CAPÍTULO 16Lo que se puede medir

Lo que se puede medir

Con Daniel, o quizá a causa de todo lo que había vivido con él, empecé a desconfiar un poco de la facilidad con la que las personas convertíamos impresiones en certezas.

No fue una transformación dramática. No me volví escéptica de todo ni empecé a tratar cada conversación como si escondiera una segunda intención.

Simplemente comencé a notar con más claridad cuánto de lo que llamábamos intuición dependía de datos incompletos, memoria selectiva y contexto.

En mi trabajo aquello no era nuevo. Llevaba años viendo cómo una campaña parecía funcionar por una razón y luego, cuando uno abría los números, resultaba que el comportamiento real era otro.

La diferencia era que hasta entonces yo había mantenido ese mundo separado de mi vida personal.

Los clientes podían convertirse en porcentajes, patrones, recorridos, tiempos de respuesta y probabilidades.

Las personas que quería no.

Con Daniel, la relación había entrado en una etapa extrañamente estable.

No idéntica a la de antes de su desaparición, pero quizá más adulta.

Ya no hablábamos todo el tiempo ni necesitábamos hacerlo.

Había días enteros en los que cada uno estaba ocupado y eso no significaba nada.

Si viajaba, me decía a dónde iba sin que yo preguntara demasiado.

Si yo tenía una semana imposible, podía pasar horas sin responderle y él no convertía eso en una conversación sobre nosotros.

La intensidad de los primeros años se había transformado en una especie de presencia constante que, precisamente porque era menos urgente, resultaba más difícil de cuestionar.

Daniel estaba ahí. A veces de manera cercana, otras apenas como un mensaje en medio del día, pero había recuperado un lugar en mi vida sin volver a ocuparla por completo.

Seguía habiendo cosas que no sabía.

Eso ya no me sorprendía. Daniel podía hablar veinte minutos sobre un problema con un proveedor y terminar la llamada sin que yo supiera exactamente cuál era su puesto dentro del proyecto.

Podía contar una anécdota de una cena de trabajo y mencionar a tres personas sin explicar quiénes eran hasta semanas después.

Algunas veces usaba el anillo durante viajes; otras no.

Dejé de preguntar cada vez. Había dado una explicación y, mientras no apareciera algo que la contradijera, no tenía sentido convertir un objeto en interrogatorio permanente.

Lo mismo ocurría con su presencia digital.

La cuenta de Instagram seguía casi vacía y él parecía perfectamente cómodo con eso.

En algún momento entendí que intentar convertir a Daniel en una persona más fácil de verificar no iba a volverlo necesariamente más verdadero.

Lo que sí cambió fue mi trabajo. Uno de mis clientes más grandes había empezado a obsesionarse con atribución.

Querían saber no solo qué campaña vendía más, sino cuál tenía más probabilidades de convertir a determinada persona, en qué momento, después de cuántos impactos y bajo qué combinación de mensajes.

Ese tipo de preguntas siempre terminaban produciendo presentaciones llenas de gráficos que fingían mayor precisión de la que realmente teníamos.

Yo odiaba eso. Una cosa era observar que cierta audiencia respondía mejor a un mensaje y otra muy distinta afirmar que sabíamos por qué una persona específica había comprado algo.

En una reunión alguien dijo que necesitábamos “más predicción y menos explicación retrospectiva”.

La frase se me quedó. Hasta entonces casi todo mi trabajo consistía en mirar hacia atrás.

Qué había funcionado. Quién había abierto.

Quién había hecho clic. Qué segmentos abandonaban antes.

Qué anuncio tenía mejor retorno. Incluso las recomendaciones futuras eran, en realidad, extrapolaciones de comportamiento pasado.

Sin embargo, el mercado estaba cambiando.

Cada vez más proveedores prometían sistemas capaces de anticipar qué usuario probablemente compraría, cancelaría, ignoraría una campaña o respondería mejor a determinada oferta.

La mayoría me parecían versiones caras de cosas que ya hacíamos con modelos bastante menos glamorosos. Hasta que uno empezó a funcionar demasiado bien. No era Veyra.

Todavía no. Era una plataforma de análisis predictivo que uno de los equipos del cliente estaba probando con un proveedor externo.

El sistema recibía datos de campañas, sesiones, aperturas, conversiones, historial de compras y algunos eventos de comportamiento autorizados. Después asignaba probabilidades.

Nada espectacular.

Nada que sonara a ciencia ficción. Un usuario tenía setenta y dos por ciento de probabilidad de abandonar.

Otro, cuarenta y ocho de convertir durante la siguiente semana.

Cierto segmento reaccionaría mejor a urgencia que a descuento.

Lo interesante era que, en varias ocasiones, acertó donde nosotros no.

La primera vez fue con una campaña que yo estaba segura de que iba a funcionar.

El producto era bueno, la audiencia estaba bien definida y los resultados iniciales parecían confirmar la hipótesis.

Durante una llamada, alguien del equipo compartió el reporte del sistema y señaló que el rendimiento probablemente caería de manera significativa después de las primeras cuarenta y ocho horas. Yo pregunté por qué.

La respuesta fue una combinación de frecuencia, saturación temprana, comportamiento de cohortes similares y una disminución específica en la intención después del segundo impacto.

Me pareció demasiado específico.

Dos días después, ocurrió exactamente eso.

No fue magia. Cuando revisé los datos entendí cómo podía haber llegado a esa conclusión. Las señales existían.

Solo estaban distribuidas en demasiados lugares como para que una persona las identificara con la misma velocidad.

