Sobre el triunfo de Trump y el marketing político

Sobre el triunfo de Donald Trump en las pasadas elecciones americanas se ha escrito mucho. Yo mismo escribí una breve reseña para hablar sobre los algoritmos que habían anticipado que esto podría ocurrir. Obviamente, no vengo hoy a hacer un análisis político del triunfo. Vengo a hablar de la estrategia de marketing político que puso en marcha, y que, a posteriori, resulta fácil intuir le ha salido bastante bien. Empecemos.

Nadie confiaba en la victoria de Trump. Hillary Clinton estuvo por delante en intención de voto. Acuérdense de la época de los insultos, desprecio humano, faltas de respeto continuadas, etc., de Donald Trump. Sin embargo, sí que siempre hubo voces que alertaban del error de la estrategia de Clinton. Eso de no priorizar en grupos demográficos clave, le podría salir caro. Colectivos como los jóvenes, negros a hispanos, en los que Trump, sí estaba fijando sus mensajes.

Es verdad que muchos votantes querían cambio. Esto de rechazar lo malo conocido y decantarse por lo malo por conocer parece que se ha cumplido. Esta primera gráfica que adjunto a continuación viene un poco a refrendar todo esto. Un votante que quería cambio, quería asumir riesgos, y que además, no entraba de lleno en la estrategia de Clinton. Parece que el mix estaba servido. Algunas microsegmentaciones, sub-colectivos, parece que eran más atractivos para poder trazar la estrategia de Trump. Es la segunda gráfica que adjunto a continuación.

Soluciones rápidas, aunque arriesgadas: el votante de Trump (Fuente: Pew Research Center)
Soluciones rápidas, aunque arriesgadas: el votante de Trump (Fuente: Pew Research Center)
Margen por el que se decidió cada grupo desde 1976 (Fuente: Eduardo Suárez)
Margen por el que se decidió cada grupo desde 1976 (Fuente: Eduardo Suárez)

Un electorado más joven, mejor educado y con menor porcentaje blanco que en elecciones anteriores, se entrega a Donald Trump. Algo debe esconsder estas elecciones para que esto haya podido ocurrir. Esto es lo que han venido a analizar algunas casas de análisis una vez celebradas las elecciones, que siempre es más fácil obtener conclusiones. Varios parecen haber sido los motivos de este éxito que, no me negarán, ustedes tampoco se esperaban: el foco en los temas clave (Right Message), saber dónde y cómo decir las cosas (Right Channel), saber dónde estaban los problemas del colectivo pro-demócrata (Right Person) y saber cuándo decir las cosas (Right Moment).

Como ven, entre paréntesis he ido añadiendo diferentes elementos que, de manera conjunta, conforman un proyecto de marketing político en toda regla: Right Message + Right Channel + Right Person + Right Moment = Marketing político eficiente. Es decir, saber cuándo y dónde decir qué, para optimizar al máximo la inversión, y  conseguir un retorno sobre dicha inversión más alta que la del rival. Veamos ahora de manera un poco más desarrollada cada uno de estos elementos.

En cuanto a Right Message. Trump tocó pocos temas. Bastante menos que Hillary Clinton. Pero es que tocó los temas más claves para su electorado. Es decir, en aquellos temas que importan. Esto, hoy en día, en la era de los datos masivos o Big Data, ya no es una excusa para cualquier estrategia de marketing político. Se puede llegar a saber qué es lo que más importa, a nivel segmentado geográfico. Tres son los temas sobre los que se destacó Donald Trump: aspectos económicos (además, para un empresario como él, pese a que tiene menos riqueza hoy en día que la que heredó de su padre -tan buen empresario parece que no es entonces-), la seguridad de los ciudadanos (en una era en la que el terrorismo está empezando a azotar mucho en occidente) y la reforma sanitaria de Obama (donde su electorado se muestra especialmente en contra).

Por otro lado, Right Channel. La gráfica que adjunto a continuación muestra cómo y cuánto el republicano confía en los medios de comunicación tradicionales. Que Trump los haya atacado hasta la saciedad, no hace más que denotar que desde una óptica eminentemente utilitarista, parece bastante inteligente haber focalizado esfuerzos ahí.

