El poder del tres: por qué las ternas mejoran la predicción de preferencias

Introducción

La idea de cuantificar preferencias humanas tiene casi un siglo. En 1927 L. L. Thurstone propuso que, aunque no podamos asignar un número exacto al valor subjetivo de una opción, las personas seleccionan aquello que les resulta más valioso en cada momento. Ese planteamiento sentó las bases de los llamados modelos de utilidad aleatoria (RUM, por sus siglas en inglés), un marco matemático que describe cómo las personas eligen entre alternativas y que hoy se aplica desde predicciones de tráfico hasta recomendaciones en plataformas digitales.

Sin embargo, un equipo de investigadores del MIT ha identificado una limitación fundamental en la práctica habitual de estimar esos modelos: la dependencia exclusiva de comparaciones pares. En una presentación reciente en la conferencia ICLR en Río de Janeiro, los autores —Yeshwanth Cherapanamjeri, Gabriele Farina, Constantinos Daskalakis y Sobhan Mohammadpour— muestran que preguntar solo “¿prefiere A o B?” deja afuera información crítica sobre correlaciones entre utilidades.

Qué son los modelos de utilidad aleatoria y por qué importan

Los RUMs suponen que cada opción tiene una utilidad (beneficio) para la persona, y que la elección corresponde a la opción con mayor utilidad en ese momento. Se llaman “aleatorios” porque la utilidad no es una constante: varía entre individuos y en el tiempo.

Estos modelos se usan en aplicaciones con impacto real: planear rutas alternativas si una vía principal se cierra, decidir cómo invertir un presupuesto público o mejorar las recomendaciones de contenido en una plataforma. En todos esos casos, conocer no solo las preferencias individuales sino también cómo se relacionan entre sí (por ejemplo, si a quien le gustan las películas independientes también le atraen los filmes extranjeros) mejora la calidad de las predicciones.

La trampa de las comparaciones pares

La razón por la que históricamente se han usado comparaciones de dos en dos es sencilla: es cognitivamente más fácil pedirle a alguien que compare A frente a B que que asigne un puntaje numérico a cada opción. Pero ese atajo tiene un costo estadístico importante. Cuando solo se observan elecciones entre pares —A contra B, B contra C, etc.— no es posible recuperar información sobre correlaciones entre las utilidades de diferentes ítems. En términos prácticos, el supuesto implícito suele ser que las utilidades son independientes entre sí; si no fuera así, las estimaciones derivadas de pares pueden ser erróneas.

Esto tiene consecuencias concretas: un sistema de recomendación que ignora correlaciones puede mostrar opciones que no interesan al usuario, reduciendo el compromiso; un análisis de políticas públicas que no captura la asociación entre preferencias puede orientar mal la asignación de recursos.

¿Por qué el “tres” cambia el juego?

El avance clave del equipo del MIT es demostrar formalmente que pedir a los participantes que ordenen tres alternativas —o, de manera equivalente, combinar elecciones del tipo “mejor de tres” con comparaciones pares— permite identificar esas correlaciones. En otras palabras, la información contenida en decisiones sobre ternas es suficiente para reconstruir cómo se relacionan las utilidades de diferentes opciones.

Además, los investigadores no solo aportan el argumento teórico: desarrollan algoritmos computacionales que pueden extraer esa información de forma eficiente y establecen que el número de experimentos o encuestas necesarias no crece de manera exponencial respecto al tamaño del catálogo de ítems. Esa es una buena noticia para aplicaciones reales, donde los catálogos pueden incluir cientos o miles de alternativas.

Implicaciones prácticas para empresas y gobiernos en América Latina

En la región latinoamericana, donde los recursos para encuestas y pruebas piloto suelen ser limitados y las decisiones públicas requieren evidencia robusta, los resultados son especialmente relevantes:

• Encuestas de movilidad urbana: al preguntar a los ciudadanos por preferencias entre tres rutas o modos de transporte, los planificadores pueden identificar patrones de sustitución o complementariedad entre opciones (por ejemplo, transporte público y bicicleta) que no aparecen en comparaciones pares.
• Diseño de políticas sociales: entender la correlación entre preferencias por distintas prestaciones (guarderías, subsidios o salud preventiva) facilita diseñar paquetes de intervención más efectivos y aceptables.
• Plataformas digitales y comercio: para startups y operadores digitales en la región, incorporar ternas en pruebas A/B puede mejorar la personalización y reducir la fricción que lleva a la deserción de usuarios.

Además, en contextos culturales y lingüísticos diversos como los de América Latina, las ternas pueden ser cognitivamente manejables para encuestados y ofrecer más información por pregunta, optimizando costos.

Cómo implementar cambios en recolección de datos

Adoptar un esquema de ternas no requiere transformar radicalmente los procesos existentes. Según los autores, se puede:

• Reemplazar o complementar una parte de los experimentos de comparación par por pruebas “mejor de tres”.
• Diseñar cuestionarios que pidan un ranking sencillo de tres opciones en lugar de múltiples comparaciones dos a dos.
• Combinar mejores prácticas de muestreo para asegurar representatividad regional y sociodemográfica.

Es clave que los analistas usen los algoritmos y métodos estadísticos adecuados para combinar resultados individuales y construir el modelo global de preferencias; los investigadores del MIT ofrecen un marco computacional para hacerlo eficientemente.

Limitaciones y puntos por considerar

Aunque el trabajo resuelve una limitación fundamental de la recolección basada en pares, no elimina otros retos prácticos: sesgos en las muestras, condiciones de respuesta (encuestas en línea vs. presenciales) y la necesidad de adaptar instrumentos a contextos locales siguen siendo importantes. Tampoco se trata de que todas las decisiones de medición deban migrar exclusivamente a ternas; la combinación de distintos tipos de preguntas puede ser la estrategia óptima según el caso.

Conclusión

El estudio liderado por investigadores vinculados al Laboratory for Information and Decision Systems (LIDS) y al Operations Research Center del MIT demuestra que un pequeño cambio en cómo preguntamos —pasar de pares a ternas— puede desbloquear información esencial sobre cómo las preferencias se relacionan entre sí. Para responsables públicos, diseñadores de productos y equipos de datos en América Latina, incorporar ternas en encuestas y pruebas puede traducirse en decisiones más acertadas, mejores recomendaciones y políticas públicas más alineadas con la realidad de los ciudadanos.

Los resultados fueron presentados en ICLR (Río de Janeiro) y firmados por Yeshwanth Cherapanamjeri, Gabriele Farina, Constantinos Daskalakis y Sobhan Mohammadpour. Su contribución es tanto teórica como práctica: identifica una falla histórica en la recolección de datos de preferencias y propone soluciones computacionales viables para superarla.

Implementar el “poder del tres” en experimentos de preferencia es, en muchos casos, una inversión baja que puede ofrecer retornos altos en calidad de decisión.