Aprendiendo de Kickstarter y los modelos predictivos

La transparencia de Kickstarter a la hora de rendir cuentas sobre sus proyectos está facilitando su uso para modelos predictivos de diversos tipos que bien merecen una reflexión.

Hace unos meses, mis amigos de BigML plantearon un modelo de machine learning basado en 17.000 campañas que mostraba la relevancia de factores como el número de personas que aportaban donaciones y la magnitud del objetivo  fijado como umbral (las campañas en Kickstarter solo se consideran exitosas cuando se supera el umbral fijado como objetivo por los emprendedores, momento a partir del cual se desembolsan las donaciones). Ahora, tres investigadores de la École Polytechnique Fédérale de Lausanne han desarrollado un modelo capaz de predecir con un razonable nivel de confianza (76%) qué proyectos en Kickstarter van a alcanzar su objetivo y cuáles no, tan solo examinando las primeras cuatro horas de su evolución. El porcentaje de proyectos que alcanzan su objetivo en Kickstarter está actualmente en torno al 44%, de manera que poder contar con una predicción en los primeros momentos del lanzamiento puede resultar de una gran ayuda a la hora de gestionar posibles acciones relacionadas.

Las conclusiones son muy interesantes, fundamentalmente por lo poco sorprendentes, pero también por su más que posible aplicación a otros ámbitos diferentes a los del crowdfunding. Una de las variables que el segundo estudio plantea es la actividad en redes sociales, específicamente las menciones en Twitter. Podríamos posiblemente entrar en discusión sobre si es esa o no la variable adecuada – mi opinión es que no ofrece un panorama completo, y que sería importante valorar las menciones en blogs y medios, que en último término tienen una gran influencia a la hora de generar confianza y atraer donantes al proyecto – pero deja meridianamente claro un hecho: la actividad en redes sociales tiene en el mundo actual una importancia de primer nivel en el éxito de prácticamente cualquier iniciativa – algo que sabemos, de hecho, todos los que habitualmente generamos contenido y tratamos de evaluar su impacto. ¿Puede salvarse una campaña en Kickstarter si recibe una mención positiva en una página de popularidad elevada cuando ya está iniciada? De hecho, existen claramente fenómenos de retroalimentación: en muchas ocasiones, y particularmente en las campañas más exitosas, las menciones surgen como resultado del éxito porque la noticia es la fuerte tracción que alcanza el proyecto, lo que da origen a un clarísimo efecto de arrastre o bandwagon effect.

La causalidad es, como sabemos todos los que trabajamos en investigación, una relación muy traicionera. No es completamente evidente si las menciones en redes sociales conducen al éxito, o si el éxito conduce a las menciones en redes sociales, pero sin duda existe una relación entre ambas. Lo que me lleva a plantear, dejando al margen el tema del crowdsourcing, cuántas empresas son capaces de aplicar modelos predictivos de este tipo a sus lanzamientos de productos o servicios. En realidad, la mayor parte de las compañías que conozco tienden a hacer un análisis post-mortem de sus proyectos: con el evento o la campaña terminados, se recopilan algunos datos con la esperanza de aprender algo de ellos, pero poco más. La capacidad de actuación sobre variables relacionadas con el proyecto suele ser escasa, cuando no directamente nula.

En un entorno caracterizado por lo que hemos dado en llamar “tiempo real”, la inteligencia de negocio correspondiente suele darse, por lo general, todavía “en diferido”. La latencia en el análisis de los datos, bien debida al tiempo necesario para recolectar y almacenar los datos, al requerido para analizarlos y transformarlos en información, o al utilizado para reaccionar a esa información y tomar decisiones, provoca retrasos que pueden en muchas ocasiones hacer imposible una corrección del curso de las acciones.

Resulta llamativo que en un pequeño proyecto de Kickstarter, sus participantes puedan recopilar muchas de las variables necesarias para predecir el éxito a las pocas horas de iniciarse la actividad (ritmo de donación, cantidades donadas, éxito relativo de cada uno de los incentivos, menciones en redes sociales, etc.) y en cambio, empresas grandes con mucho más medios no sean capaces de modelizar y plantear una analítica semejante. En el caso de las redes sociales, las empresas oscilan entre las que no les dan la más mínima importancia (salvo cuando se trata de una crisis comunicativa) y las que las consideran un fin en sí mismo (en modo “¡¡bieeeen, hemos sido trending topic!!) pero que no es vinculado con los objetivos reales de la acción. En ocasiones, la falta de análisis roza lo patético, como cuando se intenta presentar como un éxito el tener muchas apariciones en redes sociales pero basta un somero análisis de las mismas para detectar que se trataban mayoritariamente de menciones con componentes marcadamente negativos.

En este sentido, Kickstarter puede servir como una fuente de inspiración: ¿entendemos el entorno lo suficientemente bien como para poder construir modelos predictivos de ese tipo, accionables en tiempo real en nuestra compañía? Si la respuesta es no… ya sabe: lea más.

(Enlace a la entrada original - Licencia)