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)

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)

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)

Conclusiones del Chilescopio 2014

Escrito por Ruth Alonso el 12 de septiembre 2014

El pasado 27 de agosto de 2014 Netquest tuvo la oportunidad de asistir al evento de Chilescopio y en este post queremos compartir con vosotros esta experiencia.

Fruto de nuestra colaboración con Chilescopio 2014, en esta edición se ha ampliado el enfoque ofreciendo una comparativa de las actitudes de los chilenos hacia las marcas, junto con las de argentinos, peruanos y colombianos.

 chilescopio_ (1)

El estudio de Chilescopio presenta en esta edici√≥n c√≥mo son los chilenos con respecto a otros pa√≠ses a trav√©s de una serie de encuestas realizadas a miembros del panel Netquest en Chile, Argentina, Colombia y Per√ļ. Los resultados generan una idea sobre las tendencias de estilos de vida y consumo en estos pa√≠ses.

Algunas de las conclusiones del estudio son:

  • Chile se destaca en el grado de satisfacci√≥n en desarrollo econ√≥mico por sobre de Argentina Colombia y Per√ļ.
  • Las tem√°ticas que m√°s insatisfacci√≥n generan en los chilenos son: salud, transporte y respeto por los derechos de los trabajadores.
  • A√ļn perteneciendo a un mismo continente, cada pa√≠s de Latinoam√©rica tiene sus particularidades y debe ser estudiado individualmente.

 chilescopio

Para Netquest fue un placer colaborar y agradecemos la entusiasta recepción por parte de las empresas.

Puedes consultar el documento ‚ÄúC√≥mo son los chilenos respeto a otros pa√≠ses‚ÄĚ aqu√≠.

 

Categoría: estadisticas | Estudios | Investigacion de Mercados | LATAM | netquest | Panel | Paneles Online | Sin categor√≠a Trackback | Comentarios(0)

¬ŅLeer√°s este post hasta el final?

Escrito por Oriol Llauradó el 5 de septiembre 2014

Espero que sí, pero la verdad es que vivimos en un mundo abarrotado de estímulos en el que el tiempo es un bien escaso. Toda esta saturación está afectando a nuestra capacidad de concentrarnos sin distracciones.

Leo con interés un estudio realizado por el Lloyds Bank cuya conclusión es que la capacidad de concentración humana ha caído hasta los 5 minutos en 2014  (¡cuando era de 12 en 2004!).

Pensando en nuestra industria, resulta atractivo que desarrollemos lo que podríamos llamar micro metodologías, esto son, tomas de datos en las que obtengamos la información de los consumidores de forma ágil y rápida, respetando su día a día.

Una encuesta de 1-2 minutos es especialmente apta para contestarse a trav√©s del smartphone, en tiempo real, en el momento de la verdad: tras ver un anuncio en TV, ante el lineal de un supermercado, cuando se abandona el carrito de la compra en un e-commerce…

Una encuesta corta no reemplazará nunca un estudio en profundidad, pero puede ser un complemento para enriquecerlo y, a la vez, representa una forma de adaptarnos a los horarios de nuestros encuestados. Una experiencia de participación agradable y conveniente nos garantiza la obtención de unas respuestas más genuinas.

Por √ļltimo, conviene tener presente que los datos recogidos siempre los podremos cruzar con toda¬†informaci√≥n de perfil¬†disponible de los panelistas.

Si todavía no lo has hecho, te animo a incorporar a tu arsenal de investigación las Insta encuestas. Ah, y gracias por haber llegado hasta el final ;-)

 

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

Netquest y Wakoopa unen sus fuerzas – Netquest and Wakoopa join forces

Escrito por Carlos Ochoa el 3 de septiembre 2014

(English version ->)
Netquest, especialista en recolecci√≥n online de datos en Latinoam√©rica, Espa√Īa y Portugal, ha alcanzado un acuerdo para unir sus fuerzas con Wakoopa, proveedor tecnol√≥gico l√≠der en el campo de la recolecci√≥n de datos de comportamiento. Por medio de este acuerdo, Wakoopa pasa ser una empresa subsidiaria propiedad de Netquest.

 

banner_nsp

 

La visi√≥n com√ļn que subyace en este acuerdo es el objetivo de unir la satisfacci√≥n del participante en proyectos de investigaci√≥n con la innovaci√≥n tecnol√≥gica constante. La perfecta integraci√≥n de una amplia experiencia en la creaci√≥n de paneles online con la tecnolog√≠a m√°s avanzada de medici√≥n de la navegaci√≥n permitir√° llevar a cabo una investigaci√≥n fluida de las opiniones y comportamientos de las personas, en cualquier momento, en cualquier lugar, a trav√©s de cualquier dispositivo y bajo cualquier circunstancia.

