datos, en sí mismos, no son importantes, para sacarles partido se necesita el factor humano.

 

roberto_rigobon

 

Seg√ļn Rigobon, existe una gran diferencia entre tener datos y tener informaci√≥n. Cada d√≠a se acelera nuestra capacidad de generar datos, pero eso no significa que estemos generando m√°s informaci√≥n ni que extraer esa informaci√≥n sea f√°cil.

Me quedo con esta frase de la entrevista: “Los datos nunca hablan por s√≠ solos. Los datos son como los criminales: puedes hacerlos confesar, pero no siempre te van a dar la informaci√≥n que t√ļ quieres”.

Seg√ļn Rigobon, para resolver este problema, las empresas pronto van a tener un director de datos igual que tienen a un director financiero o de operaciones.

Podéis leer la entrevista íntegra aquí.

Categoría: Big data | Investigacion de Mercados | Noticias Trackback | Comentarios(0)

Predecir lo impredecible

Escrito por Carlos Ochoa el 24 de octubre 2014

El ser humano ha hecho grandes progresos en su capacidad de predicci√≥n. Escribo dos simples letras en Google, “eb”, y recibo sugerencias sobre el brote del “√©bola” en el mundo, justo lo que quer√≠a encontrar. Estos progresos nos hacen sobrestimar nuestra capacidad predictiva. Sin embargo, Nate Silver en su libro sobre predicciones, documenta m√°s fracasos que √©xitos predictivos. Y la mayor parte de los fracasos vienen por un exceso de confianza en nuestra capacidad predictiva.

 

bola

 

¬ŅTodo es predecible?

Responder a esta pregunta nos lleva a antiguos debates. San Agustín y los calvinistas creían en la predestinación, lo que nos llevaría a pensar que es posible predecir cualquier cosa aunque no alterar el curso de los acontecimientos. Por el contrario, los jesuitas y Santo Tomás de Aquino creían en la libre voluntad del hombre y por lo tanto en la impredecibilidad.

Con la llegada de la ilustración y la revolución industrial, el debate pasó a moverse en otros términos. Las leyes de la mecánica descubiertas por Newton hablaban de un universo ordenado y perfectamente predecible, gobernado por unas leyes relativamente simples. El ser humano empezó a creer en algo llamado determinismo, sutilmente diferente a la predestinación.

La idea del determinismo queda ilustrada en un principio elaborado por Pierre-Simon Laplace en 1814, conocido popularmente como el demonio de Laplace. Laplace venía a decir que una inteligencia superior que pudiese conocer la posición actual de todas las partículas del universo y que conociese todas las leyes que rigen el mismo, podría predecir perfectamente el futuro. Para esta inteligencia, el futuro sería algo tan evidente como el pasado. Por lo tanto, si el hombre no puede predecir su futuro es por falta de esa inteligencia superior.

 

laplace

La idea del demonio del Laplace ha sido objeto de controversia. Algunos pensadores concluyeron que, en la práctica, el universo sólo se puede conocer hasta cierto punto, lo que nos obliga a hablar de probabilidades. Más recientemente, el descubrimiento de la mecánica cuántica nos ha llevado a pensar que el universo realmente funciona de forma probabilista. Cuando miramos una partícula de cerca, se comporta como una onda y no podemos saber su posición y su movimiento al mismo tiempo. Parece ser que ni siquiera una inteligencia superior puede predecir el curso de las cosas.

 

¬°Pero si apenas predecimos el tiempo!

Bien, aceptemos que no podemos predecir todo, que el universo es intr√≠nsecamente incierto por la forma en que se comportan las part√≠culas. Afortunadamente, la meteorolog√≠a funciona a nivel de mol√©culas, lo que nos evita estos problemas cu√°nticos. Si pudi√©semos conocer las condiciones de la atm√≥sfera con detalle (presi√≥n, temperatura… en cada posici√≥n del espacio) y las leyes que rigen los gases, podr√≠amos predecir qu√© tiempo har√° en el futuro.

Durante varias décadas numerosos científicos han tratado de hacer predicciones meteorológicas basadas en esta idea. Se trata de crear un modelo de la atmósfera, introducir la información de la situación actual de la misma  y simular cómo va a evolucionar con el paso del tiempo. Esta forma de predecir contrasta con métodos basados puramente en la estadística, principalmente dos:

(1) Persistencia: predecir el tiempo que har√° ma√Īana bas√°ndonos en el tiempo de hoy.

