¿Cómo la Analítica de Datos Ayudó a Obama a ser reelegido?

Como la Analítica de datos ayudó al expresidente Obama a ser reelegido

Segundo semestre

Eje 2, Big Data

Jhonatan Quintero Londoño, Michael Stiven Sáenz Merchán, Valentina Cardona Rendón.

Ingeniería y ciencias básicas Fundación universitaria del área andina

Ingeniería industrial

10 de mayo del 2021

Contenido

Introducción        3

Objetivos generales y específicos        3

¿Cómo la Analítica de Datos Ayudó a Obama a ser reelegido?        3

Justificación        5

Puntos Clave        8

Conclusiones        9

Referencias        10

Introducción

       En el desarrollo de esta actividad, vamos a mencionar cómo la analítica de datos ayudó al expresidente Obama a ser reelegido. Entre los integrantes del grupo se socializo la analítica de datos que se encuentra en la lectura recomendada y con ello se centró en tres analíticas (prescriptiva, predictiva y descriptiva), que ayudo al presidente Obama en su reelección en 2012. En este contexto y el Big Data Analytics, vamos a establecer la importancia de cada uno de los pasos a seguir por el grupo de trabajo de Obama y la forma que utilizaron para evaluar todos los aspectos.  

Objetivos generales y específicos

El proceso que llevaremos a cabo será un análisis general del uso que se le pueda dar a los datos para prever resultados futuros, en esta caso específico en las encuestas presidenciales, y en general las oportunidades encontradas en cada punto mencionado.

¿Cómo la Analítica de Datos Ayudó a Obama a ser reelegido?

La importancia de desarrollar el proyecto radica en apoyar el aprendizaje de las nuevas tendencias en la gestión de la información, fomentando de esta manera el campo de investigación aplicándolo en distintas áreas.
La Analítica de datos puede ser aplicada sobre cualquier tipo de información y para resolver cualquier tipo de necesidad y eso fue lo que sucedió para la reelección de Obama en 2012. Tras su primer mandato, el expresidente de los EE. UU., Barack Obama, decidió utilizar la Analítica de datos prescriptiva, predictiva y descriptiva para su reelección en 2012. Unas 100 personas (aproximadamente) trabajaron en el departamento de analítica de la campaña. 50 estaban fijos en las oficinas centrales, otros 30 se movilizaron a lo largo y ancho de las distintas sedes del país, y 20 estaban única y exclusivamente centrados en la interpretación de los datos recibidos. Tras un primer análisis, los esfuerzos de la campaña se enfocaron en tres aspectos:

•  Registro (recoger datos de los votantes convencidos).

 • Persuasión (dirigirse a los dudosos de una forma eficaz).

• Voto del electorado (asegurarse de que los partidarios fueran a ejercer el voto sí o sí).

Y, por primera vez, los tres equipos más importantes de las campañas electorales trabajaron con una estrategia unificada con los respectivos datos de cada uno, y la analítica les permitió evidenciar los procesos en común y con ello poder generar relaciones efectivas entre ellos y los votantes.

     El equipo de campaña de Obama decidió recopilar toda la información que los ciudadanos estadounidenses publicaban en toda la red (www). Así podrían saber quién estaba a favor de qué medidas y quién no, mejorando de esta manera sus propuestas y su enfoque, mientras transcurrían las votaciones y a tiempo real. La analítica les permitió conocer mejor en un 66% a los diferentes segmentos en los que sus votantes estaban divididos, especialmente a aquellos sectores más indecisos, y poder convencerles en los medios en los que prevalecían. Por ejemplo, decidieron anunciarse en las pausas publicitarias en The Walking Dead o en la revista Reddit. Introdujeron publicidad en Facebook, Twitter, Instagram, Google Ads, YouTube, entre otras y utilizaron las 10 V 's del Big Data para poder generar la mayor cantidad de datos provenientes de los votantes que jamás se hubiese obtenido en alguna elección en los EE. UU. Con analítica, se optimizó 83,33 % la comunicación y mejoró la respuesta del electorado, permitiendo no malgastar recursos, tiempo y dinero en votantes que no eran partidarios de su partido ya que ahí se encontraban los segmentos a los que tenían que convencer. Otro uso que tuvo la Analítica de datos en esas elecciones históricas fue que la Analítica prescriptiva les permitió lidiar con el complicado estado de Ohio (estado contrario completamente al partido presidencial) gracias a la geolocalización, conociendo cuáles fueron las inquietudes de sus habitantes y sabiendo utilizarlas con la analítica predictiva. Por ejemplo, en la cena que se realizó para la recolección de fondos las analíticas arrojaron con un 56,88 % de posibilidad que el invitado de honor fuese el actor George Clooney, también mostraron evidencia que se debían invitar a un 71,98 % de mujeres entre 40 y 49 años de edad y con un perfil específico a la cena, el cual obtuvieron de estudios realizados con big data, realizar la cena un día específico de la semana, a una hora exacta, incluso hasta predijeron el posible valor a pagar por la cena. Toda una hazaña aplicando Analítica de datos para una campaña presidencial. El resultado… ya lo sabemos (Méndez, 2015).

Justificación

Tomamos como ejemplo el futbolista, actualmente mejor pagado de la Liga Inglesa (Kevin De Bruyne), que renunció a tener un mánager que tuviera sus derechos deportivos y se remitió directamente al Big Data para argumentar su valor de mercado y así justificar su salario y tipo de contrato, revisando su incidencia dentro del juego, únicamente basándose en datos y estadística (https://www.mundodeportivo.com/futbol/premier-league/20210408/493119371863/kevin-de-bruyne-renovacion-por-big-data.html). Caso similar al de Obama.

Analítica descriptiva: Esta analítica nos permite captar la información de lo que ha sucedido, mostrando resultados de cómo están funcionando nuestros negocios hasta la fecha. Partiendo de lo anterior esta nos permite detectar qué productos se están vendiendo más, la analítica descriptiva se puede categorizar a los clientes según sus preferencias de producto, lo que se busca con esta es recopilar datos y buscar patrones entre las personas, es decir que compara y procesa similitudes y diferencias, para lograr un buen resultado descriptivo con mayor detalle. 

...