Ambas compa√Ī√≠as permanecen como entidades independientes, con sus propios clientes y trabajando en sus propios productos, al mismo tiempo que exploran conjuntamente nuevas formas de servir mejor a sus clientes y participantes.

Netquest, fundada en Barcelona (Espa√Īa) en 2001, es el proveedor l√≠der de servicios de panel online para investigaci√≥n de mercados en Am√©rica Latina, Espa√Īa y Portugal, con m√°s de 450.000 consumidores reclutados ‚Äús√≥lo por invitaci√≥n‚ÄĚ dispuestos a dar su opini√≥n en 21 pa√≠ses.

Wakoopa, fundada en Amsterdam (Países Bajos) en 2007, desarrolla tecnología de medición pasiva marca blanca, capaz de registrar una huella digital integral de un participante en su PC, smartphone y tableta. Con total garantía de privacidad.

Germ√°n Loewe, CEO de Netquest: ‚Äú√Čste es un paso importante para Netquest en su camino hacia la creaci√≥n de un sistema de recolecci√≥n de datos totalmente integrado y orientado a la calidad. Este acuerdo extender√° nuestra oferta proporcionando a nuestros clientes datos de comportamiento en PCs, smartphones y tabletas. Wakoopa encaja perfectamente en el esp√≠ritu de Netquest, s√≥lo puedo decir que es genial tenerlos con nosotros.‚ÄĚ

Piet Hein van Dam, CEO de Wakoopa: ‚ÄúLa gente de Wakoopa estamos encantados de unir nuestras fuerzas con Netquest. Sentimos que juntos tenemos la oportunidad de continuar creando productos asombrosos al mismo tiempo que exploramos nuevos territorios basados en las fortalezas de cada parte. Wakoopa sigue concentrada en desarrollar la mejor tecnolog√≠a de medici√≥n pasiva de datos y en hacer llegar esos datos a los clientes.‚ÄĚ

Netquest y Wakoopa estar√°n presentes en el Congreso de ESOMAR que se celebrar√° en Niza entre el 8 y el 10 de septiembre para proporcionar m√°s detalles sobre el acuerdo.

———————————————–

 

 

Netquest, the online data collection specialist for Latin America, Spain and Portugal, has reached an agreement to join forces with Wakoopa, a leading technology vendor in the field of behavioral data collection. By the means of this deal, Wakoopa becomes a fully owned subsidiary of Netquest.

 

post_735_wakoopa_en

 

The shared vision underlying this deal is the aim to unite participants’ satisfaction with constant technological innovation. The perfect integration of online panel know-how with advanced metering technology will enable almost frictionless research on the opinions and behaviors of people at any time, at any place, on any device and under any circumstance.

Both companies remain separate entities, with their own clients and continue to work on their core products, while also jointly exploring new ways for better servicing respondents and clients.

Netquest, founded in Barcelona (Spain) in 2001, is the leading online panel provider for the market research industry in Latin America, Spain and Portugal with more than 450,000 consumers recruited ‚Äúby invitation only‚ÄĚ willing to give their opinions in 21 countries.

Wakoopa, founded in Amsterdam (The Netherlands) in 2007, Wakoopa, founded in Amsterdam (The Netherlands) in 2007, backed by the investors, amongst others, HenQ and Big Bang Ventures, develops white-label passive measurement technology that can track a respondent’s full digital footprint on desktop, smartphone and tablet. Fully privacy proof.

Germ√°n Loewe,¬†CEO of Netquest: ‚ÄúThis is an important step for Netquest in its journey to create a fully integrated, quality focused data collection system. It will expand our offer by providing clients with behavioral data on desktops, smartphones and tablets. Wakoopa is an extremely good fit in the Netquest family and it is just great to have them on board.‚ÄĚ

Piet Hein van Dam,¬†CEO of Wakoopa: ‚ÄúWe at Wakoopa are thrilled to join forces with Netquest. We feel that together we have the opportunity to continue building amazing products while also exploring new territories based on each other‚Äôs strengths. Wakoopa remains focused on building the best passive measurement technology and bringing these data and insights to clients.‚ÄĚ

Netquest and Wakoopa will be present at the ESOMAR Congress in Nice September 8-10 to provide more details about the deal.

Categoría: Investigacion de Mercados | netquest | Sin categor√≠a | Software | tecnolog√≠a Trackback | Comentarios(0)

Netquest colabora en el estudio ‚ÄúChilescopio: c√≥mo somos los chilenos‚ÄĚ

Escrito por Cristina Medina el 22 de agosto 2014

El pr√≥ximo mi√©rcoles 27 de agosto por la ma√Īana tendr√° lugar la presentaci√≥n del reconocido estudio Chilescopio 2014: c√≥mo somos los chilenos.

