En su opinión, igual que el funcionamiento del cerebro no se explica solo mediante el estudio de las neuronas, o que para entender el comportamiento de los mercados financieros no basta con conocer a cada inversor individual, hace falta también algo más para describir cómo funcionan las redes. Y ese 'algo' son las relaciones. “La revolución de las redes sociales surge de la posibilidad que tenemos hoy de monitorizar nuestras acciones individuales, y sobre todo, nuestras relaciones con otros, cosa que hace unos años era imposible”, afirma.
Desde hace siete años, este doctor en física trabaja en el diseño de modelos estadísticos que describen cómo se comunican los humanos en las redes mediante el análisis de grandes cantidades de datos individuales y relacionales. Una vez creados, pueden utilizarse para mejorar procesos de transmisión de información o detectar corrientes de opinión, capacidades que resultan muy útiles a empresas, instituciones y anunciantes que quieren ofrecer productos y servicios a un público específico.
Moro es profesor de la Universidad Carlos III de Madrid (UC3M) y miembro del Instituto de Ciencias Matemáticas del CSIC. Ha sido asesor científico de varias empresas y actualmente colabora con el Instituto de Ingeniería del Conocimiento desarrollando productos para el análisis de redes, predicción de marketing viral, administración de la relación con los clientes (CRM, por sus siglas en inglés) y detección de opinión en Twitter. MIT Technology Review en español conversó con él tras su participación en el panel "Las redes sociales como motor de la acción colaborativa" de la conferencia Emtech Spain.
TR.es: ¿Dónde está el límite de lo que podemos conocer analizando datos obtenidos de las redes sociales?
Esteban Moro: En las redes sociales hay dos tipos de datos: los individuales, como la edad, el sexo, qué compramos y hacemos, a dónde vamos, etc.; y los de relación, que son con quién aparecemos en una foto, a quién retuiteamos o con quién hablamos, entre otros. La minería de estos datos individuales y de relación ha posibilitado modelos que permiten conocer con bastante grado de fiabilidad los gustos, aficiones, lugar de trabajo o viajes de alguien que esté en dichas redes sociales y hacer que terceros -por ejemplo, anunciantes- segmenten mejor a posibles clientes para anunciar o predecir la compra de un producto o servicio.
Entonces, ¿podemos saber prácticamente todo de cada persona?
Desde el punto de vista técnico siempre existe un límite que es el nivel de predicción de los modelos: nunca uno de ellos puede predecir con una seguridad del 100 por cien lo que va a comprar alguien. Desde el punto de vista personal, el límite lo ponen las propias personas, las empresas que gestionan esos datos y las Administraciones. Hay que ser conscientes de lo que compartimos, dónde lo hacemos y qué esperamos obtener a cambio de nuestros datos.
La privacidad en las redes sociales parece más difícil de garantizar…
Sí, son un ento o con menos privacidad ya que los datos de relación permiten conocer a alguien sólo con conocer a sus amigos. Un ejemplo: incluso aunque una persona no dé a conocer su sexo o su edad es bastante probable conocer esos datos utilizando la red de amigos que tiene. Por eso en las redes sociales el concepto de privacidad debe ser ‘extendido’: involucra al individuo y a sus relaciones.
¿Qué retos plantea diseñar un modelo de la comunicación humana?
Nuestro objetivo con el proyecto que hemos realizado en la UC3M junto a Telefónica era estudiar y modelizar matemática y estadísticamente los patrones temporales de comunicación entre dos personas y de toda una red social. Nuestro primer reto fue el análisis de datos: para modelizar la comunicación humana estudiamos billones de registros de llamadas de más de 20 millones de personas con 700 millones de relaciones entre ellas. El volumen y la complejidad de los datos ha requerido herramientas computacionales específicas. Afortunadamente el resultado, en forma de modelo estadístico, nos ha permitido aislar las propiedades más importantes de esos patrones de comunicación, lo cual hace más factible el análisis, modelización y utilización de esos datos en otros contextos. De alguna manera, el modelo matemático permite reducir la complejidad de los datos porque es una versión simplificada o estilizada de la realidad.
¿Qué resultados sobre las características de la comunicación humana obtuvisteis?