(2) Climatolog√≠a: predecir el tiempo bas√°ndonos en qu√© √©poca del a√Īo estamos. Si es invierno, la probabilidad de fr√≠o es m√°s alta.

Sorprendentemente, s√≥lo en las √ļltimas d√©cadas¬†las previsiones meteorol√≥gicas han mejorado las predicciones basadas en persistencia o climatolog√≠a. Pese a que cada vez disponemos de datos m√°s precisos y mayor capacidad de c√°lculo para simular la atm√≥sfera, la precisi√≥n de las previsiones ha mejorado muy lentamente. En 1970, una previsi√≥n de temperatura ten√≠a un error promedio de 6¬ļ, en la actualidad de 3,5¬ļ. Un enorme esfuerzo para tan poco resultado. ¬ŅPor qu√©?

 

El efecto mariposa

La respuesta la descubri√≥ Edward Lorentz en 1972. Trabajando en un modelo meteorol√≥gico, Lorentz se percat√≥ de que una peque√Īa imprecisi√≥n en un dato sobre las condiciones iniciales de la atm√≥sfera pod√≠a generar una predicci√≥n clim√°tica completamente diferente a varios d√≠as vista. Una d√©cima de grado de temperatura puede transformar completamente la predicci√≥n. Este efecto, explicado a menudo con la frase “un aleteo de las alas de una mariposa en Brasil puede producir un tornado en Texas”, se conoce como teor√≠a del caos o efecto mariposa. Se produce en sistemas no lineales y din√°micos, en los que el resultado de una predicci√≥n se usa para generar otra, y otra, y otra….

Los modelos meteorol√≥gicos tienen ambas propiedades. Por eso son tan malos haciendo predicciones a largo plazo. Las peque√Īas imperfecciones de los datos se transforman en predicciones grotescas cuando las llevamos demasiado lejos en el tiempo. Nat Silver nos facilita un ejemplo muy interesante de este efecto. Silver compar√≥ la precisi√≥n de una previsi√≥n sobre temperatura hecha con 3 sistemas: (1) un modelo meteorol√≥gico sofisticado, (2) una predicci√≥n basada en persistencia y (3) otra basada en la climatolog√≠a. Los resultados muestran que las predicciones de los modelos meteorol√≥gicos son mejores que las basadas en persistencia o climatolog√≠a, pero s√≥lo a 6 d√≠as vista. Cuando tratamos de predecir m√°s all√°, acertaremos m√°s bas√°ndonos en la climatolog√≠a.

El resultado es sorprendente. No estamos diciendo que la predicción será igual, decimos que será peor. La explicación es que en un modelo dinámico, a medida que me alejo de la situación de inicio, el ruido de los datos se va amplificando cada vez más. El efecto mariposa es devastador.

 

Y pese a todo, un éxito

Pese a todas estas consideraciones, la meteorolog√≠a es una de las pocas disciplinas que han tenido √©xito predictivo. El hurac√°n Katrina de 2005 fue predicho con antelaci√≥n, permitiendo acotar la zona geogr√°fica en la que impactar√≠a con una precisi√≥n de 160 km. Tan s√≥lo 20 a√Īos antes, la precisi√≥n habr√≠a sido de 560 km.

Es posible evacuar una región de 160km en 72 horas y salvar muchas vidas. Si el Katrina mató a 1.800 personas no fue por una mala predicción, fue por malas decisiones en la gestión de la crisis y por la resistencia de la gente a moverse de sus casas. Curiosamente, uno de los factores que jugó en contra fue el huracán que golpeó la misma región en 1965, el Betsy. Estudios realizados indican que haber sobrevivido a un huracán te hace más reacio a abandonar tu casa en el siguiente y reduce tu probabilidad de sobrevivir.

 

katrina

Estamos tan acostumbrado a que los hombres del tiempo acierten, que nos fijamos m√°s en sus errores que en sus aciertos. Pero es indudable que realizan un gran trabajo y han desarrollado un nivel de profesionalidad muy elevado. Sus predicciones gozan de un nivel de honestidad envidiable. Acompa√Īan sus previsiones con una indicaci√≥n de qu√© fiabilidad tienen (“70% de probabilidad de lluvia”), algo que no observamos en predicciones del √°mbito econ√≥mico, por ejemplo.

