Caracterización de agricultores y modelado de adopción de maíz biofortificado
De la segmentación del comportamiento actual del productor a la predicción de quién, en qué orden y en qué grado adoptará la semilla biofortificada conforme avanza la penetración de mercado.
Ninguna encuesta registra si un agricultor adoptará tecnología nueva. Había que estimar dos comportamientos que el dato no contenía
Cómo se comporta hoy el agricultor y cómo es plausible que se comporte ante una semilla nueva son dos preguntas. El dato disponible no respondía ninguna.
Ninguna fuente registra directamente la disposición de un agricultor a adoptar tecnología agrícola nueva. Lo que hay en los datos es comportamiento pasado —qué semilla compra, cuánto gasta, qué rendimiento obtiene—, y de ahí no se lee la respuesta ante una variedad que aún no ha llegado al mercado. El reto, por tanto, no era clasificar mejor una variable existente, sino estimar dos comportamientos que el dato no contenía. El primero, el presente: caracterizar de forma rigurosa qué tipo de productor es cada agricultor hoy, sin reducirlo al gasto en semilla, que confunde inversión con sofisticación —un agricultor que gasta mucho puede ser ineficiente, no un adoptante avanzado de híbridos—, e incorporando el rendimiento y el control por las condiciones agroclimáticas locales.
El segundo, el futuro: anticipar qué perfiles adoptarán la nueva variedad, en qué orden lo harán conforme crece la disponibilidad, y qué fracción de su superficie comprometerán. Eso no se lee en los datos actuales; hay que modelizarlo, y hacerlo de forma que el resultado sea calibrable contra expectativas de penetración definidas por el cliente y auditable por terceros.
4 segmentos
de agricultores identificados por triangulación de dos marcos analíticos complementarios
3 componentes
en el modelo de adopción: score compuesto, penalización por aversión al riesgo y curva de conversión continua
9 escenarios
evaluados: tres generaciones de semilla por tres regímenes de subsidio
Del retrato del presente al pronóstico de adopción: segmentación dual, scoring con aversión al riesgo y curva de saturación calibrada
Segmentación por triangulación de dos marcos complementarios
Sobre datos agrícolas calibrados contra las estadísticas oficiales del Ministerio de Agricultura, se calculan z-scores departamentales de rendimiento y gasto en semilla para controlar la heterogeneidad regional. La clasificación en cuatro segmentos (OPV/criollo, bajo, medio, alto) se deriva de la convergencia de dos marcos: un agrupamiento no supervisado por PAM cuya separación entre grupos se evaluó mediante análisis discriminante, y una segmentación por cuadrantes en el espacio z-score bidimensional, interpretable. Sobre ellos opera un modelo hurdle que combina una clasificación determinista del segmento OPV con un scoring probabilístico para el resto. Que dos marcos complementarios converjan es lo que hace la segmentación defendible ante auditores y expertos de dominio.
Score de adopción con penalización por aversión al riesgo
Para anticipar la propensión a adoptar se construye un score compuesto de cinco componentes ponderados (prioridad de segmento, beneficio económico esperado, potencial de mejora, escala de entrada y edad del productor), con las variables relevantes filtradas previamente por correlación, varianza casi nula y selección Boruta. Sobre ese score se aplica una penalización por aversión al riesgo, acotada mediante una transformación logística, que pondera el rendimiento basal, el incremento de renta esperado, el tamaño de la parcela comprometida y la pérdida proyectada. El productor con mayor exposición a pérdidas recibe una penalización mayor en el score, de acuerdo con el supuesto de aversión al riesgo incorporado al modelo.
Curva de adopción continua calibrada contra anclas de mercado
La adopción no es un interruptor: cada agricultor se asigna a uno de tres perfiles de comportamiento según la superficie de maíz blanco (adopción casi binaria, sigmoide o gradual), y una curva de conversión determina qué fracción de su tierra dedica a la semilla biofortificada en función de su posición en el ranking y del nivel de penetración del mercado. Toda la arquitectura se calibra contra cinco anclas de composición de mercado aportadas por New Seed (penetraciones del 5, 10, 20 y 30 %, más el ancla estructural al 100 %), minimizando la desviación absoluta media mediante barridos de sensibilidad sobre cada eje del modelo.