Confianza en los medios de comunicación tradicionales (Fuente: http://mehlmancastagnetti.com/wp-content/uploads/2016-Mehlman-Election-Analysis.pdf)
Confianza en los medios de comunicación tradicionales (Fuente: http://mehlmancastagnetti.com/wp-content/uploads/2016-Mehlman-Election-Analysis.pdf)

En siguiente lugar, Right Person. La “gran coalición” demócrata que creó Obama, parece que con Clinton se ha roto. El apoyo que ha conseguido Clinton’16 es bastante menor que el de Obama’12 en varios de los colectivos clave: hispanos (-8%), mujeres solteras (-7%), asiáticos y americanos -no EEUU- (-11%), millenials (-5%) y afroamericanos (-7%). Esto Trump lo supo a tiempo, y comenzó a dirigir esfuerzos también a estas partes de las otrora votantes demócratas. Y es que uno, no solo debe conocer sus fortalezas, sino también las debilidades del rival. De nuevo, de manera absolutamente utilitarista, brillante movimiento el de Trump.

Por último, Right Moment. Varios fueron los momentos débiles que tuvo Clinton en la campaña: la investigación del FBI, las donaciones a la fundación Clinton, el caso de los emails de Clinton, el tema de Benghazi, etc. Hasta un 61% llegó a opinar que Hillary no era una candidata honesta y en la que se pudiera confiar. Fueron momentos en los que Trump atacaba. Momentos delicados del rival, en el que si tú construyes unos buenos mensajes a través de los canales adecuados y a los colectivos más propensos a cambiar su voto, puedes ganar mucho terreno. Que fue lo que Trump hizo con bastante practicidad.

Como ven, ganar elecciones no es sencillo. Y menos en un país con tanta tecnología y análisis como es EEUU. ¿Podemos aprender mucho por estas latitudes? Desde luego. Obviamente no de Trump, pero sí de alguna de las herramientas de análisis empleadas por el futuro presidente de los Estados Unidos.

Predicción de resultados electorales: MogIA y Trump

Abramos esta publicación con un titular que a muchos de nosotros nos sorprendía en su día:

Estas herramientas de inteligencia artificial tan de moda últimamente, acertaron. Una herramienta desarrollada por la empresa Genic.AI, denominada MogIA, y que se fundamenta en unos algoritmos de inteligencia artificial, que dijeron que sería Donald Trump el ganador.

Pero no venía yo hoy a introducir más ruido en unas elecciones ya de por sí bastante “movidas” (por decirlo de alguna manera). Lo interesante de la predicción de resultados electorales no es tanto quién gana (que también, claro), sino cómo funcionan. Vengo a hablar de este tipo de herramientas de predicción, que tantos titulares están generando en los últimos tiempos. En este caso, la herramienta MogIA, se alimenta de 20 millones de puntos de datos de plataformas “públicas” (entiéndase en el contexto de datos) como Google, Facebook, Twitter y Youtube. Una vez con los datos en la mano, crea modelos para predecir resultados.

La herramienta fue creada allá por 2004. Desde entonces, no ha fallado. Siento introducir más pesimismo en el ambiente, pero los datos y los algoritmos son así. Es más, tengo aún peores noticias; este tipo de sistemas, cuyo funcionamiento paso a explicar enseguida, son cada vez más precisos: cuantos más datos reciben, más aciertan.

La hipótesis del autor del modelo de predicción es sencilla: aquellos candidatos que más “engagement” (¿reacción? ¿compromiso?) generan entre los usuarios en redes sociales, son los preferidos. Justo hace un par de días nos recordaba el bueno de Nate Silver (otro de los que está mucho en este tipo de modelos predictivos), que todos los modelos hacen suposiciones:

Es decir, que todos los modelos suponen hechos que luego debemos hacer que la evidencia contraste. No son suposiciones basadas en cuestiones subjetivas, sino en datos. El propio Nate Silver no para de publicar sobre la evidencia de las mismas, como una forma de hacer público su modelo y someterlo al escrutinio público.

