Caso 4. 612s12 PDF Spa Mercados de Prediccion de Google

6 1 2 -S 1 2 REV. AGOSTO 20, 2007

PETER A.COLES KARIM R. LAKHANI ANDREW P. MCAFEE

Mercados de predicción de Google A finales de marzo de 2007, Bo Cowgill, Ilya Kirnos, Doug Banks, Patri Friedman, y Piaw Na se sentaron a almorzar en la sede central de Google en Mountain View, California, y revisaron los resultados más recientes de los mercados de predicción internos de la compañía. Los cinco “Googleros” (como se refieren a sí mismos los empleados de Google) habían lanzado los mercados de predicción de la compañía, habían construido los sistemas de información que les daban soporte, y los habían supervisado durante los siete trimestres previos, todo en paralelo a sus trabajos “normales”. Los mercados habían crecido en popularidad y habían demostrado su exactitud con el tiempo y el equipo estaba orgulloso de sus logros. Los mercados de predicción eran bastante parecidos a los mercados de acciones. Constaban de valores, cada uno con un precio. La gente usaba el mercado para transar unos con otros al comprar y vender estos valores. Dado que los participantes tenían distintas creencias sobre el valor de los valores, y dado que ocurrían eventos en el tiempo que alteraban estas creencias, los precios de los valores variaban en el tiempo. En un mercado bursátil como la Bolsa de Valores de Nueva York, los valores comercializados eran acciones de compañías, cuyos precios reflejaban las creencias sobre el valor de las mismas. En un mercado de predicción, por el contrario, los valores transados se relacionaban con eventos futuros, tales como una elección presidencial en los Estados Unidos. En este caso, el mercado podía diseñarse para que cada uno de los valores estuviese relacionado con un candidato y su precio fuera el mismo que la probabilidad estimada de que el candidato ganase, según lo estimasen los participantes comerciales del mercado. Los mercados de predicción de Internet demostraron ser tremendamente exactos para predecir resultados de elecciones políticas y otros eventos, y los “Googleros” querían ver si también podían usarlos de manera productiva dentro de las compañías para predecir eventos de interés tales como fechas de lanzamiento de algún producto, o si un competidor llevaría a cabo alguna acción específica. Las experiencias de los siete trimestres previos habían mostrado que Google Prediction Markets (GPM – Mercados de Predicción de Google), eran bastante buenos para predecir tales eventos. Los Googleros no arriesgaron su propio dinero cuando transaron dentro de GPM; en vez de ello, compraron y vendieron valores usando “Goobles”, una moneda artificial. Durante el almuerzo, los miembros del equipo hablaron sobre los siguientes pasos de GPM. ________________________________________________________________________________________________________________ El caso de LACC número 612-S12 es la versión en español del caso de HBS número 607-088. Los casos de HBS se desarrollan únicamente para su discusión en clase. No es el objetivo de los casos servir de avales, fuentes de datos primarios, o ejemplos de una administración buena o deficiente. Copyright 2012 President and Fellows of Harvard College. No se permitirá la reproducción, almacenaje, uso en planilla de cálculo o transmisión en forma alguna: electrónica, mecánica, fotocopiado, grabación u otro procedimiento, sin permiso de Harvard Business School.

This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.

612-S12

Mercados de predicción de Google

“Tenemos una gran cantidad de datos de mercado y comercio y apenas hemos comenzado a analizarlos, pero todo nuestro trabajo hasta ahora muestra que nuestros mercados continúan siendo exactos y decisivos. Yo era un convencido desde el principio, pero incluso yo no creía que funcionarían tan bien”, dijo Cowgill. “¿Pero sabemos que siempre funcionan bien?” Preguntó Banks. “Deberíamos investigar en nuestros datos para averiguar si algunos tipos de mercado funcionan mejor que otros”. “Bueno, algo que sabemos incluso sin hacer mayor análisis es que todos los mercados funcionan mejor en la medida en que obtienen más participantes”, replicó Friedman. “Y sin embargo, estoy sorprendido de que algunos de nuestros mercados hayan funcionado tan bien como lo hicieron –pues no atrajeron ni a mucha gente ni mucho comercio”. “Creo que ese es el mayor reto que enfrentamos ahora”, concordó Kirnos. “Contamos con un grupo activo de participantes comerciales cada trimestre, pero es un grupo bastante pequeño. Contamos con mucha más gente que se inscribe, pero que luego sólo hace una o dos transacciones. ¿Por qué no hacen más, y cómo hacemos para motivarlos a ser más activos?” Cowgill tenía una respuesta lista. “Todos ustedes saben lo que pienso –deberíamos hacer que las transacciones fueran más sociales y más personales, de modo que si quieres revelar tu comercio o tu posición, GPM te lo permita. Ahora mismo todo es anónimo, y creo que eso juega en nuestra contra”. “Ya identificamos a los mejores y más activos participantes comerciales cada trimestre y recompensamos a mucha otra gente con camisetas. A mí ya me parece bastante social”, respondió Kirnos. “Espera un momento”, dijo Friedman. “Creo que nuestro mayor reto no es hacer que la gente participe en los mercados, sino en darnos cuenta de cómo usar sus resultados. ¿El GPM es tan sólo una curiosidad fenomenal y divertida, o realmente es una herramienta útil para manejar una empresa?” “Buena pregunta”, respondieron los otros, casi al unísono.