En próximos posts veremos otros terrenos en los que el hombre sigue sin encontrar las claves de una buena predicción.

Categoría: Art√≠culos | Predicciones | Sin categor√≠a Trackback | Comentarios(0)

¬°Asiste gratis al webinar de Netquest & Esomar!

Escrito por Ruth Alonso el 23 de octubre 2014

Hoy te invitamos a participar en el webinar “Medici√≥n observacional” que vamos a llevar a cabo con ESOMAR. Este seminario online se va a realizar el pr√≥ximo 30 de octubre a las 17h hora Espa√Īa (consulta la hora que ser√° en tu pa√≠s¬†aqu√≠).

post_webinar_esomar

En este webinar, descubrirás qué herramientas necesitas para llevar a cabo un proyecto de medición observacional y te explicaremos un caso de éxito. Además, haremos especial hincapié en la privacidad de los datos recogidos.

Esta conferencia online va dirigida a aquellos investigadores que quieran conocer la tecnología más avanzada de recolección de datos y emprender nuevos retos con sus clientes y será presentada por:

Pepe Tom√°s

Pepe Tomàs

Responsable Global de Operaciones, Netquest

Carlos Ochoa

Carlos Ochoa

Director de Marketing,
Netquest

 

Regístrate ahora gratuitamente y recuerda ¡el webinar está abierto a todo el mundo!

button_webinar_esomar

Si quieres saber más sobre el webinar puedes enviarnos un email a marketing@netquest.com.

Categoría: esomar | Eventos | Herramientas Trackback | Comentarios(0)

Aprende sobre los errores de medición en encuestas con la UPF

Escrito por Ruth Alonso el 17 de octubre 2014

Hoy os queremos invitar al curso del RECSM ‚ÄúPredicci√≥n de la calidad de las preguntas con¬†SQP: Mejora de las preguntas y correcci√≥n de errores de medici√≥n‚ÄĚ. Este curso se realizar√° los d√≠as 17 y 18 de noviembre de 2014 en el Campus de la Ciutadella de la Universitat Pompeu Fabra en Barcelona.

recsm

 

La profesora Melanie Revilla, Investigadora del¬†RECSM en la Universidad Pompeu Fabra e Investigadora del R2Online, impartir√° este curso para hablar de ‚Äúel problema de los errores de medici√≥n en la investigaci√≥n mediante encuestas‚ÄĚ.

Esta formaci√≥n va dirigida a ‚Äúprofesionales de empresas vinculados al an√°lisis de encuestas comerciales, investigadores y estudiantes de ciencia pol√≠tica, sociolog√≠a, psicolog√≠a, medicina, econom√≠a y otras disciplinas, que desarrollen encuestas‚ÄĚ.

Lugar:

Universidad Pompeu Fabra (AULA: 54.031)

Roc Boronat, 138

08018 Barcelona

Mapa

Precio:

Profesionales: 400‚ā¨

Profesores e investigadores: 200‚ā¨

Estudiantes: 50‚ā¨

Más información:

recsm@upf.edu

Si te interesa, recuerda que la fecha límite de inscripción es el 5 de noviembre y que las plazas son limitadas. ¡Suscríbete ahora!

Categoría: Barcelona | Encuestas Online | Formaci√≥n Trackback | Comentarios(0)

Apple vs Samsung, que decida un conjoint

Escrito por Ferran Savín el 15 de octubre 2014

Probablemente hab√©is o√≠do hablar del litigio entre Apple y Samsung a ra√≠z de una demanda de la empresa fundada por Steve Jobs. Seg√ļn la demanda, Samsung habr√≠a violado las patentes de algunas tecnolog√≠as empleadas en sus iPhone y iPad.¬†Los da√Īos y perjuicios reclamados por Apple ascend√≠an a m√°s 2.000 millones de d√≥lares. Pero, ¬Ņde d√≥nde sac√≥ Apple esta cifra? ¬Ņc√≥mo es posible evaluar qu√© habr√≠a sucedido en el mercado si Samsung no dispusiese de esas prestaciones? ¬Ņes posible medir de forma objetiva algo as√≠?

samsung contra apple

Por lo que se ha sabido durante el jucio, la evaluaci√≥n de da√Īos de Apple se fundament√≥ en un an√°lisis conjoint.¬†La finalidad de un an√°lisis conjoint es determinar qu√© aceptaci√≥n va a tener por parte del consumidor una combinaci√≥n de atributos de un producto. Para ello, un conjoint eval√ļa el valor o utilidad que el consumidor otorga a cada atributo. Y lo hace sin tener que preguntar directamente por los mismos, s√≥lo a trav√©s de comparaciones de productos.¬†Esta metodolog√≠a ha acreditado mayor fiabilidad que los estudios convencionales en la evaluaci√≥n de la importancia real que una prestaci√≥n de un producto tiene en la decisi√≥n de compra de un consumidor.