¿Y qué hace MogIA para que hasta en los telediarios haya salido? Pues bueno, lo primero de todo, se trata de un modelo muy preciso, como decía. Ha acertado todas las últimas elecciones (incluyendo las primarias, donde nadie daba un duro por Trump). En este caso, ha sido más noticia que en anteriores ocasiones, porque estuvo contradiciendo la gran mayoría de las encuestas tradicionales. Y ahí es donde precisamente veo el punto de interés para este blog: ¿datos de redes sociales y su sentimiento o métodos de encuesta tradicional?

No deja de ser cierta una cosa que nunca debemos olvidar: la ambiguedad de los comentarios en redes sociales es importante. Que los tweets y comentarios de Donald Trump hayan generado más reacción que con anteriores candidatos, puede deberse a las barbaridades que ha comentado. Esto, todavía los algoritmos de Inteligencia Artificial, no han conseguido arreglar. Además, también hay otro elemento importante: ahora mismo hay más usuarios en redes sociales de los que había en elecciones anteriores. Por lo tanto, si el motivo de reaccionar tanto a los comentarios de Trump es su “provocación”, que haya más personas que reaccionen, solo amplificaría el problema de raíz. Pero quizás, quién sabe, esto forme parte de la propia estrategia de Donald Trump.

Esto creo que tendría que destacarse más cuando se habla de este tipo de algoritmos. Pero esto no quita a que montar modelos predictivos basado en datos de redes sociales y datos públicos esté siendo cada vez más popular. El pasado Septiembre, Nick Beauchamp, profesor de la Northeastern University, publicó un artículo donde demostraba cómo había una similitud muy alta entre los 100 millones de tweets publicados sobre las elecciones de 2012 y los resultados electorales de los estados.

Esta precisión en los resultados se debe a la nueva era de los algoritmos. Y esto, de nuevo, es lo que a mí más me llama la atención. Si bien con anterioridad, como decía el bueno de Nate Silver, los modelos muchas veces reflejaban los sesgos de su desarrollador, los algoritmos de aprendizaje (Machine Learning, vaya), van aprendiendo de su entorno. Es decir, son piezas de software que han sido enseñadas a aprender. Y por lo tanto, evitamos tener que decirles nosotros qué tienen que hacer. Y esto es lo interesante; y lo que los hace más objetivos. Y lo que provoca más miedo en este caso que pudiera estar dando como ganador a Trump.

Y es que estamos entrando en una era en la que no solo los resultados electorales son objeto de predicción. Muchas otras cosas. Y es que el software se está volviendo más inteligente según puede ir creando sus propias reglas a partir de los datos que va observando.

Visualizando mis emails y la colaboración en esta era digital

De los trabajos del MIT Media Lab ya he hablado en alguna ocasión. Un centro que se dedica a transformar datos en historias. He vuelto a acabar consultando sus últimos trabajos a raíz de este post en el que se analizaban los ya famosos correos de Hillary Clinton revelados por Wikileaks. Los autores han desarrollado una herramienta denominada Immersion, en la que te permiten (sí, a ti también, estimado lector), visualizar y entender la red de personas con la que interactuamos por email.

Mi grafo lo podéis ver aquí y a continuación. Como se puede apreciar, tenemos unos nodos (los círculos, que representan a personas con las que intercambio correos) y enlaces con esas personas (que representa el intercambio de correos). El tamaño del nodo muestra el número de hilos de correo intercambiados con las personas. El tamaño del enlace muestra el número de hilos de mensajes compartidos con esa persona, pese a no ser intercambios directos con esa persona.

Cada nodo (persona con la que intercambiamos correo), es algorítmicamente asignado a una comunidad, que para Immersion son conformadas a partir de un desproporcionado número de mensajes cruzados (que es cuando entiende se ha formado una comunidad de intercambio de mensajes). En mi caso, ya veis que salen varias comunidades (los diferentes colores de agrupación).

Y ahora muchos de ustedes dirán: ah, “muy interesante“, pero, “¿para qué narices sirve esto?” En el caso de los emails de Hillary Clinton, ha quedado bastante claro que lo que muchos la achacan estos días es cierto (estando en un cargo de alta seguridad no deberías usar como canal de comunicación uno no autorizado). Por otro lado, también vuelve a quedar claro el poder que tiene la expresión de conocimiento y contenidos a través de redes sociales. El posterior análisis que se puede realizar a través de la teoría de grafos expone un mecanismo del cual se podría extraer mucha inteligencia.