Chilescopio: cómo somos los chilenos

 

En la presentaci√≥n se expondr√°n algunos de los principales resultados de este estudio. Se trata de un proyecto de investigaci√≥n pionero, el m√°s reconocido sobre tendencias de los chilenos, que se realiza desde 2005 por la consultora Visi√≥n Humana y que este a√Īo cuenta con la colaboraci√≥n de Netquest.

Adem√°s se presentar√° tambi√©n la comparaci√≥n de los resultados chilenos con los hallados en los estudios realizados en Argentina, Colombia y Per√ļ. Esta comparaci√≥n permitir√° conocer mejor c√≥mo son y cambian los chilenos, informaci√≥n fundamental para que las marcas puedan evolucionar en sinton√≠a con las nuevas tendencias.

El evento tendrá lugar en la Sala Bicentenario, Centro Cívico Vitacura. Avenida Bicentenario 3800, Vitacura, de las 8:30 a las 10.30.

Para mayor información: contactos@visionhumana.cl  o +562 2665 1551

¬°Los esperamos!

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

São Paulo 02/09: La investigación provocativa

Escrito por Cristina Medina el 20 de agosto 2014

¬ŅQuieres saber qu√© es la investigaci√≥n provocativa?¬†Ven el pr√≥ximo d√≠a 2 de septiembre a la 3¬™ Jornada Netquest Brasil y desc√ļbrelo. El evento es gratuito y tendr√° lugar en el Edificio Spazio JK, en la ciudad de S√£o Paulo (Brasil).

 

A pesquisa provocante - 3ª Jornada Netquest Brasil

Atrévete a provocar nuevas oportunidades para su investigación. Ven a conocer las nuevas herramientas, nuevas ideas, nuevas tecnologías y nuevas metodologías.

 

banners_rrss_ponentes-06 banners_rrss_programa-03 banners_rrss_registro-07

 

¡Bienvenidos a la 3ª Jornada Netquest Brasil!

 

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

Correlación no es causalidad

Escrito por Carlos Ochoa el 13 de agosto 2014

Me ha parecido muy oportuno el post publicado en Xataka Ciencia,  en un momento en el que tanto se habla de BIG DATA como la herramienta que debe gobernar la investigación y el desarrollo del conocimiento. En este post Sergio Parra nos recuerda una máxima que un investigador no debe olvidar: correlación no implica causalidad. Dicho en otras palabras, que dos hechos sucedan al mismo tiempo no significa que necesariamente uno sea causa del otro. Olvidar esta máxima, conocida como CINAC (Correlation is not a cause) nos puede conducir a conclusiones erróneas de consecuencias a menudo dramáticas.

Existen muchos ejemplos de este fen√≥meno. En Xataka mencionan ¬†el pol√©mico asunto de la homeopat√≠a. Los consumidores de este tipo de productos perciben una mejor√≠a en su patolog√≠a y la atribuyen al producto ingerido, cuando la mejora podr√≠a deberse a una simple remisi√≥n espont√°nea o a un efecto sugestivo indirecto (aunque tambi√©n podr√≠a argumentarse que eso puede considerarse una causa de curaci√≥n). Desde la web de¬†Spurious Correlations¬†nos ofrecen curiosos ejemplos de hasta qu√© punto podemos llegar a conclusiones absurdas si establecemos esta clase de relaciones con datos estad√≠sticos… por ejemplo, podr√≠amos llegar a decir que la inversi√≥n de USA en ciencia, espacio y tecnolog√≠a es la causa de los suicidios por estrangulamiento. En realidad, ambos hechos tienen una correlaci√≥n enorme (0,99), pero eso, en s√≠ mismo, no significa gran cosa.

 

6628992199163904

Sin duda la b√ļsqueda de correlaciones est√° en el coraz√≥n de la revoluci√≥n del conocimiento que estamos viviendo hoy en d√≠a. Sin ir m√°s lejos, es la clave del √©xito de Google. La prodigiosa capacidad del buscador para mostrar el contenido que est√°s buscando, corrigiendo incluso el t√©rmino de b√ļsqueda empleado, se basa en el an√°lisis de coincidencias. En una entrevista publicada recientemente en Research World,¬†Kenn Cukier (Data Editor en The Economist y coautor de ‚ÄúBig Data: Una revoluci√≥n que transformar√° el modo en el que vivimos, trabajamos y pensamos‚ÄĚ), afirmaba lo siguiente:

