close

CSCW

CSCWTecnología

Nuestro celular predice mejor nuestro comportamiento financiero que un test de personalidad

deteccion-movil-smartphone

La computación social es el área de la ciencia de la computación dedicada a estudiar la “capacidad computacional para facilitar los estudios sociales y la dinámica social de las personas, así como el diseño y uso de las tecnologías TIC que toman en cuenta el contexto social” [1]. En palabras más simples, es aprovechar la tecnología que nos rodea (como los dispositivos móviles, las redes sociales, o los sistemas de mensajería) para estudiar el comportamiento de las personas como seres individuales y sociales, de cara a identificar patrones y predecir comportamientos.

Si hay un objeto que en los últimos año ha revolucionado la conducta de las personas, este es el celular. El impacto drástico del uso del smartphone en nuestras vidas ha sido objeto de estudios tanto en sociología, medicina, computación y otras áreas. En este artículo no hablaré de los “peligros” como generar adicción y desórdenes de personalidad [2], sino que de las virtudes o las posibilidades que el celular abre para la investigación y la industria.

En “Semantics in Mobile Sensing” [3], los autores describen cómo surgió el interés por la detección móvil y su evolución hasta hoy. En efecto, a partir de los años ´80, toda una área de la computación móvil y wireless, se ha dedicado a desarrollar sensores y redes de sensores para medir y monitorear fenómenos [3] – es lo que llamamos “mobile sensing” o la “detección móvil”, hasta que en los años ´90 creció el interés por la tecnología wearable (o tecnología que se viste / se lleva puesta). Pero desde la mitad de los años 2000, el límite entre detección móvil y tecnología wearable se ha puesto poco claro y eso principalmente por el desarrollo de los smartphones. En la actualidad, estos dispositivos tienen no solamente una gran capacidad de procesamiento, sino que disponen de múltiples sensores integrados, mientras que nosotros, como usuarios, les entregamos acceso a una cantidad inimaginable de data acerca de nuestro comportamiento, principalmente gracias a las redes sociales y otras aplicaciones móviles.

¿Qué puede detectar un sensor?

La siguiente tabla [4] presenta algunos de los sensores incorporados más frecuentes:

Sensor Función Tecnología Aplicaciones
Acelerómetro Rotación de pantalla Aceleración Sensores de vibración
Luz ambiental Sensor de luz Detectar la intensidad de la luz Ajuste de la luminosidad de la pantalla y ahorro de energía
Cámara Sacar fotos y videos Grabar la escena Análisis de imágenes y colorimetría
Compás digital Compás Medir el campo magnético y el efecto Hall Detectar el campo magnético
Giroscopio Postura del dispositivo Medir el ángulo Determinar la posición
GPS Receptor GPS Radiofrecuencia Posición y hora
Micrófono Conducir la voz Sonido Analizador de espectro para medir sonido y ruido
NFC RFID Comunicación de campo cercano Pagos, venta de entradas, seguridad
Proximidad Sensor fotoeléctrico Detectar la distancia Apagar la pantalla

La capacidad del smartphone puede ser también extendida gracias a sensores externos que permiten medir y monitorear variables adicionales. La siguiente tabla incluye algunos de los sensores externos más comunes [4]:

Sensor Función Aplicación
Sensores químicos Detectar ingredientes químicos y gas Análisis de respiración, matching de perfumes, frescura de alimentos
Sensores fisiológicos Detectar datos fisiológicos Salud, diagnóstico, exámenes corporales
Cámaras 3D Decisión de profundidad Realidad aumentada, control de gestos
Microbolómetro Espectro infrarrojo Imágenes infrarrojas y detección de calor
Barómetro Altura Targeting
Magnetómetro Orientación Navegación direccional

En otra categorización [3], los sensores se clasifican en base a sus propiedades de observación: (1) propiedades espaciales y temporales, (2) propiedades comportamentales y (3) propiedades fisiológicas. A estos sensores físicos o pequeños elementos de hardware, se agregan los “sensores humanos”, que son mucho más potentes en cuanto a la exactitud y la capacidad de entregar información de comportamiento ocupando las redes sociales que estamos usando, como Facebook, Twitter o YouTube.

¿Qué tanto dice nuestro celular de nuestro comportamiento?

Si trabajas en marketing o en experiencia cliente, seguramente te ha tocado llevar a cabo estudios cuantitativos y cualitativos, a través de entrevistas, focus groups, encuestas o haciéndote amigo de alguien del área de business intelligence (BI) para que analize gran cantidad de data de los clientes hasta altas horas de la madrugada. O quizás hasta pensaste que el neuromarketing logrará hacerte entender lo que está pasando en la mente de tu usuario o cliente. A continuación veremos algunos ejemplos de lo que el celular puede decir del comportamiento de las personas.

Tomemos un caso del mundo financiero. Entender cómo gastan las personas y las parejas es relevante para el marketing, desde el punto de vista de la adquisición de clientes y la retención [5].