Pero más importante e interesante aún me parece la posibilidad de visualizar el grafo para darse uno cuenta de lo que es la colaboración en esta era digital. La herramienta Immersion también ofrece un módulo de visualización de estadísticas. Por motivos de privacidad, entenderán que no voy a ponerla aquí. No hay ningún secreto, simplemente sale el número de emails enviados, a quiénes en mayor medida, etc. (básicamente por los terceros es por los que no incluyo aquí la información). Me recordaba, viendo mi historial de Gmail es que la colaboración en esta era digital se ha ido acelerando de manera muy veloz. Y es que Immersion permite visualizar por periodos de tiempo el grafo. Lo he seleccionado para mi cuenta personal, que dejé de utilizar en gran medida allá por finales de 2010, cuando en la universidad, nos incorporaron Gmail como herramienta de gestión del correo electrónico.

Evolución temporal del uso de mi cuenta personal de Gmail (Fuente: immersion.media.mit.edu)
Evolución temporal del uso de mi cuenta personal de Gmail (Fuente: immersion.media.mit.edu)

Y lo he vuelto a comprobar para la cuenta de la universidad (ahora mismo, la única que uso de manera intensiva), y ocurre lo mismo. Cada vez estamos más conectados. Cada vez intercambiamos mayor volumen de correo. Esta era digital que ha reducido las barreras y los cotes de la comunicación, ha traído que la colaboración, al menos expresada a través del intercambio de correos, sea bastante mayor.

Y haciendo ese mini-experimento, me acordaba de este artículo de la Harvard Business Review. Tenía pendiente escribir algo sobre él desde que lo leí hace cosa de un año. Solo ya la cabecera del artículo deja un titular bastante claro: según la investigación llevada a cabo por la HBR, el tiempo empleado por empleados y directivos en actividades de colaboración se ha incrementado en más de un 50%.

Collaboration overload (Fuente: HBR)
Collaboration overload (Fuente: HBR)

Según los datos que podréis encontrar en el artículo, el tiempo que muchos empleados dedican a actividades de colaboración (reuniones, llamadas de teléfono, responder emails, etc.) está cerca del 80%. Está bien este discurso de la “colaboración”, pero a mí me parece una cifra realmente alta. Y preocupante. Y en la que me siento reflejada. Ya de un tiempo a esta parte vengo pensando en ello. Razón por la cual en cuanto he visto una herramienta para ponerlo en evidencia, lo he probado. Hay días que echo mucho de menos actividades solitarias: investigar, leer, preparar clases, escribir unas reflexiones, etc.

El problema de estos esquemas de colaboración es que parece que las relaciones suelen ser asimétricas. Un tercio del valor creado en la colaboración, viene de entre un 3 y 5% de los empleados. Las burbujas que veis que salen en la parte superior y escorados a la derecha, son los que en las organizaciones se ven como fuentes principales de información y son los más demandados para la colaboración. El tamaño de esos nodos, como veis, es el menor. ¿Por qué? Porque también son los menos satisfechos en su carrera. Se desgastan de tanta demanda temporal de la colaboración.

Efectividad en la colaboración y demanda personal (Fuente: HBR)
Efectividad en la colaboración y demanda personal (Fuente: HBR)

Y esto sí es un gran problema para cualquier organización. Perder a recursos con mucho conocimiento y fomento de la colaboración en la organización es un problema. No solo ya por los conocimientos, sino también por las dinámicas de colaboración que tanto gustan en las organizaciones internacionales que deben tejer redes para la creación de valor.

¿Qué hacer? Difícil poner medidas. Pero lo que está claro es que debemos empezar a hacer más análisis en las organizaciones de estas cuestiones. Como en el fútbol; no solo medimos los goles, también las asistencias. Que las organizaciones empezáramos a premiar a los más colaboradores, y sobre todo, a evitar que se saturen, vendría realmente bien. Análisis de redes, programas de reconocimiento de pares o métricas del rendimiento de valor añadido por la colaboración, debieran ser la norma en muchas organizaciones.

La colaboración es magnífica, sí, pero hasta un punto. Esta era digital de bajos costes de comunicación debe ser medida.