Daniel encontró divertidísima mi irritación.

—Así que la máquina tenía razón.

—Una vez.

—Todavía la tiene.

—No significa que sepa nada.

—Suenas ofendido.

—Porque la gente le atribuye inteligencia a cualquier cosa que produzca un porcentaje con dos decimales.

Daniel se rio.

—Eso suena personal.

—Lo es.

Estábamos hablando por video. Él estaba en casa, sin anillo, con una taza que yo reconocía y el mismo suéter gris que llevaba usando desde hacía años.

Esa normalidad volvía absurdo pensar que, algún día, una conversación sobre modelos predictivos pudiera tener algo que ver con él.

—¿Qué predijo? —preguntó.

Le expliqué la caída de rendimiento.

Daniel escuchó con más atención de la que esperaba.

—¿Y no lo viste?

—Gracias.

—No me refería a eso.

—Pero fue lo que dijiste.

—Sabes a qué me refería.

Sonreí.

—No. Yo veía señales distintas.

—Entonces vio más.

—Vio más datos.

—¿Lo mismo?

—No.

Daniel levantó una ceja.

—¿Por qué no?

La pregunta me hizo pensar más de lo necesario.

—Porque ver más no significa entender mejor.

—¿Pero y si predice correctamente?

—Entonces predice correctamente.

—Eso suena a evadir la pregunta.

—Y tú suenas como alguien que debería irse a dormir.

Daniel sonrió.

—A Cenicienta no le gusta perder discusiones.

—Cenicienta factura por hora. Cuidado.

Cambiamos de tema.

Pero yo seguí pensando en la pregunta.

Si un sistema no entendía a una persona y aun así podía predecir lo que haría, ¿cuánta diferencia práctica había entre entender y acertar?

En mercadotecnia, probablemente poca. En cualquier otro lugar, demasiada.

Durante los meses siguientes empecé a involucrarme más en proyectos relacionados con analítica avanzada, no porque me hubiera convertido en evangelista de la inteligencia artificial sino porque los clientes empezaban a pedirla.

La expresión aparecía en presentaciones, presupuestos y llamadas de venta con una frecuencia casi cómica.

La mitad de las veces significaba automatización.

Otras veces, segmentación sofisticada. En los mejores casos había modelos realmente útiles detrás.

Yo aprendí suficiente para distinguir, al menos la mayoría de las veces, una herramienta seria de una caja negra rodeada de lenguaje de moda.

Me interesaban especialmente los errores.

Los aciertos impresionaban a los directivos.

Los errores enseñaban más. Había sistemas que confundían correlación con intención.

Otros sobrevaloraban comportamiento reciente.

Algunos parecían brillantes hasta que cambiaba una condición y entonces se derrumbaban.

Una campaña podía parecer destinada a convertir porque un usuario había visitado cinco veces una página, cuando en realidad las cinco visitas provenían de alguien intentando resolver un problema con una compra anterior.

Sin contexto, la misma conducta podía significar deseo o frustración.

Ese detalle empezó a obsesionarme profesionalmente.

No las personas.

El contexto. Un modelo podía trabajar con datos perfectamente correctos y aun así llegar a una conclusión equivocada porque había interpretado mal lo que esos datos representaban.

Pensé en Daniel algunas veces. No de una manera que me gustara.

Una noche, revisando un reporte, me sorprendí imaginando qué concluiría un sistema si viera cinco años de nuestra relación sin conocerla.

Hospitales.

Silencios.

Viajes.

Mensajes enviados desde dispositivos distintos. Una desaparición de casi un año. Una cuenta sin nombre real. Un anillo que aparecía en viajes de trabajo. Variaciones de tono.

El resultado probablemente sería terrible.

La idea me hizo sonreír. Luego dejó de hacerlo.

Porque ese mismo conjunto de datos también contenía fotografías reales, videollamadas, personas que existían, lesiones visibles, conversaciones de miles de horas y suficientes detalles consistentes como para destruir cualquier teoría sencilla.

¿Qué haría un modelo con ambas cosas? No lo sabía.

Y no tenía ninguna intención de averiguarlo.

Daniel no era un cliente. Mi relación no era un dataset.

Esa frontera me parecía tan obvia que ni siquiera necesitaba defenderla.

Durante aquella etapa él viajaba menos que antes.

Las llamadas eran más previsibles y las variaciones de tono que alguna vez me habían inquietado aparecían con menor frecuencia.

A veces pasaban semanas sin que nada me hiciera detenerme.

Cuando ocurría, yo ya no reaccionaba de inmediato.

Había aprendido que una frase seca no era una identidad, que un silencio no era necesariamente una crisis y que un detalle incompleto no tenía obligación de convertirse en misterio.

Esa disciplina me hizo sentir más sensata.

También me volvió menos preparada para lo que vendría después.

Porque los patrones peligrosos no siempre se presentan cuando uno está buscándolos.

A veces aparecen justo cuando uno ha decidido dejar de hacerlo.

En una llamada de trabajo, meses después de aquella primera predicción sobre una campaña, uno de mis clientes me habló de un programa beta al que estaban considerando entrar.

No dio demasiados detalles. Dijo que era una plataforma más ambiciosa, capaz de combinar distintas fuentes de comportamiento y producir no solo puntuaciones de conversión, sino hipótesis sobre continuidad, intención y probabilidad de acciones futuras. Pregunté el nombre.

La respuesta fue una palabra que entonces no significaba absolutamente nada para mí.

Veyra.

La escribí en una libreta junto al nombre de otros tres proveedores.

Y seguí con la reunión.