Las campañas electorales descansan cada vez más en los medios de comunicación de masas y, últimamente, en las redes sociales de internet. Sin embargo, esas campañas son, por caras, poco eficientes y de dudosa eficacia. Por ello, los partidos políticos han empezado a recurrir a métodos computacionales de desarrollo reciente con el objetivo de mejorar los resultados de las campañas electorales. La estrategia parte de la distribución de los electores con respecto a dos variables claves: su ubicación ideológica y la probabilidad de que decidan ir a votar. Y se basa en la convicción de que no tiene sentido esforzarse en atraer a dos tipos de votantes: por un lado, a los que están muy alejados políticamente y es muy improbable que vayan a votar (votos dados por perdidos); y por el otro, a los muy próximos ideológicamente, sobre todo si es muy probable que vayan a votar (votos dados por ganados).

Por lo tanto, los equipos de campaña de los candidatos han de seleccionar a los electores que se encuentran en la frontera. Esto es, han de identificar a las personas sin una orientación ideológica -favorable o contraria- demasiado definida y que se encuentren en la tesitura de si acudir a votar o no, y concentrar el esfuerzo en convencer a esas personas. La novedad consiste en personalizar las actuaciones y es ahí donde radica la dificultad y donde entra en juego la ciencia.

En las últimas elecciones presidenciales norteamericanas el equipo de Barak Obama clasificó a los electores según los criterios citados, esto es, en función de su posición ideológica con relación al Partido Demócrata y de la probabilidad de que fueran a votar. Para ello utilizaron los datos del censo, y asignaron a cada persona una puntuación basándose en esos dos criterios. Una puntuación alta indicaba que merecía la pena esforzarse en conseguir el voto de ese elector en concreto.

La dificultad radica, por supuesto, en asignar una puntuación a cada persona. Los demócratas habían elaborado un modelo matemático basado en información, acerca de los votantes, que ellos mismos ofrecen de manera espontánea sin ser demasiado conscientes de ello. Y es que, comprando o navegando por internet, por ejemplo, dejamos muchos rastros acerca de nuestra actividad, preferencias, poder adquisitivo, nivel formativo, aficiones, etc. A partir de esa información y de otros elementos –por ejemplo, sondeos que recogen simultáneamente la opinión política y otras características- que permiten relacionar los criterios antes citados con variables socioculturales y económicas, se puede estimar la puntuación buscada. Y una vez asignada, los voluntarios de campaña ya disponen de la información necesaria para concentrar el esfuerzo en quienes pueden ser más fácilmente convencidos para que vayan a votar y lo hagan, precisamente, al candidato Obama.

El conjunto de técnicas computacionales que permiten obtener la información relevante se denomina, de forma genérica, minería de datos. Consiste básicamente en detectar y caracterizar patrones comunes en grandes conjuntos de datos. Es, en definitiva, una forma de generar conocimiento nuevo -no disponible mediante ningún otro procedimiento- y que permite caracterizar fenómenos –comportamiento electoral, decisiones de compras, hábitos de vida, etc.- a partir de indicadores indirectos extraídos de grandes volúmenes de datos. Se pueden utilizar en numerosas áreas de la vida social, política o económica, y aunque en Europa –por la mayor protección legal de datos personales- es más difícil acceder a la información más interesante, ello no quiere decir que no estemos siendo analizados colectivamente de forma permanente para animarnos a comprar determinado producto, votemos a aquel candidato, vayamos de vacaciones a cierto hotel, encontremos pareja en internet, o impedir que cometamos un atentado terrorista.

Sobre el autor: Juan Ignacio Pérez (@Uhandrea) es catedrático de Fisiología y coordinador de la Cátedra de Cultura Científica de la UPV/EHU

——————————–

Este artículo fue publicado el 7/6/15 en la sección con_ciencia del diario Deia