La capacidad de predecir el comportamiento del consumidor convierte a los estudios conjoint en una potente herramienta para valorar situaciones hipotéticas. En el caso concreto del juicio Apple vs Samsung, el objetivo era medir cómo los consumidores valoraban las características de Apple y qué cuota de mercado había perdido por el supuesto plagio de Samsung. Para evaluar la importancia de las prestaciones plagiadas, se realizaron dos estudios online con una muestra de 507 encuestados con teléfonos móviles y otros 459 con Tablet.

 

Y ¬Ņcu√°l fue el resultado?

El resultado del estudio conjoint llevado a cabo por el Profesor Hauser determinó que los consumidores estaban dispuestos a gastar entre 32$ y 102$ adicionales por las prestaciones en litigio. Evidentemente, Samsung contraatacó con otro estudio conjoint donde definía otro tipo de atributos de sus productos, no valorados en el primer estudio, como por ejemplo la duración de la batería. Esta historia ilustra perfectamente una de las fortalezas de los análisis conjoint: la obtención de resultados cuantificables y fiables.

 

Usos del conjoint

El análisis conjoint es una técnica conocida desde hace décadas, que vive una segunda juventud gracias a su uso a través de encuestas online y al incremento de la capacidad de proceso de los ordenadores para abordar análisis más sofisticados.

Hay innumerables firmas que est√°n utilizando esta t√©cnica para dise√Īar productos. Por ejemplo:

  • AT & T en la definici√≥n de funciones del tel√©fono m√≥vil.
  • IBM la utilizaba para definir caracter√≠sticas de sus ordenadores
  • Operadores de telefon√≠a para definir tarifas.
  • MasterCard, lo utiliz√≥ para definir las propuestas de viajes y entretenimiento.
  • Dise√Īo del sistema de seguimiento de FedEx.
  • Habitaciones de los hoteles Ritz Carlton.
  • Embalaje de herbicidas de Monsanto.

La técnica de análisis conjoint cuenta con la confianza de prestigiosos investigadores porque es (1) fiable, ya que obtiene datos mediante simulaciones realistas de situaciones cotidianas de compra, en las cuales el respondiente es forzado a priorizar unas prestaciones renunciando a otras, (2) discrimina, margina mejor la importancia de los atributos de un producto o servicio, y (3) permite simular nuevos productos y calcular cuotas de mercado, entre otras grandes virtudes.

Si el análisis conjoint no goza de mayor popularidad se debe a que es percibido por el investigador como una técnica altamente compleja. En gran medida, es cierto. Los modelos estadísticos que emplea son sofisticados. Pero una vez se obtienen los resultados del modelo (lo que se conoce como utilidades), las posibilidades de análisis y simulación de escenarios son casi ilimitadas. Y la parte positiva es que interpretar y emplear las utilidades está al alcance de cualquier investigador.

Atendiendo al interés que despiertan estos estudios, en Netquest hemos empezado a ofrecer a investigadores profesionales un servicio conjoint que permite ejecutar este tipo de estudios sin necesidad de adquirir software especializado, ni tener un conocimiento técnico del funcionamiento de los algoritmos ni de las técnicas estadísticas propias del conjoint.

Os animamos a que deis el salto a esta metodología. Para ayudaros, en los próximos días iremos publicando una serie de 10 post-tutoriales en los que explicaremos cada uno de los elementos a tener en cuenta para desarrollar tu propio estudio conjoint.

Categoría: Herramientas | Innovaci√≥n | Investigacion de Mercados Trackback | Comentarios(0)

Zorros y erizos, buenos y malos predictores

Escrito por Carlos Ochoa el 13 de octubre 2014

Uno de los cap√≠tulos m√°s interesantes de La se√Īal y el ruido, de Nate Silver, est√° dedicado a la cuesti√≥n de si algunas personas predicen mejor que otras.

zorroyerizo

Silver emplea las predicciones pol√≠ticas¬†como terreno de juego de su an√°lisis. En concreto, se fija en un programa televisivo de Estados Unidos, The McLaughlin Group. Este programa re√ļne semanalmente un panel de expertos pol√≠ticos que debaten sobre diferentes cuestiones y que finalizan su intervenci√≥n con varias predicciones sobre la actualidad pol√≠tica. Las predicciones deben formularse en pocos segundos. Son tanto sobre temas sugeridos por el presentador como propuestos por el propio experto.

