Cuándo olvidarse del retrovisor

¿Cómo pueden los profesionales del marketing predecir si el público pagará por ver una nueva película o por descargarse una nueva canción? Tales previsiones son notoriamente delicadas. Los investigadores académicos llaman a las películas y a las canciones "productos de moda", porque sus ventas están impulsadas por los volátiles gustos de los consumidores. Los productos de moda suelen tener ciclos de vida cortos y dependen de decisiones de compra impulsivas. Una forma de mejorar las previsiones es buscar más datos. Pero una nueva investigación sugiere que, con los productos de moda, esto no siempre ayuda. Matthias Seifert, del 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 se hundirán. Por ejemplo, ¿cómo sopesa una empresa musical los datos históricos ("El anterior álbum de Taylor Swift vendió X copias") frente a los datos contextuales ("Tenemos previsto gastar Y en marketing de este álbum") a la hora de evaluar los próximos lanzamientos? Dado que las industrias creativas son muy dinámicas, los datos históricos no siempre son útiles por sí solos. Aunque se pueda suponer que, por ejemplo, una película con un actor de renombre será un éxito, los estudios han descubierto que la potencia de la estrella no es en realidad un factor predictivo significativo de la recaudación de taquilla. Y los datos contextuales tienden a ser subjetivos y cualitativos, lo que aumenta la complejidad del juicio en cuestión. El equipo de Seifert estudió las predicciones sobre dónde entrarían los singles pop en la lista de los 100 más vendidos. Primero entrevistaron a 23 altos directivos de cuatro grandes discográficas para identificar las "variables predictoras", es decir, los factores que deberían correlacionarse con el éxito. Entre ellos se incluían el presupuesto de marketing de cada single, quién más lanzaba singles la misma semana y si el artista era un artista consagrado o una cara nueva. A continuación, entregaron listas de los próximos singles, junto con información sobre las variables predictoras, a 92 directores de A&R, personas que buscan y contratan músicos. Durante un periodo de 12 semanas, los responsables de cuentas a cobrar rellenaron cuatro cuestionarios en línea sobre las probables posiciones en las listas de éxitos de los singles que se les habían asignado, utilizando las variables predictoras para hacer sus previsiones: 210 en total. Después, los investigadores se sentaron a ver cómo funcionaba cada sencillo. Por último, clasificaron cada variable de predicción como histórica o contextual y realizaron análisis matemáticos para ver qué tipo había funcionado mejor y cómo habían funcionado las dos juntas. Encontraron una arruga interesante: hacemos mejores juicios sobre la demanda volátil cuando consideramos sólo los datos contextuales. Los datos históricos parecían mermar la capacidad de los responsables de cuentas a cobrar para interpretar el contexto. Dado que los algoritmos pueden predecir relaciones lineales mucho mejor de lo que lo hace 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 datos históricos. Pero cuando se pida a alguien que tome una decisión en un entorno volátil, considere la posibilidad de retener la información histórica para que pueda centrarse en la información contextual. Más datos no siempre es mejor. Acerca de la investigación: "Effective Judgmental Forecasting in the Context of Fashion Products", por Matthias Seifert, Enno Siemsen, Allègre L. Hadida y Andreas B. Eisingerich

Cuándo olvidarse del retrovisor

Partner Center