Los resultados de nuestro análisis y modelo nos han permitido conocer, en particular, que los humanos nos comunicamos a ráfagas. Nuestro comportamiento no sucede de manera homogénea en el tiempo, sino que hay periodos en los que no hay comunicación sucedidos por intervalos cortos de muchas llamadas. El efecto de estas ráfagas es que ralentizan la difusión de información ya que los grandes períodos de inactividad en la comunicación entre dos personas hacen menos probable el traspaso de una información de una a otra. En el estudio también se destaca que la comunicación humana sucede en conversaciones en grupo, es decir, aunque se produce a ráfagas, éstas ocurren a la vez entre los miembros de un grupo social, lo cual acelera la difusión de información dentro de esos grupos.
Una vez construido el modelo, ¿qué pasos hay que seguir para hacer predicciones?
A partir del modelo descriptivo se pueden construir algoritmos predictivos que evalúen, por ejemplo, cuándo van a hablar dos personas, la probabilidad de que una relación entre ellas haya terminado o qué personas son más influyentes para transmitir un mensaje. Para llegar a esos algoritmos es absolutamente necesario tener un modelo destilado de los datos. No es posible construir un modelo predictivo directamente sobre los datos. Este es el objetivo de nuestra investigación: identificar las piezas relevantes de la comunicación humana para ponerlas juntas en un modelo que describa y prediga el funcionamiento de la red social.
¿En qué ámbitos puede aplicarse esta capacidad de predicción?
Nuestro interés principal ha sido académico y dar a conocer nuestros resultados a la comunidad científica y a la sociedad, pero pueden surgir aplicaciones tanto para los usuarios finales -por ejemplo, gestión de la información o identificación de bots [programas que realizan tareas automatizadas en Inte et]- como para empresas que utilizan esa información para dar mejor servicio a sus clientes. El ámbito político es un ejemplo interesante de esta dualidad, ya que conocer cómo se propaga la información en redes sociales puede ayudar a los ciudadanos a tener una opinión mejor formada sobre las discusiones, ideas y movimientos que surgen y utilizan las redes sociales. Por otro lado, las organizaciones pueden utilizar nuestros modelos para hacer que la información viaje más rápido por las redes sociales.
La gente no se entera de las cosas de la misma forma en Twitter que en Facebook, ¿cómo podéis manejar ‘matemáticamente’ esas diferencias?
Curiosamente, aunque en ambas redes sociales tenemos diferentes maneras de comunica os, los patrones temporales de comunicación en ambas son universales. Son los mismos que en otros canales como el correo electrónico o en la comunicación cara a cara: nos comunicamos a ráfagas y sobre todo en conversaciones en grupo. Esto hace que aunque los parámetros de los modelos sean diferentes en cada red social, la base matemática de los modelos sea la misma.
¿El ritmo de comunicación entre las personas será igual en el futuro, independientemente de las nuevas redes sociales que se creen?
Es difícil predecir lo que veremos y usaremos en el futuro. No obstante, muchas de las propiedades de la comunicación humana provienen de nuestras limitaciones cognitivas, de tiempo o monetarias. Por ejemplo, las ráfagas de comunicación se deben a la manera que tenemos de gestionar nuestro tiempo y surgen de un proceso de optimización del mismo. Esto se observó hace tiempo en el intercambio de correos electrónicos y no ha cambiado con el uso de las redes sociales. Los patrones de comunicación son algo inherente a nuestra naturaleza humana y por tanto son y probablemente serán universales.
¿Qué recomendaría a una empresa para tener éxito en una campaña de marketing viral?
Dos cosas básicas: medición y gestión del riesgo. En las redes sociales es muy difícil conseguir que algo se propague rápido y con mucho alcance. Por eso es fundamental medir cómo se está desarrollando la campaña en los primeros momentos de la misma, no sólo medir el número de suscriptores o clientes, sino cómo es la cascada de recomendaciones por la que viaja la información. Esto permite construir modelos que puedan predecir el alcance de la campaña y calcular el riesgo de que fracase o no.
¿Qué le parece el uso de las redes sociales que ha hecho la campaña de Obama este año?
Lo que ha mostrado ha sido la victoria de los modelos, el análisis de los datos y la utilización de los ‘grandes datos’ para conocer el comportamiento humano frente a análisis menos científicos. El equipo de Obama ha utilizado herramientas analíticas, millones de datos procedentes de las redes sociales y el conocimiento de cómo son los procesos de transmisión de información y de contagio social para conseguir, por ejemplo, que ciertas personas recomendaran a un amigo ir a votar o participar en un mitin. Este tipo de herramientas, que son parecidas a las que las empresas utilizan en las campañas de marketing M2M (del inglés, member to member), marketing viral o marketing con componente social, por primera vez se han llevado al terreno de la política y están aquí para quedarse.