Durante el programa los expertos suelen manifestar predicciones con tanta rotundidad como poca base documental y estad√≠stica. Algunos de ellos no dudan en predecir una victoria de un candidato a la presidencia que cuenta con todas las encuestas en contra, dando a entender que manejan alg√ļn tipo de informaci√≥n privilegiada al respecto.

As√≠ que Silver decidi√≥ analizar las 1.000 √ļltimas predicciones del panel de expertos, para medir de forma objetiva su capacidad de acertar. El resultado fue el siguiente:

  • Predicciones completamente acertadas ………….. 39%
  • Mayoritariamente acertadas…………………………… ¬†7%
  • Parcialmente acertadas, parcialmente falsas……. ¬†8%
  • Mayoritariamente falsas ……………………………….. 10%
  • Completamente falsas …………………………………… 37%

Los datos mostraban que lo expertos apenas acertaban m√°s que una moneda lanzada al aire. ¬ŅEste nivel de aciertos es algo habitual entre supuestos expertos? Philip Tetlock, tras formularse la misma pregunta, decidi√≥ estudiar predicciones de expertos, tanto del mundo acad√©mico como gubernamental. Sus resultados mostraron que no es as√≠: algunos expertos aciertan, de forma consistente,¬†m√°s que otros. Es decir, existen buenos y malos predictores.

El zorro y el erizo

Tetlock se dedicó a estudiar qué rasgos de personalidad caracterizaban a los buenos predictores frente a los malos. Dio con dos perfiles muy diferenciados: los zorros y los erizos.

Los erizos son aquellas personas que creen en ideas rectoras que gobiernan el mundo, convencidos de que todo puede ser explicado y comprendido. Son personas de fuertes convicciones, que buscan una victoria clara al enfrentarse a un problema. Karl Marx o Sigmund Freu encajarían en este perfil.

Los zorros, por el contrario, son personas que aceptan las imperfecciones del mundo, que creen en una multitud de peque√Īas ideas y que piensan que la mejor forma de afrontar un problema es emplear diversas aproximaciones. Son m√°s tolerantes a la incertidumbre, a la complejidad y a la discrepancia de opiniones.

Silver nos facilita una tabla de actitudes t√≠picas de zorros y erizos. ¬ŅSabr√≠as decir en qu√© lado est√°s t√ļ?

 

Cómo piensan los zorros Cómo piensan los erizos
De forma multicisciplinaria: Incorporan ideas de diferentes disciplinas, sin importarle su origen ideológico. Especializada: Habitualmente dedican la mayor parte de sus carreras a uno o dos grandes problemas. Pueden ver con escepticismo las opiniones disruptivas.
Adaptables: Encuentran una nueva aproximaci√≥n – o persiguen m√ļltiples aproximaciones a la vez – si no est√°n seguros de que la aproximaci√≥n original funciona. Leales: Se mantienen fieles a la misma aproximaci√≥n integral al problema. La nueva informaci√≥n que pueda estar disponible se usa para refinar el modelo original.
Autocríticos: A menudo reconocen errores en sus predicciones y asumen su culpa en esos errores. Obstinados: Achacan los errores a la mala suerte o a circunstancias inevitables. Un buen modelo tuvo un mal día.
Tolerantes a la complejidad: Ven el universo como algo muy complejo, hasta el punto de aceptar que muchos problemas fundamentales pueden ser irresolubles o inherentemente impredecibles. Buscadores de un orden: Esperan que el mundo funcione de acuerdo a unas pocas y relativamente simples leyes fundamentales, obtenidas una vez se haya logrado identificar la se√Īal dentro del ruido.
Cautos: Expresan sus predicciones de forma probabilística, matizando sus opiniones. Confiados: Rara vez expresan predicciones con matices y son reacios a modificarlas.
Empíricos: Confían más en la observación que en la teoría. Ideológicos: Esperan que las soluciones a muchos problemas diarios sean manifestaciones de una gran teoría.
Los zorros son mejores predictores Los erizos son peores predictores

