Cuándo olvidar el espejo retrovisor

Matt Chase

¿Cómo pueden los vendedores predecir si el público pagará por ver una nueva película o descargar una canción nueva? Estas previsiones son notoriamente complicadas. Los investigadores académicos llaman a las películas y las canciones «productos de moda» porque sus ventas se ven impulsadas por la volatilidad de los gustos de los consumidores. Los productos de moda suelen tener ciclos de vida cortos y se basan en decisiones de compra impulsivas.

Una forma de mejorar las previsiones es buscar más datos. Pero nuevo investigación sugiere que con los productos de moda, esto no siempre ayuda. Matthias Seifert, de IE Business School, y un equipo de colegas examinaron el papel conjunto de los datos históricos y contextuales en los juicios humanos sobre qué productos despegarán y cuáles fallarán. Por ejemplo, ¿cómo compara una compañía de música los datos históricos («El álbum anterior de Taylor Swift vendió X copias») con los datos contextuales («Tenemos previsto gastar Y en comercializar este álbum») a la hora de evaluar los próximos lanzamientos?

Como las industrias creativas son muy dinámicas, los datos históricos no siempre son útiles por sí solos. Aunque puede suponer que, por ejemplo, una película con un actor de renombre será un éxito, los estudios han descubierto que el poder de las estrellas no es realmente un indicador significativo de los ingresos de taquilla. Y los datos contextuales tienden a ser subjetivos y cualitativos, lo que aumenta la complejidad de la sentencia en cuestión.

El equipo de Seifert estudió las predicciones sobre dónde entrarían los sencillos pop en la lista de los 100 mejores. Primero, entrevistaron a 23 altos directivos de cuatro importantes compañías discográficas para identificar las «variables predictoras», factores que deberían correlacionarse con el éxito. Incluían el presupuesto de marketing de cada sencillo, quién más lanzaría sencillos la misma semana y si el artista era un artista establecido o una cara nueva. Luego, entregaron listas de los próximos sencillos, junto con información variable predictiva sobre ellos, a 92 directores de A&R, personas que buscan y reclutan músicos. Durante un período de 12 semanas, los directores de A&R completaron cuatro cuestionarios en línea sobre las posibles posiciones de los solteros que se les habían asignado en las listas de éxitos, utilizando las variables predictoras para hacer sus previsiones (210 en total). Después de eso, los investigadores se sentaron para ver el rendimiento de cada uno.

Por último, clasificaron cada variable predictora como histórica o contextual y realizaron análisis matemáticos para ver qué tipo había funcionado mejor y cómo habían funcionado las dos juntas. Encontraron un detalle interesante: juzgamos mejor la volatilidad de la demanda si tenemos en cuenta únicamente los datos contextuales. Los datos históricos parecían perjudicar la capacidad de los directores de A&R para interpretar el contexto.

Como los algoritmos pueden pronosticar las relaciones lineales mucho mejor que el cerebro humano, el equipo de Seifert sugiere dejar que un ordenador tome decisiones en entornos estables en los que las predicciones dependan únicamente de los datos históricos. Pero cuando le pida a alguien que tome una decisión en un entorno volátil, considere la posibilidad de retener información histórica para que pueda centrarse en la información contextual. Más datos no siempre son mejores.