La causalidad es genial, pero a menudo es muy dif√≠cil de lograr, o si la conseguimos puede que sea demasiado tarde. Si s√≥lo nos fijamos en la correlaci√≥n, a menudo es suficiente.¬†Imaginemos por un momento que somos una gran empresa de productos de consumo. Tenemos una gran variedad de productos y diferentes perfiles de consumidores, y queremos hacer un env√≠o de cupones ofreciendo lo que es m√°s probablemente que compre cada persona y que actualmente no compra, bas√°ndonos en la informaci√≥n de su cesta de la compra habitual. Podr√≠amos hacer estudios y test a ciegas, para descubrir qu√© hay detr√°s de sus decisiones ‚Äď y en muchas ocasiones querremos descubrirlo – pero la correlaci√≥n nos ayudar√° a conseguir lo mismo. Podemos abandonar nuestra devoci√≥n por la causalidad y simplemente confiar en la correlaci√≥n, porque para muchas cosas, es lo √ļnico que verdaderamente necesitamos.¬†

Probablemente buscar correlaciones entre sucesos sea la √ļnica manera razonable de navegar¬†entre la gigantesca mara√Īa de informaci√≥n que generamos hoy en d√≠a. Douglas Edwards, empleado n√ļmero 59 de Google, nos proporciona una ilustrativa historia sobre esta aproximaci√≥n al problema. Douglas, en los inicios de Google, recibi√≥ el encargo de lanzar una campa√Īa de banners para obtener usuarios. Para ello, planific√≥ una investigaci√≥n de mercados, una fase de an√°lisis, contrataci√≥n de agencia publicitaria, pilotos… El lanzamiento requer√≠a 7 semanas. Cuando present√≥ su plan a Sergey Brin, uno de los fundadores, √©ste lo escuch√≥ atentamente y finalmente le dijo “ven ma√Īana con 100 banners diferentes. Eso nos deber√≠a dar suficiente diversidad gen√©tica para ver cu√°les son efectivos. Abandona los anuncios perdedores y vuelve con otros 100 banners el d√≠a siguiente”.

Esta an√©cdota de Google nos lleva al coraz√≥n del debate. En un entorno en el que el coste de experimentar y observar es tan bajo, no necesitamos una comprensi√≥n profunda de cu√°l es la causa de que un cliente haga clic en un banner. Seguramente s√≥lo necesitamos observar qu√© elementos presentes en ese banner correlacionan con el √©xito. Pero, ¬Ņpuede la correlaci√≥n darnos todas las respuestas que necesitamos?, ¬Ņno estaremos renunciando a una parte esencial del problema que podr√≠a conducirnos a nuevos caminos inexplorados?

Categoría: Big data | estadisticas | google | Sin categor√≠a Trackback | Comentarios (2)

Por qué creo que el Big Data no terminará con los investigadores de mercados

Escrito por Oriol Llauradó el 19 de junio 2014

Cada hora se escriben 17 millones de tuits.

Cada minuto se abren 600 blogs.

Y cada segundo se realizan 10.000 pagos con tarjetas bancarias. ¬ŅSigo?

En un solo día generamos una cantidad descomunal de datos y la novedad es que es más fácil que nunca acceder a ellos.

La herramienta para descubrir patrones en este c√ļmulo de informaci√≥n se conoce como Big Data y es la¬†palabra m√°s de moda¬†en nuestro sector.

Confieso que me identifico con los entusiastas del Big Data: poder observar las actividades de miles de personas en tiempo real es una noticia sensacional.

Pero cuidado, el Big Data tiene sus limitaciones:

  • Los datos no hablan por s√≠ solos. Analizarlos¬†requiere¬†un m√©todo para decidir c√≥mo seleccionarlos, qu√© variables generar con ellos o c√≥mo enjuiciarlos. S√≥lo las personas comprendemos el contexto en el que surgen los datos y los podemos conectar y estructurar l√≥gicamente.
  • Con el Big Data podemos saber los qu√©s, pero no los porqu√©s. Hay fen√≥menos, como los motivos que subyacen a nuestros actos, que √ļnicamente los podemos averiguar pregunt√°ndolos.

El Big Data no es la panacea, pero es un complemento fenomenal a los métodos de investigación tradicionales. Es la ocasión de integrar por fin lo que la gente hace (Big Data) con lo que la gente dice (encuestas).

Es probable que en los pr√≥ximos a√Īos veamos cambios dr√°sticos en nuestra industria. Y es deseable que incorporemos las capacidades de otras disciplinas para mejorar nuestras metodolog√≠as.

Pero mi predicción es que los investigadores no solo no desaparecerán, sino que serán más necesarios que nunca, precisamente para procesar e interpretar esta avalancha de datos.

Si todav√≠a no te he persuadido, te comparto un secreto… ¬°hasta los 2 campeones del Big Data hacen encuestas!

Aquí la prueba:

lapruebadeldelito

¬ŅQu√© opinas del Big Data? ¬ŅHas utilizado sus herramientas? Esperamos tus comentarios.

Categoría: Sin categor√≠a Trackback | Comentarios (7)