 

Tetlock se percat√≥ de que los zorros son mucho mejores predictores que los erizos. Es una cuesti√≥n de actitud. Pensemos en la ca√≠da de la URSS en 1991. Muy pocos analistas pol√≠ticos predijeron dicha ca√≠da cuando, mirando retrospectivamente, gran cantidad de indicios habr√≠a permitido predecirla. Muchos de esos analistas eran erizos y su aproximaci√≥n al problema no fue la correcta para hacer una buena predicci√≥n. Algunos analistas, muy cr√≠ticos con el comunismo, ve√≠an la URSS como un peligro mayor de lo que realmente era a finales de los 80. Su aversi√≥n al r√©gimen de Mosc√ļ les impidi√≥ interpretar correctamente las se√Īales, de todo tipo, que emit√≠a un estado en destrucci√≥n. Otros, m√°s afines a la ideolog√≠a comunista, cometieron el error inverso, infravalorando la importancia de esas se√Īales precisamente porque no quer√≠an verlas. S√≥lo unos pocos analistas fueron capaces de detectar y dimensionar correctamente las se√Īales.

Actitud frente a la información

Como se deduce del ejemplo anterior, la principal carencia de un mal predictor es una mala actitud frente a la información. Supuestamente, cuanta más información tenemos, mejor deberían ser nuestras predicciones. Sin embargo, esa regla no se cumple para el erizo. Frente a información abundante, el erizo se refugia en su idea rectora y filtra convenientemente los datos que recibe, quedándose con aquellos que refuerzan su predisposición inicial.

Esta actitud explica porqué Silver y Tetlock encontraron grandes fallos en las predicciones políticas. En política, es habitual encontrar predictores sesgados, vinculados a una fuerte ideología. Eso condiciona irremediablemente las predicciones. Si a eso sumamos un esquema de incentivos perverso Рuna predicción más temeraria es televisivamente más atractiva Рnos encontramos con un ámbito especialmente castigado por malas predicciones.

Algo parecido sucede con el economía. Pero eso lo veremos en otro post.

Categoría: mercados predictivos | Predicciones | Sin categor√≠a Trackback | Comentarios(0)

¬ŅC√≥mo hacer preguntas abiertas?

Escrito por Ruth Alonso el 8 de octubre 2014

preguntas_abiertas

La mayor√≠a de las preguntas utilizadas en encuestas son preguntas cerradas, es decir, preguntas en las que s√≥lo se permite contestar mediante una serie cerrada de alternativas. Sin embargo, tambi√©n es posible emplear preguntas abiertas, preguntas en las que se permite al encuestado responder cualquier cosa seg√ļn la pregunta, sin presentar una lista de alternativas posibles.

Existen dos tipos principales de preguntas abiertas (Couper et al, 2011): las preguntas abiertas que suscitan respuestas muy cortas (por ejemplo, el lugar de nacimiento o la marca de cerveza preferida) y las preguntas abiertas narrativas, que suscitan respuestas más elaboradas y detalladas (por ejemplo, cuáles crees que serán los próximos desafíos para ti en el futuro).

Las preguntas abiertas narrativas tienen el inconveniente de que las respuestas no pueden utilizarse directamente para análisis cuantitativos, sino que es necesario hacer un trabajo de codificación previo para poder trabajar con esas respuestas. Este trabajo de codificación puede requerir mucho tiempo y ser bastante complicado si las respuestas que han dado los respondientes no son claras respecto a lo que el investigador quería medir con ellas.

Por otro lado, las preguntas abiertas narrativas tienen¬† ventajas: permiten obtener una variedad mucho mayor de respuestas, con contenidos m√°s detallados y ricos en informaci√≥n. Adem√°s, no orientan a los respondientes en ninguna direcci√≥n, y permiten responder de manera m√°s natural, de forma similar a un di√°logo, dando mayor libertad al respondiente para¬† ‚Äúexplayarse‚ÄĚ. Por lo tanto, es frecuente que este tipo de preguntas se adapten mucho mejor a las necesidades de investigaci√≥n que las preguntas cerradas.

preguntas_abiertas

¬ŅC√≥mo usar preguntas abiertas narrativas?

