En el mundo de la investigación de mercado con neuromarketing o consumer neuroscience la herramienta por excelencia es el eyetracking o dispositivo de seguimiento ocular, en resumen, es una tecnología que registra y analiza los movimientos oculares de las personas para conocer los elementos visuales que llamaron su atención; su uso es variado, en contextos de investigación de mercados se usa para medir la atención e interés en una pieza gráfica, o un spot publicitario, lo que la gente ve de un empaque o un brochure, también puede usarse para ver la conducta visual de una persona en una página web o aplicación móvil, y otros dispositivos eyetracking móvil permite incluso ver la conducta visual y atencional de una persona en ambientes de compra real como una tienda o una góndola.
En los últimos años estas tecnologías han evolucionado de forma acelerada, pasamos de los grandes he incomodos eyetracking primitivos, para luego pasar a dispositivos más pequeños para finalmente migrar a algoritmos digitales que usan la webcam para hacer este seguimiento ocular como realeye decantando últimamente en algo llamado eyetracking predictivo que se basa en algoritmos de inteligencia artificial (IA).
El mercado de los eyetracking predictivos con IAs es amplio con una alta oferta de compañías tecnológicas, este se basa en algoritmos que simulan la visualización de un humano a un elemento de publicidad, son tremendamente tentadores debido a su bajo costo, el poco conocimiento que debes tener de la herramienta para utilizarlo y por supuesto la rapidez con la que producen los resultados, y es claro que el esfuerzo requerido para analizar un estímulo basado en el procesamiento de imágenes por parte de una IA es significativamente menor que realizar un estudio con usuarios reales, sean estos presenciales o digitales.
Desde nuestros inicios en el mundo de la conducta humana en contextos de consumo hemos investigado diferentes herramientas, probando su efectividad y quedándonos con aquellas que efectivamente cumplen con su objetivo principal, entender como una persona consume en contextos reales, hemos poco a poco migrado de tecnologías físicas a algoritmos digitales de eyetracking y con la misma curiosidad y rigurosidad quisimos poner a prueba algunos algoritmos de IA.
Para generar un caso real usamos el ejercicio desarrollado por James Breeze para Tobii hace bastante tiempo, este ejercicio busca mostrar algo que detectamos constantemente en estudios de publicidad, la concentración de la mirada (o fijaciones visuales) en los rostros de los modelos de una publicidad, en el 99,9% de nuestros estudios de eyetracking o Neuromarketing vemos este fenómeno, si hay una pieza grafica con un logo, un modelo mirando al frente y un texto, más del 80% de la atención se lo lleva el rostro del modelo, Tobii realizo esta prueba con una marca de pañales de bebe, la primera pieza grafica muestra un bebe mirando de frente, acompañado de un título, texto, una imagen de los productos y su logo.
Luego monto la misma pieza pero con 1 sola variación, en este caso él bebe estará girado mirando el título del texto.
Luego se midieron los resultados con la tecnología de eyetracking o seguimiento ocular, lo que ocurrió fue fascinante.
Como puede verse en este heatmaps o mapa de calor, donde rojo es lo más visto por las personas, amarillo es lo que vio medianamente y verde es lo que vio solo por encima o de pasada, de mas esta decir que aquello que no está marcado por el mapa de calor no fue visto, la concentración está en el rostro del bebe teniendo poca o nula visualización el texto, los productos y el logo que es lo realmente relevante desde el punto de vista de la publicidad.
Ahora cuando hacemos la pequeña variación con el modelo bebe lo que ocurre es que la vista del bebe trackea o mueve la atención del que observa al elemento que está mirando que en este caso es el título del texto, eso aumenta la visualización de los textos y mejora enormemente la visualización del logo marcado esta vez con rojo. Esto es un pequeño cambio que mejora profundamente la performance visual y de atención.
Este ejercicio como comentamos anteriormente es antiguo y ya a esta altura, clásico, usa principios básicos de cómo funciona la visión y atención humana, por eso lo usamos como base para comparar la efectividad de las IAs de eyetracking predictivo.
Para este ejercicio usamos 2 algoritmos el de attention insight y eyequant, todo para ver con curiosidad si estas tecnologías mostraban resultados similares.