En un estudio realizado durante un año con 52 personas (26 parejas), los investigadores compararon la capacidad de un modelo basado en parámetros de detección móvil, con un modelo basado en rasgos de personalidad, para predecir el comportamiento financiero.

Para el modelo basado en rasgos de personalidad, se ocupó el cuestionario Big Five (Modelo de los cinco grandes), ampliamente usado en psicología. Estudios previos citados por los autores mostraron que algunos rasgos de personalidad, como la introversión, la estabilidad emocional y la responsabilidad emocional, están relacionados con decisiones financieras. Para la construcción del modelo, los autores se concentraron en la exploración, la lealtad y los gastos excesivos, y para cuantificarlas, ocuparon las siguientes variables:

  • exploración: calcularon la diversidad de las marcas o los locales donde los participantes compraron;
  • lealtad: calcularon la frecuencia de las compras en los comercios favoritos;
  • gastos excesivos: calcularon el % de gastos realizados versus el presupuesto discretional que los participantes habían reportado en un cuestionario inicial.

Por otra parte, para el modelo basado en interacciones sociales, consideraron:

  • la co-locación, que identificaron a través del Bluetooth,
  • el registro (log) de llamados,
  • el registro (log) de SMS.

Los resultados muestran que el modelo basado en las variables sociales capturadas por el celular, predice con mayor exactitud nuestro comportamiento financiero que el test de personalidad (72% versus 60%):

“These results suggest that socio-mobile feature based models might be able to capture behavioral traits that go beyond the personality variables at explaining the spending behavior.”

Tal como lo podemos ver en el siguiente gráfico, las variables de personalidad son aún menos exactas en cuanto a predecir los gastos excesivos (50%), comparado con el modelo basado en interacciones sociales (69%).

deteccion-movil

Una consideración práctica: para llevar a cabo tales estudios, es fundamental preocuparse de la privacidad, la seguridad de la información, obtener el consentimiento informado de las personas y, obviamente, motivarlas para que participen y compartan la data acerca de su comportamiento. Curiosamente, aunque en las encuestas las personas tienden a decir que están preocupadas por la privacidad, en la práctica parece que somos mucho más generosos con nuestra información privada [6].

Desmitificando mitos

Como anécdota, existe o existía una creencia común acerca de la cantidad de amigos y seguidores en redes sociales, como indicador de éxito (o por lo menos en el restringido círculo de marketeros) y de bienestar financiero. Si es algo que no los deja dormir, deberían dejar de preocuparse ya que investigadores del MIT Media Lab [7] no encontraron correlación entre el estatus financiero y la cantidad de contactos únicos en redes sociales y el tiempo pasado en redes sociales:

“Our study shows that counterintuitively, wealthier individuals do not necessarily spend more or less time on meetings and calls, and they also do not necessarily have more friends or contacts”.

Es decir, si tienes mejor estatus financiero, no necesariamente pasas más o menos tiempo en reuniones, hablando por teléfono, y no tienes más amigos o contactos.

Conclusiones

Aprovechando este breve repaso acerca de la detección móvil, mi intención era recordarnos todo lo que nuestro celular “sabe” de nosotros y, en este contexto, poner en perspectiva, lo que ya sabemos acerca de la diferencia entre lo que la persona hace realmente y lo que dice que hace. Los estudios acerca de los hábitos financieros y la capacidad de nuestro celular de predecir nuestro comportamiento son solo algunos ejemplos de aplicaciones prácticas y de las posibilidades que la detección móvil nos abre, como investigadores y profesionales.

Referencias

[1] Wang, F.Y., Zeng, D., Carley, K. M. (2007). Social Computing: From Social Informatics to Social Intelligence. IEEE Intelligent Systems. 22 (2). 79-83.

[2] Pearson, C., Hussain Z. (2015). Smartphone Use, Addiction, Narcissism, and Personality: A Mixed Methods Investigation. International Journal of Cyber Behavior, Psychology and Learning, 5 (1), 17-32. [Revisado el 29 de mayo de 2016].

[3] Yan, Z., Chakraborty, D. (2014). Semantics in Mobile Sensing, pp. 14. [Disponible en línea, revisado el 29 de mayo de 2016].

[4] Chen, C.Y., Chen, Y.H., Lin, C.F., Weng, C.J., Chien, H.C. (2013). A Review of Ubiquitous Mobile Sensing Based on Smartphones, International Journal of Automation and Smart Technology. 4 (1). 13-19.

[5] Singh, V. K., Freeman, L., Lepri, B., Pentland, A.S. (2013). Classifying Spending Behavior using Socio-Mobile Data. HUMAN 2. no. 2. 99-111.

[6] Dinev, T. (2014). Why would we care about privacy? European Journal of Information Systems, 23, 97–102.