Al usar estas preguntas abiertas narrativas, si la encuesta es administrada por un entrevistador (cara-a-cara o por tel√©fono) el respondiente puede dar una respuesta tan larga como desee. Pero cuando estas preguntas son parte de una encuesta online, es necesario decidir la mejor manera de presentarlas. En particular, hay que elegir el tama√Īo del text box (la caja visual en la que el encuestado escribe su respuesta) y si se a√Īade un contador indicando cuantos caracteres disponibles quedan o no.

Todos los resultados de diferentes investigaciones sobre el impacto del tama√Īo del text box (Christian and Dillman, 2004; Israel, 2010; Smyth et al. 2009) van en la direcci√≥n de que un text box de tama√Īo m√°s grande produce respuestas m√°s largas. Tambi√©n se observa que utilizar un contador indicando cuantos caracteres quedan puede permitir aumentar la media del n√ļmero de caracteres de las respuestas (Emde y Fuchs, 2012).

Adem√°s, Emde y Fuchs (2013) han estudiado la interacci√≥n entre el tama√Īo del text box y el n√ļmero de caracteres del contador. Sus resultados son bastante intuitivos: un contador con m√°s caracteres que el tama√Īo visible del text box inicial produce respuestas m√°s largas, mientras que un contador con menos caracteres produce respuestas m√°s cortas.¬† Parece por tanto que los respondientes toman m√°s en cuenta el contador (cuando hay uno) que la referencia proporcionada por el tama√Īo del text box.

Aparte, Emde y Fuchs (2013) tambi√©n concluyen que tanto el tama√Īo del text box (150 caracteres, o 300, o 600) como la presencia del contador no afectan a la tasa de no-respuesta a la pregunta, y tampoco afectan al n√ļmero medio de temas mencionados. Lo que cambia, por tanto,¬† es el nivel de detalle de las respuestas.

En conclusi√≥n, por lo que se sabe sobre el impacto del tama√Īo del text box y la presencia de un contador, parece recomendable para las preguntas abiertas narrativas utilizar un text box en combinaci√≥n con un contador autorizando m√°s caracteres de los visibles inicialmente (hasta un 33% m√°s). Es preferible que el text box sea de tama√Īo relativamente grande, sin ser exagerado, porque si se combina con un contador con m√°s caracteres, las respuestas ser√°n m√°s largas, y adem√°s, no cambiar√°n el n√ļmero de temas mencionados.

 

Referencias bibliogr√°ficas:

R2Online, http://www.netquest.com/newsletters/r2online/4a_capsula_informativa.pdf

Categoría: estadisticas | sesgo Trackback | Comentarios (1)

La se√Īal y el ruido

Escrito por Carlos Ochoa el 7 de octubre 2014

Ha ca√≠do en mis manos un ejemplar del c√©lebre libro La se√Īal y el ruido, de Nate Silver. He ido a parar a esta lectura despu√©s de una interesante conversaci√≥n con √Ängels Pont, directora del instituto de investigaci√≥n GESOP, sobre mercados predictivos.

La se√Īal y el ruido, de Nate Silver.

Los mercados predictivos constituyen una técnica de investigación innovadora que permite hacer predicciones (sobre cualquier cosa, ya sean los resultados de unas elecciones o de un evento deportivo) dejando que un grupo de individuos puedan comprar y vender acciones de los diferentes resultados posibles. El valor de este mercado bursátil de opiniones refleja el resultado más probable.

Hablaremos en otro post sobre mercados predictivos, pero la idea tremendamente seductora que mueve esta técnica y que poco tiene que ver con la investigación de mercados tradicional, es preguntar a la gente su opinión sobre la posibilidad de que se produzca un evento en lugar de su posición personal respecto a dicho evento.

Veamos un ejemplo: predecir el resultado de unas elecciones. En un estudio clásico seleccionamos una muestra altamente representativa de electores y les preguntamos a qué candidato piensan votar. Si la muestra se ha creado correctamente, podremos inferir el resultado más probable de las elecciones dentro de cierto intervalo de error. Una muestra más grande nos permite reducir el intervalo de error.

Pero, ¬Ņqu√© suceder√≠a si preguntamos a una muestra de personas qui√©n creen que va a ganar las elecciones en lugar de qu√© candidato piensan votar? Diversas experiencias muestran la extraordinaria capacidad predictiva de las personas, algo a lo que Arist√≥teles llamaba la sabidur√≠a de las masas en su Pol√≠tica.

