Opinión
El desafío es que estos modelos mejoren, para que, en una eventual nueva elección, puedan convertirse en modelos que se acerquen con propiedad a los resultados reales. Para ello es fundamental que desde ya usen la data real de la elección del plebiscito y calibren su modelo usando herramientas de segmentación poblacional, para acomodar una población muestral representativa. Así, los modelos a realizar en el futuro pueden ser más precisos que los vistos hasta ahora.
Algunas semanas antes del plebiscito, diversos medios de comunicación comenzaron a destacar a empresas cuyas metodologías daban por ganadora a la opción Apruebo, con lo que desafiaban los resultados de las encuestas. Se trataba de compañías que trabajaban modelos de predicción matemáticos, que hacían sus pronósticos a través del uso de big data en redes sociales. Sus vaticinios —como sabemos— no se cumplieron. La pregunta, entonces, es evidente: ¿Por qué este tipo de modelos no fue capaz de alinearse con lo que decían las encuestas?
Para responder a dicha pregunta, hay que tomar en cuenta diversas variables. La primera es que, si bien un modelo matemático tiene la ventaja de poder ser construido en base a mucha más información que un modelo muestral —como el que utilizan las empresas encuestadoras— la muestra con que se entrena el modelo debe ser muy cuidadosa, pues es necesario extrapolar los resultados obtenidos históricamente al resultado proyectado. En esa línea, es fundamental tener en cuenta que un modelo matemático debe levantar todas las alertas cuando existen diversas encuestas que arrojan resultados diametralmente distintos.
[cita tipo=»destaque»] En el caso de la elección, quienes más utilizaban las redes sociales eran perfiles etarios jóvenes, que tenían un claro sesgo hacia el Apruebo[/cita]
Un modelo matemático basado en redes sociales —por otro lado— debe aislar el factor etario y cultural en sus modelos, y balancear la muestra con población votante real. Lo ideal en este tipo de casos es usar herramientas de segmentación poblacional para construir equivalencias muestrales que sean proyectables. Lo anterior es fundamental, pues un modelo cuya muestra son los usuarios de redes sociales está sesgado hacia la población que usa dichos instrumentos. En consecuencia, para que el resultado sea óptimo, es necesario ponderar la población que usa redes sociales con perfiles que no son activos en dichas redes de manera de tener una población representativa del perfil del votante real.
Por último, hay que poner atención sobre quiénes son los usuarios de redes sociales y qué plataformas utilizan según su perfil etario. Los adultos mayores —por ejemplo— suelen utilizar Facebook y WhatsApp; mientras que los más jóvenes navegan además por Twitter, Instagram, TiTok y Youtube. En el caso de la elección, quienes más utilizaban las redes sociales eran perfiles etarios jóvenes, que tenían un claro sesgo hacia el Apruebo.
El desafío es que estos modelos mejoren, para que, en una eventual nueva elección, puedan convertirse en modelos que se acerquen con propiedad a los resultados reales. Para ello es fundamental que desde ya usen la data real de la elección del plebiscito y calibren su modelo usando herramientas de segmentación poblacional, para acomodar una población muestral representativa. Así, los modelos a realizar en el futuro pueden ser más precisos que los vistos hasta ahora.
