Compromiso de dispositivo aleatorio: qué pasa con los métodos

A medida que los teléfonos se vuelven cada vez menos ubicuos, se vuelve difícil realizar encuestas telefónicas. ¡Pero la buena noticia es que hay una nueva forma de realizar encuestas! La participación aleatoria de dispositivos (RDE) es un método innovador para realizar investigaciones que utiliza el identificador único del encuestado como la clave de su participación.

Es importante tener en cuenta que al observar el identificador de los anuncios del mundo del dispositivo, las empresas de encuestas pueden prevenir el fraude relacionado con SUMA (usuarios únicos, cuentas múltiples). Las muestras de RDE también son completamente aleatorias y no sesgadas. Se utiliza una mejora en la marcación aleatoria de dígitos para interactuar con teléfonos fijos (y ahora celulares) al azar.

Esta flexibilidad tiene una serie de ventajas sobre los métodos de encuesta tradicionales: las RDE son menos costosas porque no requieren viajes u otros costos asociados con la realización de entrevistas; brindan más privacidad a los encuestados porque nadie ve quién completó o no la encuesta; y ofrecen más control sobre cuándo los encuestados tienen acceso a la encuesta, ya que no se necesitan entrevistadores u otro personal en los sitios de recolección (Tucker 1983; West y Blom 2017).

¿Qué es la participación aleatoria de dispositivos?

Presentemos el Compromiso aleatorio de dispositivos (RDE); el sucesor natural de RDD (Random Digit Dialing), en términos de ortografía, filosofía y calidad.

El sondeo de participación aleatoria de dispositivos (RDE) se basa en redes publicitarias u otros portales en dispositivos para atraer a personas aleatorias donde se encuentran. Una de las versiones más comunes de esto se encuentra dentro de los módulos de publicidad de teléfonos inteligentes, pero se puede colocar fácilmente en juegos, realidad virtual, etc.

El principio detrás de las encuestas de Random Device Engagement es que las personas que han sido seleccionadas por una empresa de encuestas tienen más probabilidades de participar en las encuestas que aquellas que no han sido seleccionadas. Los anunciantes pueden aprovechar las encuestas de RDE de esta manera para comprender mejor cuál es la experiencia del cliente dentro de sus productos o servicios y cómo podrían mejorarlos.

Random Device Engagement representa un gran beneficio, especialmente cuando se compara con RDD. Si bien las encuestas se pueden completar en cuestión de días, no es raro que RDD tarde semanas o incluso meses. Con las redes sociales y el crowdsourcing asistido, las encuestas se pueden completar un poco más rápido que con RDE, pero aún carecen de la velocidad que ofrece RDE.

Los paneles en línea son comparables en velocidad si paga más por los encuestados de los paneles combinados (los paneles en línea cobran más para obtener encuestados de otros paneles porque aumenta su velocidad).

Cuando se trata de la precisión de RDE, es importante saber que la cobertura es uno de los factores principales. Dentro del mercado estadounidense, las principales empresas de RDE pueden llegar a más de 5 000 000 de encuestados únicos. RDE todavía está rezagado con respecto a RDD en términos de cobertura en este momento, pero pronto se pondrá al día. Las encuestas colaborativas que utilizan las redes sociales son similares a las colaboraciones colectivas asistidas por las redes sociales, y la cobertura es superior a la de los paneles en línea.

Los paneles que están disponibles en línea tienen una huella muy pequeña, lo que afecta su capacidad para recopilar información detallada sobre la población.

Métodos de participación de dispositivos aleatorios

Revisemos el trabajo publicado tanto en Goel, Obeng y Rothschild (2015) como en Konitzer, Corbett-Davies y Rothschild (Nd) para mostrar cuán efectivos pueden ser los ejemplos de RDE. Y agregue ejemplos de las elecciones legislativas especiales de 2017-2018.

El primer estudio fue realizado por Goel et al. (2015) quienes utilizaron una muestra basada en la población de 1200 votantes registrados en elecciones generales en Michigan. La muestra se extrajo de los archivos oficiales de votantes de la Junta de Elecciones en Michigan e incluyó a votantes que eran elegibles para votar pero que no votaron en 2004.