Aristóteles

Como t√©cnica, los estudios predictivos no tienen nada que ver con un muestreo cl√°sico. Nuestro universo ya no lo componen personas que votan, sino la informaci√≥n que poseen las personas sobre qu√© votar√°n los dem√°s. Cada persona contiene mucha m√°s informaci√≥n que su propia intenci√≥n de voto: sabe lo que votar√≠a √©l pero tambi√©n c√≥mo votar√°n las personas de su entorno, ha visto resultados de sondeos, puede estar informada sobre el estado de la opini√≥n p√ļblica… Es por ello que una muestra realmente peque√Īa de opiniones personales puede darnos una buena predicci√≥n.

Pero, ¬Ņc√≥mo debe seleccionarse una muestra de predictores? ¬Ņexisten personas con mayor capacidad de predicci√≥n que otras? ¬Ņen qu√© medida influye en la capacidad de predicci√≥n el conocimiento de la muestra sobre el tema tratado? Alexander Wheatley¬†y¬†Hubertus Hofkirchner¬†presentaron en el ESOMAR CONGRESS de Niza¬†los resultados de algunos estudios experimentales al respecto. Sometieron a una muestra de panelistas a diferentes preguntas de naturaleza predictiva: qu√© precio crees que tendr√° el nuevo iPAD mini 2 el d√≠a de su lanzamiento, resultados deportivos, c√≥mo crees que se comportar√°n otras personas en una situaci√≥n dada… Algunos de los aprendizajes de Wheatley y Hofkirchner fueron los siguientes:

  • En general las personas poseen capacidad predictiva. En cualquiera de los temas tratados la capacidad de predicci√≥n de la muestra superaba el acierto por puro azar.
  • Destacaron la capacidad de predicci√≥n del comportamientos y opiniones… ¬°de los dem√°s! Preguntaron a una muestra de personas si ten√≠an intenci√≥n de recoger su bandeja cuando acabasen de comer en un restaurante autoservicio. La respuesta del “s√≠” fue del 50%. Al preguntar a la misma muestra qu√© porcentaje del resto de personas cre√≠an que lo har√≠an, la respuesta fue de 15%. El dato real observado fue del 13%.
  • Algunas personas son mejores prediciendo que otras. Y no estamos hablando del caso de J.A. y el tribunal de cuentas espa√Īol. Estudios longitudinales mostraron que algunos individuos superaban la media de aciertos de forma consistente a lo largo del tiempo, sobre diferentes temas.
  • La calidad de una predicci√≥n depende de la cantidad de informaci√≥n al alcance de las personas, el esfuerzo que dedican a la predicci√≥n, su objetividad y la dificultad de la predicci√≥n.
  • El acierto no depende directamente del tama√Īo de la muestra. Un √ļnico individuo muy informado y con gran capacidad puede ser m√°s certero que una muestra m√°s amplia de predictores mediocres.
  • Una buena muestra de predictores no depende tanto del tama√Īo como de la diversidad y de la inteligencia que contenga.¬†Jed Christianson, de la Universidad de Birmingham, considera que 16 personas es m√°s que suficiente para hacer buenas predicciones.
  • La forma en que deben agregarse las predicciones individuales de una muestra es seleccionando la mediana de las predicciones, no la media.

Parte de las razones que explican la capacidad de predicci√≥n de un individuo vienen explicadas en el libro cuyo t√≠tulo preside este post. Las personas hacemos predicciones usando dos componentes: la se√Īal, que es informaci√≥n correcta, y el ruido, informaci√≥n irrelevante que nos aleja de la se√Īal. Si agregamos predicciones de personas independientes y no sesgadas, podemos llegar a cancelar el ruido y acercarnos a la se√Īal que buscamos.

En su libro, Nate Silver profundiza en cómo hacemos predicciones y qué características tiene un buen predictor. A través de numerosos ejemplos, que abarcan desde predicciones políticas, deportivas, económicas e incluso meterológicas, Silver identifica qué hace buena una predicción y qué caracteriza a los buenos predictores. Y a los malos.

En pr√≥ximos posts iremos desgranando algunas de las claves facilitadas en este interesante libro. En cualquier caso, os animo a leerlo, porque en los detalles y en el estilo narrativo del autor est√° gran parte de la informaci√≥n √ļtil. Es decir, la se√Īal.

Categoría: esomar | Estudios | Herramientas | Innovaci√≥n | mercados predictivos | Predicciones | Sin categor√≠a Trackback | Comentarios (1)