Un retrato accionable del agricultor y un motor que proyecta su adopción
Perfiles de productor accionables para la estrategia de entrada
La segmentación identifica qué perfiles concentran el mayor potencial de mejora y cuáles presentan mayor resistencia al cambio, lo que permite a New Seed decidir sobre qué agricultores concentrar el esfuerzo inicial de distribución. La caracterización separa al adoptante avanzado del productor con gasto alto pero rendimiento bajo, una distinción que el gasto en semilla por sí solo no capturaba.
Trayectoria de adopción cuantificada por nivel de penetración
El motor de scoring proyecta, para cada combinación de variante de semilla y régimen de subsidio, qué segmentos entran en la adopción y en qué orden conforme crece la penetración, y qué superficie agregada se convierte a maíz biofortificado en cada escalón. La adopción deja de ser un supuesto único para convertirse en una curva calibrada contra expectativas de penetración definidas por el cliente.
Impacto económico individualizado con valoración diferencial del autoconsumo
Para cada agricultor se estima la diferencia económica entre su situación actual y un escenario simulado de adopción de semilla biofortificada, bajo los supuestos definidos en el modelo. La pieza fina está en cómo se valora el maíz que el hogar no vende: cada hogar se clasifica según su posición real en el mercado —vendedor neto, comprador neto o autárquico— y el autoconsumo se valora con el precio que corresponde a esa posición. El vendedor lo valora al precio de venta que deja de percibir; el comprador, al precio de compra que se ahorra; y el hogar autárquico, cuyo maíz ni entra ni sale del mercado y para el que no existe precio observado, se aproxima mediante un precio sombra situado en el punto medio de la banda entre los precios de venta y compra, utilizado como supuesto operativo ante la ausencia de un precio observado. Esa magnitud económica alimenta el componente de beneficio del score y conecta la caracterización con la evaluación de escenarios del programa.
Qué demuestra este caso sobre nuestra forma de trabajar
Segmentación que resiste auditoría
La triangulación de un método no supervisado con otro interpretable permite comprobar si ambos producen una estructura de segmentación coherente y hace más defendible la caracterización de los agricultores ante auditores y expertos de dominio.
Predicción anclada, no especulativa
El modelo de adopción se calibra contra anclas de mercado aportadas por el cliente. ADI construye y ajusta el motor; las expectativas de penetración las fija quien conoce el mercado. La predicción está basada en datos, no en una bola de cristal.
La aversión al riesgo, modelizada explícitamente
Incorporar una penalización por las pérdidas potenciales permite representar explícitamente un mecanismo documentado en la literatura sobre adopción agrícola. El modelo lo trata como uno de los determinantes de la propensión, sin asumir que explica por sí solo la decisión.
Un solo marco, parametrizable por escenario
El mismo motor de caracterización y scoring opera sobre distintas combinaciones de variante de semilla y régimen de subsidio sin rehacerse, lo que convierte la caracterización del agricultor en una herramienta de planificación reutilizable, no en un análisis de un solo uso.
I've been working with Rubén and Julia on a complex modeling project for over a year now, and they have been exceptional partners throughout. As our project has evolved, they have approached every shift collaboratively, receptively, and with flexibility. They have consistently gone above and beyond to ensure we develop both a robust model and a user interface that translates model predictions into clear insights. What we have now is a fully documented, auditable methodology we can put in front of funders and external reviewers with confidence.
Katie Adams
Director of Impact and Cost Effectiveness, New Seed
Capacidades desplegadas en este proyecto
¿Hablamos?
Cuéntanos en qué estás trabajando y te damos una respuesta directa sobre cómo podemos ayudarte.