Este estudio reveló que los no votantes eran más propensos que los votantes a favorecer a Kerry sobre Bush en 2004, con una ventaja relativa de 8 puntos porcentuales para Kerry entre los no votantes en comparación con solo 3 puntos porcentuales entre los votantes (p<0,05).

El segundo estudio fue realizado por Konitzer et al., (2016) quienes utilizaron el Estudio de Elecciones del Congreso Cooperativo (CCES), que entrevistó a 1,068 encuestados a través de RDD durante el ciclo de elecciones presidenciales de 2008. El conjunto de datos de CCES incluye información sobre las actitudes políticas de los encuestados, así como su comportamiento electoral anterior, lo que permitió a Konitzer et al. examinar cómo el comportamiento electoral pasado influye en la participación futura.

Los investigadores pudieron demostrar cómo el uso de RDE, a través de Pollfish, pudo igualar de cerca las encuestas estándar de oro, como la Encuesta social general. Los investigadores descubrieron que este método podría usarse para reemplazar las visitas a domicilio en las encuestas, ya que las visitas a domicilio suelen ser demasiado costosas para la mayoría de los proyectos de investigación, por lo que este es un punto de referencia útil.

Los resultados mostraron que sus predicciones basadas en una sola encuesta no son significativamente peores que las predicciones de los agregadores de encuestas como Huffington Post Pollster (HPP). Al comparar sus estimaciones estado por estado con el resultado real, encontraron que, en comparación con las estimaciones de HPP, su RMSE fue solo un poco más alto: 4.24 % puntos frente a 3.62 % puntos (para 50 estados sin incluir DC)

Método n.º 1: marcación aleatoria de dígitos (RDD)

El primer método, Marcación aleatoria de dígitos (RDD), es el método tradicional. Funciona bien, pero está condenado en los próximos años. Por lo tanto, se trata realmente de cuál de los nuevos métodos de muestreo de encuestas en línea lo reemplazará: los paneles en línea, el crowdsourcing asistido o la participación aleatoria de dispositivos (RDE). Creemos que RDE es el futuro.

Durante el transcurso de 2017 y 2018, las firmas de encuestas han empleado los tres nuevos métodos para predecir los resultados de las elecciones del Congreso: RDE está muy por encima de los otros dos.

Las empresas de encuestas han utilizado tres nuevos métodos para pronosticar los resultados de las elecciones al Congreso durante 2017 y 2018. RDE se desempeña mejor que los demás.

En este artículo, proporcionamos un análisis detallado de las fortalezas del método, incluidas las encuestas realizadas por el Pew Research Center.

Método n.º 2: datos de telemetría

El uso de datos de telemetría en la investigación de encuestas no es nuevo. De hecho, el ejemplo más famoso de esta técnica es el American National Election Studies (ANES), que ha estado recopilando encuestas telefónicas y personales a nivel de hogares desde 1948. El ANES recopila esta información de forma continua para que los investigadores puede realizar un seguimiento de los cambios a lo largo del tiempo y entre ubicaciones geográficas.

Más recientemente, RDE ha comenzado a complementar los datos de actitud recopilados con una variedad de datos paramétricos o telemétricos.

Las personas que realizan encuestas son fundamentalmente diferentes de aquellas que no realizan encuestas, como todos sabemos. Como la tienda de análisis progresivo, CIVIS ha argumentado recientemente, se necesita una batería de casi 30 preguntas adicionales demográficas, de actitud y de estilo de vida que lleguen a las nociones de confianza social y cosmopolitismo para poder sopesar y corregir todas las formas en que los encuestados son inusual.

Como sostienen Konitzer, Eckman y Rothschild (2016), los datos de telemetría son una forma mucho más rentable (y discreta) de recopilar estas variables. La ubicación del hogar y el trabajo, los patrones de desplazamiento o movilidad, o la composición política del vecindario o la red social de uno, derivados de datos de coordenadas de ubicación longitudinales basados ​​​​en satélites (léase: extremadamente precisos) predicen bien las variables demográficas.

