•   Estados Unidos  |
  •  |
  •  |
  • The Economist

Burlarse de los economistas es un deporte fácil. Tratan de predecir el futuro, sin embargo, fallaron con la crisis de 2008, hacen suposiciones extrañas y no pueden sostener su veracidad. Otras ofensas de la lista incluyen su estrecha perspectiva académica y la falta de exposición al “mundo real” de los negocios.

El ataque es común y difícil de refutar, no obstante en un punto decisivo la multitud tiende a estar equivocada. La economía está evolucionando y su misión central es resolver los problemas de la vida real de las compañías. No inusualmente, la innovación es más obvia, por ahora en Silicon Valley.

Para Bryan Balin de Smartertravel, una subsidiaria del sitio web de viajes TripAdvisor, la economía tiene que ser veloz como un rayo. Solo un 1 por ciento de los visitantes de un sitio de viajes típico compran un vuelo, hotel o vacaciones antes de explorar otras opciones. Los vendedores populares pueden tener miles, incluso millones de visitantes, sin embargo reciben ingresos de solo una fracción diminuta de ellos.

Es primordial identificar a los que compran, quienes deben ser guiados lo más rápidamente posible al producto que quieren, desde el escaparate lleno de relleno, quienes pueden ser bombardeados con publicidad de otros productos, elevando las utilidades del sitio web.

Comprador potencial

Balin espera resolver ese problema. En los primeros segundos que un visitante pasa en el sitio de Smartertravel, un algoritmo forja una imagen de él. La velocidad de los clics ayuda: los que solo miran tienden a saltar rápidamente entre páginas, mientras que los compradores serios reflexionan por más tiempo. Otros datos, incluida la hora del día, el número de visitas previas y la ubicación del visitante, también son importantes.

El algoritmo expresa la probabilidad de que el usuario sea un comprador potencial. Con eso, calcula las ganancias de ingresos y los riesgos --de compradores que se distraen fácilmente-- asociados con mostrar anuncios. El sitio se ajusta en pocos milisegundos.

Detectar patrones útiles cuando se está nadando entre datos es difícil, explicó Genevieve Graves, una astrofísica convertida en científica de datos. Mientras realizaba investigación en Princeton, Graves trabajó con el Sloan Digital Sky Survey, un enorme conjunto de datos que contiene información sobre la ubicación de las estrellas y las galaxias. Hoy, analiza algo mucho más terrenal: los recursos humanos. El “aprendizaje de máquinas”, la técnica empírica que emplea en Hi Q Labs, una empresa incipiente en San Francisco, está en el centro del nuevo mundo de la economía empresarial.

El aprendizaje de máquinas no es tan siniestro como lo han hecho sonar generaciones de escritores de ciencia ficción. El objetivo básico, establecido por Arthur Samuel en 1959, es hacer que las computadoras aprendan solas.

La fuerza laboral

Para hacer esto, un programador le dice a una máquina que realice una tarea repetidamente, midiendo su éxito contra algún patrón. Luego la computadora cambia de rumbo ligeramente, midiendo si mejora o empeora, repitiendo este ciclo hasta que “aprende” cómo completar bien la tarea. Si se corren los suficientes intentos, una computadora puede establecer filtros spam, cambiar grabaciones de voz y volar un helicóptero.

El equipo de datos en Hi Q Labs estima que el aprendizaje de máquinas puede revolucionar a las empresas. Para la mayoría de las compañías, el costo de perder a un empleado de nivel superior es mucho más grande que el de mantener contentos a los empleados existentes. Quienes se van, se llevan consigo su conocimiento y contactos, por ejemplo, y a menudo inducen a los subordinados leales a seguirles.

En respuesta, las grandes empresas tratan de identificar la angustia que se acumula en la fuerza laboral, usando sondeos entre el personal y entrevistas exhaustivas para detectar la insatisfacción. El resultado de este enfoque --un aumento salarial aquí, bicicletas libres de impuestos o vales para guarderías allá-- es luego extendido a todo el personal.

