Datos de nicho: cuándo un conjunto pequeño gana a uno grande

Un conjunto de datos pequeño y actualizado puede ganarle a uno enorme y genérico. También puede costarte mucho más de lo que devuelve. La diferencia no está en el número de filas, sino en la velocidad a la que tus datos dejan de ser ciertos, y en si alguien actúa a partir de ellos.

Así se distinguen los dos casos antes de invertir un trimestre en el equivocado.

En resumen

• Tener datos no es una ventaja defendible por sí sola. Mantenerlos al día, más rápido de lo que otros se molestan en hacerlo, se acerca más.
• La cifra que lo decide todo es cuántos de tus datos dejan de ser ciertos cada año. Mídela antes de comprar nada.
• Unos datos sobre los que nadie actúa son un coste, por buenos que sean.
• Lo pequeño gana cuando el conjunto está delimitado, está al día y se conecta con una decisión que alguien toma esta semana.
• No hacer nada es una opción real, y por debajo de cierto volumen le gana tanto a construir como a comprar.

Empieza por los argumentos en contra

La historia de "nuestros datos propios son nuestro foso" es más débil de lo que parece, y los escépticos tienen mejores pruebas.

Andreessen Horowitz analizó los efectos de red basados en datos y concluyó que la mayoría son en realidad efectos de escala, que se aplanan. En su ejemplo de un chatbot de soporte, más allá de aproximadamente el 40 % de las consultas recogidas, más datos no aportaban ninguna ventaja (The Empty Promise of Data Moats).

Más grande y más especializado tampoco gana automáticamente. BloombergGPT se entrenó con 363.000 millones de palabras de texto financiero propio, y un modelo general lo superó igualmente en las pruebas financieras para las que se había construido. IBM dedicó años y unos 4.000 millones de dólares a reunir datos sanitarios para Watson Health, y luego vendió los activos. Zillow cerró su rama de compra de viviendas tras una pérdida trimestral de 422 millones de dólares en ese segmento.

Casi toda esa investigación trata sobre el entrenamiento de modelos grandes. Tú probablemente no entrenas nada: alimentas unos miles de filas a un agente, que es una situación distinta y mal medida. Eso corta en ambos sentidos: el caso en tu contra es más débil de lo que parece, y el caso a tu favor también.

La única cifra que lo decide todo

Pregúntate qué proporción de tus datos deja de ser cierta en un año. Los precios se mueven, la gente cambia de trabajo, los anuncios desaparecen, las normas se modifican.

Mídelo, no lo adivines. Toma una muestra de registros, vuelve a comprobarlos unas semanas después contra algo fiable y cuenta cuántos han cambiado. Esa sola cifra te dice tres cosas a la vez: cada cuánto refrescar, cuánto costará ese refresco y cuánto tiempo sigue siendo útil una copia robada de tu fichero.

Lee bien la última columna, porque es la parte que todo el mundo entiende al revés. Un dato lento es barato de mantener y trivial de copiar. Un dato rápido es caro de mantener y difícil de copiar. "Busca datos baratos de mantener" y "busca datos defendibles" son instrucciones opuestas, y a la mayoría de los equipos les dan las dos.

Una salvedad honesta sobre la tabla: la cadencia supone que tus datos envejecen de forma constante. Las fuentes web se degradan sobre todo el primer año, así que refresca antes de lo que indica la tabla en todo lo que no controles.

Un conjunto de datos de nicho válido es lo bastante pequeño como para leerlo fila a fila. Seis productos seguidos, un precio cada uno, y una marca de tiempo que permite medir a qué velocidad caduca.

Cinco preguntas antes de invertir

Se resuelven en una semana. Si una fuente falla en la pregunta 2 o en la 4, detente ahí.

La pregunta 4 elimina a la mayoría de los candidatos, y es la que se salta todo el mundo. Un conjunto de datos que nunca cambia la decisión de nadie no es un activo, es una suscripción.

Construir, comprar o no hacer nada

Casi todas las comparaciones enfrentan construir con comprar y olvidan la tercera opción. No hacer nada tiene valor real: sigues decidiendo como ya lo haces, a coste cero.

Que construir compense depende del volumen. Tomemos un caso ilustrativo: 4.000 filas, unos 30.000 dólares de construcción, unos 11.000 dólares al año de mantenimiento y 60 dólares de valor por decisión mejorada. Son supuestos de trabajo, no mediciones, pero lo útil es la forma que producen.

Mueve cualquier entrada y el punto de cruce se mueve con ella. La lección no es la cifra concreta: es que una decisión de bajo volumen casi nunca amortiza un conjunto de datos, por bueno que sea.

Comprar gana en un caso concreto: cuando un proveedor es casi tan preciso como lo serías tú en tu nicho. Compruébalo antes de firmar. Toma 200 de sus registros dentro de tu nicho y verifícalos tú mismo.

Dónde ganan de verdad los datos de nicho

Cuatro situaciones sobreviven a todas las objeciones anteriores.

• Registras una decisión que solo tomas tú. La columna del resultado no se puede copiar: se gana, una decisión cada vez.
• Observas hechos que nadie más puede cruzar. Otros verán el hecho. Solo tú lo tienes unido a tu contexto y a tu resultado.
• El dato cambia rápido y lo asumes como coste recurrente. Un blanco móvil no se roba de una vez: hay que financiar el mismo refresco, indefinidamente.
• El conjunto es lo bastante pequeño para verificarlo entero. Con unos miles de filas se puede comprobar todo. Con unos cientos de miles, nadie paga esa factura.

Y dónde no: un proveedor ya lo vende como producto, el dato apenas cambia y es público, el volumen de decisiones es demasiado bajo, o la tarea es en realidad razonar y no consultar.

Preguntas frecuentes

¿Cuántos datos necesito realmente?

Menos filas de las que crees y más frescura de la que crees. Cien filas actuales y verificadas solo ganan a un millón caducadas si cubren exactamente la decisión que estás tomando. La cobertura de la decisión importa más que el número de filas.

¿Comprar un conjunto de datos es alguna vez lo correcto?

Sí, cuando el proveedor se acerca a tu propia precisión en tu nicho y tu volumen de decisiones está en la banda intermedia. Compra la masa que cualquiera puede copiar y construye solo la columna que nadie más puede producir.

¿Cómo evito que un conjunto de datos caduque en silencio?

Pon una marca de última comprobación en cada fila y refresca primero las más antiguas. Refrescar al azar deja siempre una cola de filas muy viejas, gastes lo que gastes, y son justo las que te dejarán en evidencia.

¿Cuál es el error más común?

Recoger primero y buscar la decisión después. Si no puedes nombrar quién actúa con el dato y con qué frecuencia, la respuesta no es "más datos".

El siguiente paso

Dedícale una semana. Mide a qué velocidad tus datos dejan de ser ciertos, pasa las cinco preguntas y comprueba que alguien cambia realmente una decisión gracias a ellos. Si la fuente supera el filtro, el paso siguiente es conectarla a algo que funcione solo: del conjunto de datos a un flujo que se ejecuta solo.