Partamos con eyequant:
En el primer caso ya partimos con una diferencia importante, efectivamente se visualiza de la misma forma el rostro del bebe, pero difiere brutalmente en la lectura del texto, casi como si el humano buscara la mayor cantidad de texto para leerlo de forma atenta, este resultado no solo es poco efectivo en la realidad o comparado con el eyetracking real con humanos, sino que ignora el efecto F en lectura, este patrón muestra que los humanos leemos cada vez menos conforme van pasando las líneas de un texto, leyendo las líneas superiores casi completas en la parte superior disminuyendo considerablemente y gradualmente hacia las líneas siguientes.
Ahora cuando analizamos la segunda grafica vemos un error aún más grosero, en este caso la IA ignoro completamente el rostro del bebe y donde estaba mirando fijándose en la oreja y el pie del mismos, sin variar las visualización de título, texto, pañales y logo.
Esto es tan curioso porque incluso se salta el título del texto y las 2 primeras líneas comenzando a leer de plano en el segundo párrafo algo ilógico inclusive para la curiosa conducta humana.
En resumen eyequant falla profundamente en su análisis, lo que puede llevar a sus usuarios a errores bastante profundos en el diseño de estímulos de marketing o publicidad.
Ahora miraremos la performance de attention insight:
Attention ingsight muestra una visualización por parte del cliente demasiado optimista, donde esta IA mira el rostro, el pañal, el título, lee incluso el texto además de ver los pañales y la marca, bajo la mirada de este algoritmo esta pieza grafica esta increíble y cumple todos sus objetivos comerciales, cosa que vimos con la comparación con la conducta visual real que está en diametralmente diferente.
Ahora cuando miramos la variación, que sabemos es más efectiva tiene una performance aun peor, no solo casi se ignora él bebe, manteniendo la visualización del dedo gordo, sino que disminuye las visualizaciones de los pañales y el logo, cambia de forma más orgánica la visualización del texto más cercano al patrón F, pero fallando en general en la performance general de análisis, según esta comparativa attention insight da una mejor performance en la pieza anterior con él bebe mirando de frente.
Como pueden ver claramente, ambos algoritmos fallan impresionantemente en predecir, que es lo que buscan, la conducta visual de una persona real y eso que ni siquiera entramos a un análisis estadístico con las 3 métricas más comunes de eyetracking, que es lo que primero se ve, cual es el elemento que más se ve y cuál es el elemento que por más tiempo se ve.
Esto pasa porque la atención humana, reflejada en la vista, funciona con 2 niveles de procesamiento, el primero es el bottom-up processing, que es una atención provocada por los colores, contrastes o movimientos que tiene un elemento gráfico y la percepción también está impulsada por procesos mentales y experiencias pasadas con marcas, productos o servicios que afectan nuestra conducta, a esto se le conoce como top-down processes.
Esto es además potenciado por una falla estructural de esta herramienta, no hay diferencias en las muestras, es decir, según estos algoritmos un joven de Chile de 19 años se comportaría visualmente igual que una mujer de 50 años de México, algo que por supuesto no tiene ninguna lógica, es decir, estos algoritmos se comportan como si fueran una persona asexual que ha vivido toda su vida en una pecera, sin contacto con el resto de la humanidad, sin conocer marcas, sin jamás haber visto una campaña publicitaria o sido expuesto a un estímulo de marketing, son muy pocos los contextos donde algo así puede ocurrir, uno de ellos es cuando estamos en mercados que no conocemos, es como si una persona en Chile viajara sin saber mucho del país a Australia y tuviese que comprar en un supermercado, en ese contexto nuestro personaje se sentiría tremendamente perdido sin conocer las marcas locales, sin tener referencias de calidad o de si un producto es caro o barato debido al tipo de cambio en una cultura, idioma y continente diferente, es decir, estos algoritmos que buscan predecir la conducta visual humana tienen una falla de base, no pueden, bajo ningún contextos, comportarse como tal.
Es decir, la implementación de estudios de eyetracking predictivo con IAs es significativamente más fácil que los estudios con personas reales, no necesariamente más barato cuando comparamos los costos de estos algoritmos con las licencias de realeye que es un eyetracking webcam base, pero con limitaciones de algoritmos profundos que pueden llevar a los tomadores de decisión a errores que pueden costar dinero y fracasos de campañas comerciales.
Artículo escrito por Miguel Angel Ruiz, Director General de Agencia Mars en colaboración con Juan Pablo Rodríguez, CEO de RK Neuroconsulting.