Este enfoque amplio pudiera mejorarse si las compañías supieran a quién tienen más riesgo de perder, dijo Graves. Los algoritmos ideados por Hi Q Labs resuelven esto. Usando los datos internos de una empresa, desde escalas salariales hasta títulos de los empleos, y comparándolos con información sobre salarios y vacantes en compañías rivales, puede predecir quién desertará y por qué razones. Los gerentes luego llaman a los potenciales desertores, ofreciéndoles una solución a la medida que a menudo resulta en algo más que un aumento salarial.

Tipo de cliente

Distinguir los “tipos” ocultos, que separan al comprador de los exploradores, los contentos de los insatisfechos, es un desafío común en el nuevo ámbito de la economía, dijo Scott Nicholson, un doctor en economía de Stanford que asesora a Hi Q. La razón es que las nuevas compañías a menudo son plataformas en las cuales se reúnen compradores y vendedores. Sus empleadores anteriores, LinkedIn y Accretive Health, hacían algo similar, respectivamente con empleados y patrones y con médicos y pacientes. En esas compañías, saber más sobre el tipo de un cliente puede ayudar a la plataforma a sugerir un enlace mejor.

Poynt, un operador de terminales de pago sin efectivo, que es el más reciente empleador de Nicholson, también sigue este modelo. Más allá de aceptar pagos con tarjetas de crédito, Poynt espera ofrecer una mejor conexión entre los tenderos y sus clientes, y entre las propias tiendas. Vincular a las cajas registradoras, por ejemplo, permitirá en teoría a las tiendas compararse con rivales locales anónimos y así responder a la pregunta perenne del minorista: ¿A todas las tiendas locales les está yendo mal, o soy solo yo?

Un uso más mundano sería dar seguimiento a las ventas y a la retención de clientes, potencialmente contra iguales. Este tipo de identificación de referentes alguna vez fue firmemente el terreno de las compañías selectas.


El desafío de los emprendedores

RETOS • Ayudar a hacer despegar una nueva plataforma es un desafío, dijo Riley Newman, jefe de economía en
Airbnb. El desafío específico enfrentado por su empresa, que vincula a “anfitriones” con “huéspedes” --dueños de propiedades que quieren rentar sus casas y quienes buscan espacio para hospedarse-- fue alinear la oferta y la demanda.
Nueva York y San Francisco eran tan populares entre los visitantes que la oferta de anfitriones se quedaba corta, así que anuncios en Facebook, que pueden dirigirse localmente, elevaron la oferta. Boston y Portland tenían muchos anfitriones dispuestos, pero poca demanda, así que anuncios en Google, dirigidos a personas con probabilidad de visitar estas ciudades, elevaron la demanda.
Con la plataforma en operación, Riley y su equipo trataron de hacerla funcionar mejor. Sus anfitriones, dueños de casas en vez de hoteleros profesionales, están desempeñando un papel poco familiar. Al principio, se volvió evidente que algunos anfitriones estaban obteniendo mejores resultados que otros.
Analizando los datos, la compañía encontró que la calidad de las fotos de la vivienda de un anfitrión era un factor clave en su tasa de clics. En consecuencia, Airbnb probó ofrecer un servicio de fotografía gratuito a aquellos que ofrecieran alojamiento, razonando que una mejor demanda compensaría el costo. Los resultados fueron positivos y Airbnb ahora ofrece fotos profesionales gratuitas a la mayoría de los anfitriones.
Al adaptar los productos para que igualen la oferta y la demanda, esta nueva generación está inyectando la economía en la estructura de las compañías de Silicon Valley. Aunque están demasiado ocupadas para darse cuenta, esas firmas también están ofreciendo la mejor defensa de la economía contra sus críticos. Lejos de ser poco realista y estar desfasado, un economista en jefe con un papel adecuado, diseñará la manera en que funcione la compañía.