Método #3 – Muestreo de río

El muestreo fluvial es un método para reclutar encuestados que utilizan anuncios publicitarios. Es una práctica común en estudios de mercado y encuestas, pero tiene algunos inconvenientes importantes.

Según el método de muestreo del río, se pueden usar anuncios publicitarios para realizar encuestas, o la participación se puede llevar a cabo a través de sitios web heredados o ubicaciones donde Rapid Data Enumeration recluta a los encuestados. RDE tiene acceso a los números de cuenta, pero el muestreo de ríos no, lo que presenta dos desventajas graves: el muestreo de ríos no puede detectar SUMA: los estafadores pueden hacer trampa al participar dos veces en la misma encuesta, especialmente si hay un incentivo financiero para participar. Y cualquier grado de orientación demográfica/geográfica parece imposible.

El proceso es simple: una solicitud de anuncio llega al servidor, que luego la redirige a la red publicitaria para procesarla directamente. La red publicitaria determina si hay anuncios disponibles que sean apropiados para ese usuario en particular y los envía al servidor.

Se realiza un buen sondeo de RDE con la cooperación del editor, lo que brinda una experiencia nativa, mientras que los anuncios publicitarios se envían a través de la red publicitaria.

Ejemplos de participación aleatoria de dispositivos

Como se indicó anteriormente, creemos firmemente que la marcación aleatoria de dígitos (RDD) está condenada al fracaso. Los paneles en línea son efectivos pero costosos, el abastecimiento masivo asistido funciona bien pero lleva demasiado tiempo, y la participación aleatoria de dispositivos (RDE) es mucho más rápida y rentable.

El futuro de RDE es brillante. La penetración de dispositivos aumentará aún más en el futuro, aumentando el alcance de RDE en los EE. UU. y haciendo de RDE la única alternativa viable en los mercados menos desarrollados. Tomemos como ejemplo África: se prevé que la tasa de penetración de los teléfonos inteligentes crezca un 52,9 % año tras año.

Actualmente, hay 293 millones de usuarios de teléfonos inteligentes en todo el continente, lo que significa que, teniendo en cuenta las tasas de crecimiento actuales, habrá 929,9 millones de teléfonos inteligentes para el año 2021 en África. Pero el futuro prometedor de RDE no se trata solo de la penetración: los avances en la vinculación de los ID de anuncios con otros identificadores conocidos en el mercado estadounidense significan que será posible la orientación individual basada en el historial financiero o los patrones de gasto de la tarjeta de crédito.

Y ya que estamos hablando de conectar las fuentes de datos: las empresas de encuestas políticas ahora pueden encuestar directamente de un archivo de votantes de 250 millones de estadounidenses.

Conclusión

Comenzamos discutiendo cómo funcionaba el RDD tradicional y cómo estaba condenado por la falta de participación de los jóvenes que tienen menos probabilidades de tener teléfonos fijos. Revisamos dos nuevas técnicas: paneles en línea y Crowdsourcing asistido. Los paneles en línea son similares a los RDD tradicionales pero con tecnología más moderna; no requieren que los participantes respondan ninguna pregunta por sí mismos o incluso que hablen con un ser humano.

En su lugar, utilizan scripts y algoritmos automatizados para la recopilación de datos de los usuarios de Internet que aceptan participar. El crowdsourcing asistido utiliza seres humanos además de computadoras; los humanos se utilizan para tareas como etiquetar imágenes o transcribir grabaciones de voz, mientras que las computadoras hacen otras cosas, como analizar documentos de texto con fines de análisis de sentimientos.

Finalmente, discutimos nuestro método preferido: Random Device Engagement (RDE). Este método utiliza algoritmos sofisticados para identificar automáticamente los dispositivos.

Aprenda a desbloquear el poder de la investigación con la audiencia de QuestionPro. Nuestros productos son utilizados por más de 3 millones de personas en más de 50 países y siempre estamos buscando nuevas formas de usar nuestra tecnología para ayudarlo a recopilar información más significativa de sus clientes.

Use la audiencia de QuestionPro para ayudarlo a crear encuestas más precisas que le proporcionarán mejores datos.

APRENDE MÁS