La segmentación y el mercado electoral

Para bien o para mal, clasificar nos ayuda a dirigirnos de forma contundente a un grupo. Hablarles en su propio lenguaje, con sus propios códigos y prioridades le dio la reelección a Obama en 2012, el sí al Brexit y la presidencia a Trump.

Por: David Lampón (@dvdlmpn)

Recuerdo una revista en mi adolescencia en la que utilizaban estrategias de publicidad y mercadeo basadas en cuestionamientos como: Y tú, ¿qué signo zodiacal eres? Yo soy aries y por tanto, de acuerdo con un portal de astrología debo ser demasiado posesivo, algo rebelde y agresivo. Este tipo de estrategias eran un éxito total entre los adolescentes, quienes buscaban de alguna forma clasificar a sus contemporáneos para facilitar el complejo arte de la socialización.

La necesidad imperante del ser humano para acentuar diferencias entre grupos e identificar características homogéneas al interior de cada uno hace la vida más sencilla, nos permite dirigirnos a cada grupo en su propio lenguaje, con sus propios códigos y prioridades.

Dicha capacidad de enfoque quedó manifiesta en el éxito de la campaña de reelección de Obama en 2012, en la cual Rayid Ghani contribuyó a definir estrategias basadas en preferencias individuales con grandes cantidades de datos; en contraparte, una estrategia similar siguió Cambridge Analytica para lograr el sí del Brexit  y que Trump ganara la presidencia de los Estados Unidos.

Para bien o para mal, clasificar nos ayuda a dirigirnos de forma contundente a un grupo. La gran cantidad de datos disponibles y la heterogeneidad de las poblaciones analizadas nos obligan a mirar más allá de los grupos obvios y fijarnos en aquellos pequeños grupos que no son los más populares, pero que agregados representan un mercado muy grande. A este concepto Chris Anderson lo definió como The Long Tail para explicar el éxito de compañías como Amazon o Netflix en las cuales su modelo de negocio no está en vender más de los productos más populares, sino vendiendo menos, pero de una gran cantidad de productos:

Como podemos ver en la gráfica anterior, si sumamos las ventas de los productos no tan populares (azul oscuro) el volumen es similar a la venta que generan los principales productos (azul claro). El reto es conocer los perfiles de pequeños grupos que agregados generan un valor similar o en algunos casos mayor que los productos más populares.

Hasta aquí intento dejar claro la importancia de segmentar para instrumentar una estrategia, el reto es ¿cuál es la mejor forma de segmentar? Habrá quien diga que tal o cual algoritmo es el mejor, sin embargo, existen tantos criterios para segmentar, que cualquiera conlleva cierta ambigüedad. Así es como lo satiriza Borges en su cuento El idioma analítico de John Wilkins, en donde describe una enciclopedia ficticia para puntualizar que “notoriamente no hay clasificación del universo que no sea arbitraria y conjetural”. De esta forma clasifica animales como que de lejos parecen moscas o bien, en otra categoría, que tiemblan como enojados, por mencionar algunas.

La idea es muy simple. Imaginemos un grupo de diez personas que requieren ser segmentadas para algún propósito. Habrá quien diga: hay 4 mujeres y 6 hombres, tal vez otro diga hay 5 veinteañeros y 5 treintañeros. Al escuchar a los primeros algún vivaz dirá que hay 3 mujeres veinteañeras, 2 mujeres treintañeras, 4 hombres veinteañeros y 1 hombre treintañero. Este último se gana los aplausos por hacer la segmentación más fina, hasta que otro se levanta y dice: hay 3 individuos de más de 1.70 metros de estatura y el resto miden menos de 1.70 metros.

El punto es que ninguna segmentación tiene sentido si no explicamos primero el propósito de segmentarlos, y ahí está la primera clave, por obvio que resulte, los criterios de segmentación no siempre son evidentes porque no se tiene un objetivo claro para separarlos, o los objetivos son muy generales como: mi objetivo es vender más o bien que gane mi candidato.

La segunda clave es empatar el propósito de la segmentación con los insumos con los que contamos. Nadie imagina el éxito de Netflix o de Amazon sin la visión con la que contaron para almacenar los datos de las preferencias de sus usuarios.

En el ejemplo del análisis de Rayid Ghani para la campaña de Obama menciona que no necesariamente es relevante cuál coche manejes o qué revista leas para decidirte por uno u otro candidato, principalmente porque es difícil acceder a esos datos y existen datos  públicos que nos ayudan a perfilar las necesidades de los votantes.

Por tanto, con los datos adecuados, un propósito bien definido y la sensibilidad/conocimiento en el arte/ciencia de diseñar modelos estadísticos, el potencial de enfocar estrategias puede ser el diferenciador entre ganar o perder en un negocio o en el seductor mundo del poder político.

* David Lampón es Científico de Datos y Matemático Aplicado por el ITAM. Actualmente es socio fundador del Centro de Análisis de Datos AC, organización especializada en el procesamiento y análisis de información mediante el uso de modelos estadísticos y algoritmos computacionales aplicados a temas de salud pública y desarrollo social.

 

Close
Comentarios