Microtargeting y Contacto Directo
La primera etapa tuvo lugar durante la precam- paña, y se basó en desarrollar encuestas de campo y telefónicas para servir como soporte para el aumen- to de la base de datos. Este paso produjo aproxima- damente una base relevante de entrevistas teniendo en cuenta el tamaño del electorado local. Estas entrevistas, por no mencionar las confi den-
ciales, incluyeran preguntas como: ¿si las elecciones fueran hoy a quién votaria usted? ¿ Y a quién defi niti- vamente no votaría? También abarcaban preguntas acerca de la aprobación / evaluación del Gobierno (ejemplo: ¿aprueba o desaprueba el actual Gobier- no del Estado de Río de Janeiro? ¿ Y como evalúa el actual Gobierno –muy bueno, bueno, regular, malo, pésimo) y de las características específi cas de los en- trevistados, como el sexo, edad, estado civil, región, religión, etc. El objetivo principal fue medir y califi car las prin-
cipales variables que más afectaron a un votante en su decisión particular de votar por un determinado candidato, fue el gobernador Sergio Cabral o sus principales oponentes. Las técnicas utilizadas, am- pliamente, fueron las de los modelos econométricos de Logit / Probit, especifi cadas en versión simplifi ca- da a continuación: y - *. = Σ x β +, e - i. e | X ~ Normal (1,0) Donde y*= vota o no en un candidato en par-
ticular, x = respuesta específi ca a cada pregunta en las encuestas - sexo, edad, aprobación, evaluación, etc, y β = coefi ciente de cada variable afectando la decisión de voto, es decir, cuanto más grande el β más esta variable infl uye en la decisión de voto.
Teníamos las informaciones de qué variables afectaban más la aprobación del Gobierno para cada uno de esos grupos. Esto nos ayudó mucho en la construcción del mensaje y en el desarrollo del plan de medios de la campaña, lo que nos permitió hablar directamente con estos grupos.
25 Campaigns&Elections Marzo 2011
Con las variables clave de las intenciones de voto
determinadas, creamos una clasifi cación de probabi- lidad de votar por el candidato para cada entrevis- tado en las encuestas electorales. En otras palabras, según las respuestas de un elector particular a varias preguntas, fue posible estimar la probabilidad entre 0 y 1 del elector a votar por el candidato del gobier- no y también a sus oponentes. Estas estimaciones fueran ampliamente utilizadas y controladas duran- te la campaña. La difi cultad y el valor agregado del modeling estan en el hecho de medir matemáticamente la propensión que un individuo en particular a votar y cuáles son sus preferencias, deseos y características, lo que facilitó mucho el trabajo del equipo de comu- nicaciones de Sergio Cabral. Teniendo en cuenta este modelo, agrupamos y
monitoreamos los electores de acuerdo con su pro- babilidad de votar para gobernador a Sergio Cabral (recordando, probabilidades entre 0 y 1). Tuvimos, en forma simplifi cada y breve, un grupo con muy alta probabilidad de voto, un grupo de probabilidad in- termedia y un grupo de baja probabilidad. Para todos los grupos sabíamos exactamente sus características principales y cuáles eran las variables que más los afectaban. Teníamos las informaciones de qué varia- bles afectaban más la aprobación del Gobierno para cada uno de esos grupos. Esto nos ayudó mucho en la construcción del mensa- je y en el desarrollo del plan de medios de la campaña, lo que nos permitió hablar di- rectamente con estos grupos. Desde la formación de los
microsegmentos se produjo una lectura mucho más detallada de los electores del Estado de Río de Janeiro, y la es- trategia de campaña ahora tenía una he- rramienta esta- tística para ayu- dar a maximizar los esfuerzos y la energía en lle- gar efectivamente a cada grupo de votantes.
Page 1 |
Page 2 |
Page 3 |
Page 4 |
Page 5 |
Page 6 |
Page 7 |
Page 8 |
Page 9 |
Page 10 |
Page 11 |
Page 12 |
Page 13 |
Page 14 |
Page 15 |
Page 16 |
Page 17 |
Page 18 |
Page 19 |
Page 20 |
Page 21 |
Page 22 |
Page 23 |
Page 24 |
Page 25 |
Page 26 |
Page 27 |
Page 28 |
Page 29 |
Page 30 |
Page 31 |
Page 32 |
Page 33 |
Page 34 |
Page 35 |
Page 36 |
Page 37 |
Page 38 |
Page 39 |
Page 40 |
Page 41 |
Page 42 |
Page 43 |
Page 44 |
Page 45 |
Page 46 |
Page 47 |
Page 48 |
Page 49 |
Page 50 |
Page 51 |
Page 52 |
Page 53 |
Page 54