[7] Pan, W., Aharony, N., Pentland, A.S. (2011). Fortune Monitor or Fortune Teller: Understanding the Connection between Interaction Patterns and Financial Status. Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third Inernational Conference on Social Computing (SocialCom)

read more
CSCWTecnología

Desafíos en la implementación de un sistema colaborativo

sistemas-colaborativos2

En “Why CSCW applications fail”, Grundin (1988) identifica 3 principales factores que llevan al fracaso en la implementación de un sistema colaborativo:

  1. Diferencias mayores entre los usuarios beneficiados por una aplicación y los que deben realizar un trabajo adicional para soportar el funcionamiento del sistema;
  2. Falta de intuición en la gestión de los sistemas colaborativos;
  3. Dificultad extrema para evaluar las aplicaciones.

Cabe destacar que el contexto descrito por Grundin era típico de un ambiente de investigación y práctica que se estaba recién formando. Ahora bien, en la medida que los sistemas colaborativos fueron incorporados como parte fundamental en diversos tipos de equipos de trabajo, algunos desafíos quedaron atrás, mientras que otros nuevos surgieron. Con la adopción masiva de servicios como Google Drive, Trello o Slack, que pasaron por periodos intensivos de pruebas y evaluaciones, es de esperar que la evaluación (desafío #3 en el trabajo de Grundin) ya no es un problema mayor. Además, dado que tanto las organizaciones como las personas cuentan cada día más con experiencia (documentada o no) en la implementación de sistemas colaborativos, la falta de intuición en la gestión tampoco parece ser un problema insurmontable. Adoptar sistemas colaborativos existentes en vez de “reinventar la rueda” desarrollando sistemas internos a medida, asegura también que la plataforma haya pasado por evaluaciones previas que han generado mejoras continuas.

Lo cierto es que los desafíos organizacionales generados principalmente por la brecha entre los que implementan (ej: desarrolladores) o los que solicitan la implementación (ej: personas con cargo ejecutivo) y los que realmente ocupan un sistema, siguen existiendo. Ocupar un sistema colaborativo puede agregar nuevas tareas y generar una carga de trabajo adicional comparado con el trabajo colaborativo “natural”, es decir no soportado por un sistema (Dourish y Bellotti, 1992). En este sentido, el uso de los sistemas colaborativos y de la tecnología en general, tiene un impacto en el comportamiento de las personas y las prácticas laborales. Con el tiempo, ciertos roles tienden a desaparecer, mientras que otros nuevos surgen. Si bien no lo nombra directamente, Grundin hace referencia a la importancia de la etnografía y el diseño centrado en el usuario como proceso fundamental a la hora de diseñar un nuevo sistema colaborativo:

“We need to have a better understanding of how groups and organizations function (…) At the same time, we also need to know more about individual differences in responding to technology if we are to develop systems that can support entire groups. (…) We must also develop a better behavioral understanding of our own decision – making processes as researchers and developers”.

Otros desafíos relativamente nuevos son la necesidad de generar la conciencia (“awareness” en inglés) o el conocimiento del trabajo de los demás – en cuanto a acciones y el contenido generado como tal, la coordinación (Dourish y Bellotti, 1992), y la privacidad (Harrison y Dourish, 1996).

Entender los desafíos en torno a los sistemas colaborativos es esencial a la hora de diseñar, desarrollar e implementar estos sistemas en una organización.

Llevando este tema a un nivel diferente, más bien conceptual, en un trabajo que es un planteamiento interesante, aunque algo abstracto, Harrison y Dourish (1996) abogan la necesidad de tratar los sistemas colaborativos desde el punto de vista del lugar en el cual se fomentan ciertos comportamientos y se realizan acciones que tienen cierta connotación cultural. A diferencia de esta visión de lugar, estaría la espacial, que los autores consideran equivocada para abordar un proceso de diseño de sistema colaborativo. La siguiente frase sintetiza el principio de Harrison y Dourish:

“Space is the opportunity; place is the understood reality”.

Como observación, me parece interesante tanto el fondo como la forma de este trabajo presentado en la conferencia CSCW, dada su orientación hacia la opinión acerca de un área en específico, y el cuestionamiento de cómo se plantean los procesos de diseño.

Finalmente, como conclusión, los tres trabajos se enfocan en aspectos distintos en la práctica y la investigación de los sistemas colaborativos, dos ocupando estudios de caso (Grundin, Dourish y Bellotti), mientras que el tercero (Harrison y Dourish, 1996) es más bien una aproximación conceptual que plantea recomendaciones para el proceso de diseño de sistemas colaborativos.

NOTA: Esta entrada fue escrita en el marco del taller de sistemas colaborativos IIC3562.

Referencias

Dourish, P., Bellotti, V. (1992). Awareness and Coordination in Shared Workspaces. En Proceedings of the 1992 ACM conference on Computer-supported cooperative work

Grudin, J. (1988). Why CSCW Applications Fail: Problems in the Design and Evaluation of Organizational Interfaces.

Harrison, S., Dourish, P. (1996). Re-Place-ing Space: The Roles of Place and Space in Collaborative Systems. En Proceedings of CSCW Conference.

read more