La lección de análisis de la campaña de Obama: mantenga sus datos organizados, en secreto

Hora la revista acaba de publicarse un relato fascinante de cómo el equipo de campaña del presidente Obama utilizó los datos para microobjetivo votantes. En HBR, hemos estado rastreando el auge del Big Data en el sector privado durante algún tiempo, y vea esto como un útil estudio de caso sobre cómo una organización implementó realmente esos principios analíticos para obtener resultados. Hablé por teléfono con Andrew McAfee del MIT, un colaborador habitual e investigador principal del Centro de Negocios Digitales de la Escuela de Administración Sloan del MIT. Lo que sigue es una versión editada de nuestra conversación.

A pesar de que se busca la transparencia de los datos, parece que la clave del éxito de Obama fue lo contrario: mantener sus datos y algoritmos lo más secretos posible. Desde el punto de vista organizativo, ¿tiene sentido mantener a su equipo de datos aislado del resto del equipo o quiere que trabajen juntos más estrechamente?

En este caso, es más fácil identificar las desventajas de compartir esos datos de manera más amplia. Podría filtrarse, filtrarse a la prensa, filtrarse al otro candidato. Si hay alguna salsa secreta, querrá tenerla cerca. Si el activo de datos en sí o el algoritmo que lo rodea parece ser de vanguardia o propietario, no lo gritaría a los cuatro vientos. Quiere que el equipo de datos diga a los voluntarios: «Llame a estas personas, llamen a estas puertas, vayan a estos barrios». El voluntario no necesita saber por qué; solo necesita saber que está llamando a las puertas correctas.

Eso parece ser un alejamiento de este movimiento sobre el que hemos estado leyendo acerca de que la información quiere compartirse, los datos quieren ser libres, todo debe ser transparente —

Desde cualquier punto de vista racional, esa línea no tiene sentido. Eso es como decir: «Todo el dinero tiene que ser gratis», o si es una empresa de camiones: «Todos los camiones tienen que ser gratuitos». Los datos son un activo, como todo lo demás.

En el centro de atención por el Big Data que acabamos de ejecutar en la revista y en línea, nos centramos en gran medida en argumentar que los ejecutivos realmente necesitan usarlo. Nos centramos menos en la parte de ejecución. Pero me parece que tener los datos es solo una parte del problema; realmente necesita saber qué hacer al respecto.

La pieza de ejecución tiene dos preguntas diferentes. En primer lugar, está la ejecución con el recurso de datos y el propio recurso informático. A muchas organizaciones no se les da bien eso porque nuestros datos están fragmentados. La cantidad de centralización y racionalización para aprovechar realmente los macrodatos es bastante abrumadora para muchas organizaciones. Para tomar la campaña de Obama como ejemplo, mire su paso de tener dos bases de datos en 2008 a una en 2012. Le garantizo que no ha sido fácil. Eso fue técnicamente bastante difícil, y fue muy, muy difícil desde el punto de vista organizativo. Significa que tiene que convencer a un grupo de que deje de lado su base de datos y deje de ser el único guardián de esos datos. Eso es difícil.

Sin embargo, la segunda cara de la ejecución es la cuestión de qué hacer con los datos. ¿Qué anuncios publica, a qué puertas llama, por qué calles va? Las campañas llevan mucho tiempo haciendo esto; saben cómo tocar puertas. Esa no es la parte difícil. Pero en mi opinión, lo que el big data puede hacer es ayudarlos a ser más eficientes, al permitirles no llamar a todas las puertas de esa calle. Puede decirle al voluntario: «Vaya a llamar a las casas número 14 y 18, y luego salte las seis casas siguientes y vaya a llamar a la casa número 30».

Los macrodatos le permiten ser pequeño. Le permite realizar intervenciones muy precisas y específicas. Veo pruebas de ello una y otra vez, en todo tipo de organizaciones. Empezó con el marketing, pero eso ha llevado a que las operaciones y la cadena de suministro también utilicen ese tipo de intervenciones precisas basadas en datos. Y luego puede hacerlo a escala.

Entonces, ¿dice que le permite ser pequeño, pero a escala? ¿Entonces vuelve a ser grande? [Risas]

Es un tipo de negocio muy diferente; no es una producción en masa. «Personalización masiva» es una frase muy utilizada y existe desde hace tiempo, pero en la era del big data sí que podemos hacerlo. Ya no se trata solo de configurar mi coche para que tenga la tapicería que quiero. Es que las campañas ya no necesitan hacer el tipo de correos masivos en los que siempre confían; pueden enviar el tipo de correo correcto al votante correcto. Tal vez a esta le importan los derechos de las mujeres, pero a esa le importa la política económica.

Para la campaña de Obama, esa era la base de su ventaja en el juego terrestre. En nuestro artículo de HBR, incluimos un ejemplo del sector de la salud. Una y otra vez vemos esta habilidad de ser precisos y diferenciados, a escala y repetidamente, con mucha más eficacia.

¿Cómo funcionaría esto en el mundo empresarial, por ejemplo, en la atención médica?

Tomemos el ejemplo de Aetna. Tienen alrededor de 20 millones de vidas bajo tutela. Como son la empresa que paga al médico, el laboratorio, la farmacia, etc., tienen toda esta información sobre mi salud. Hay enormes problemas de confidencialidad, por supuesto, pero dejémoslo a un lado por un momento.

Lo que eso significa es que tienen mejores datos sobre mi salud que ningún otro actor del sistema, que mi médico, mi hospital o mi farmacia. Lo que Aetna puede hacer a gran escala, en tiempo real, una y otra vez, es comprobar los millones de vidas de su sistema y decir: «¿Vemos alguna brecha evidente en la atención?» Luego pueden enviar un mensaje al médico o al paciente. Bien, debemos tener cuidado con la confidencialidad y asegurarnos de que los mensajes están redactados de la manera correcta para que no se ignoren, pero podemos utilizar esta base de datos para realizar intervenciones masivas en la prestación de servicios de salud. Y eso significa que podemos mejorar los resultados sin tener que reorganizar todo el sistema.

Vale, digamos que todo el mundo empieza a hacer eso. Entonces, ¿llega a un lugar como el que vemos ahora en el béisbol, en el que hace unos años, calcular los números daba a algunos equipos una gran ventaja, pero ahora todos la tienen y eso confiere menos de una? Mire a los Atléticos de Oakland. El uso de los datos solía darles una gran ventaja, pero desde que todos los equipos empezaron a hacerlo, no parece que les dé mucha ventaja.

Sí, tiene que seguir adelante. No le va a dar una ventaja para siempre, pero si tiene una orientación analítica, puede seguir adelante y obtener una visión y una ventaja más detalladas. En el béisbol, la ciencia de la sabermetría ha avanzado. Están haciendo cosas cada vez más sofisticadas. Billy Beane y los A fueron capaces de recoger la fruta fácil y les fue muy bien durante un tiempo porque podían hacer mejor las cosas simples. Ahora todo el mundo tiene esa información, así que tiene que esforzarse más. El beneficio marginal puede ser menor, pero aun así tiene que hacerlo. Si vuelve a buscar jugadores como lo hizo en la década de 1990, es una buena manera de tener un equipo terrible. Quedarse quieto es una muy mala estrategia.

Lo que me interesa es que los volúmenes de datos se están disparando a una velocidad vertiginosa. El kit de herramientas también se amplía a pasos agigantados. Esta es una verdadera carrera armamentista nueva. Puede que no le encante y tal vez desearía que el mundo fuera predecible y tranquilo y que Excel lo ayudara a salir adelante, pero eso sería una receta para el desastre.