Google Google fue fundada en 1998 por Larry Page y Sergey Brin, dos aspirantes a doctorado de Stanford. En esos momentos, muchos motores de búsqueda de Internet jerarquizaban las páginas basándose en cuántas veces estas contenían una cierta palabra o frase. Si, por ejemplo, un usuario escribía “Boston Red Sox” en el recuadro de búsqueda de uno de los motores, su primer resultado sería la página que contuviera la frase “Boston Red Sox” más veces. Los administradores de los sitios Web pronto se dieron cuenta de cómo funcionaban estos motores de búsqueda y les pareció fácil aprovecharse de ellos. Ellos construían páginas, por ejemplo, que no tenían nada que ver con Sox, pero que contenían cientos o incluso miles de veces la frase “Boston Red Sox” para atraer tráfico. Dichas páginas proliferaron rápidamente y dificultaban las búsquedas en Internet. La filosofía de los fundadores de Google era que la “mejor” página sobre Boston Red Sox no era la que usara la frase más seguida, sino la página que estuviera más enlazada al uso de dicha frase. Las páginas Web típicamente contienen muchos enlaces a otras páginas, y esta estructura de enlaces

2 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.


612-S12

brindaba una gran cantidad de información. La página que recibiera más enlaces de otras páginas sobre un tópico dado era probablemente la mejor página sobre dicho tema y la página que la persona que investigaba estaba buscando. Google también evaluaba la “reputación” de cada página de la Web; si era una página que recibía enlaces de muchas otras páginas, los propios enlaces de dicha página recibían más credibilidad. El algoritmo que consideraba todo esto, llamado PageRank, demostró ser enormemente poderoso y popular. Google pronto se convirtió en líder de las búsquedas por Internet, y la compañía también encontró una manera de generar ingresos con la venta de espacios publicitarios en su página de resultados de búsqueda. Para marzo de 2007, “Googlear” se había convertido en un verbo que significaba “buscar información en la Internet”, y la compañía contaba con una capitalización de mercado de más de $140 mil millones. Google empleaba a más de 10,000 personas y además de su campus principal de Mountain View (llamado The Googleplex), tenía más de una docena de centros de ingeniería en todo el mundo. La compañía describía su misión como la de “organizar la información del mundo y hacerla accesible y útil universalmente”.

El nacimiento de GPM Bo Cowgill se unió a Google en 2003 luego de terminar su carrera en políticas públicas en Stanford y trabajó al principio en la organización de soporte de la compañía. Como estudiante universitario, se había sentido fascinado por los mercados de predicción para las elecciones y estuvo impresionado con su precisión. En junio de 2004, salió de vacaciones y llevó consigo el libro de James Surowiecki “La sabiduría de las masas” (The Wisdom of Crowds). La temática del libro se basaba en que a menudo era posible aprovechar la “inteligencia colectiva” de un grupo de gente, la cual brindaba información mejor o más exacta que la que estuviera en posesión de cualquier individuo del grupo. Muchos lectores pensaron que esto era un mensaje poderoso y nuevo. Estaban acostumbrados a pensar que los grupos normalmente producían el menor denominador común de las contribuciones de sus miembros o, incluso peor, que los grupos podían volverse mafias que en realidad eran menos inteligentes que cualquiera de sus miembros. La sabiduría de las masas brindaba varios ejemplos de inteligencia colectiva y discutía los mercados de predicción incluyendo a los Iowa Electronic Markets (IEM – Mercados Electrónicos de Iowa), los cuales habían interesado a Cowgill en Stanford. El IEM, que fuera fundado en 1988, estableció mercados para predecir a los ganadores de las elecciones políticas de los Estados Unidos y de cualquier otro lugar. En estos mercados, los precios de los valores se podían interpretar como el porcentaje de votación predicho para cada candidato, según los participantes comerciales. Los participantes del IEM transaron usando su propio dinero y podían establecer cuentas de $5 a $500. 1 En general, los resultados de IEM eran bastante precisos y salían airosos de comparaciones con otras 1 El sitio Web de IEM dice, “El IEM es un mercado experimental operado para propósitos de investigación académica y enseñanza. El IEM no está regulado por, ni sus operadores están inscritos en, la Commodity Futures Trading Commission (la Comisión de Comercio de Futuros de Commodities) o ninguna otra autoridad reguladora. “El IEM ha recibido dos cartas de no-acción de la División de Comercio y Mercados de la Comisión de Comercio de Futuros de Commodities. Sin imponer jurisdicción explícitamente sobre el IEM o cualquiera de sus submercados, estas cartas, con fecha 5 de febrero de 1992, y 18 de junio de 1993, no extienden pena de no-acción a los Mercados Indicadores Políticos y Económicos del IEM”. http://www.bizuiowa.edu/iem/faq.html#REgulated, visitado el 27 de febrero de 2007. 3 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.

612-S12


formas de predecir eventos. En 12 elecciones nacionales de cinco países, por ejemplo, el margen de error promedio de las últimas encuestas de votación a gran escala tomadas antes de las elecciones fue de 1.93%. El margen de error promedio de los precios finales en los mercados IEM fue de 1.49%. 2 Surowiecki escribió: …lo más difícil de entender sobre los mercados [de predicción] es el poco interés que le ha dado la parte corporativa estadounidense. La estrategia corporativa se basa en recolectar información de diversas fuentes distintas, de evaluar las probabilidades de resultados potenciales, y de tomar decisiones encarando un futuro incierto. Y los mercados [de predicción] están hechos a la medida para este tipo de tareas. Sin embargo, las compañías en su mayoría han permanecido indiferentes a esta fuente de información potencialmente excelente y han estado sorprendentemente poco dispuestas a aceptar mejorar su toma de decisiones aprovechando la sabiduría colectiva de sus empleados. Cowgill estaba interesado por la idea de comenzar un mercado de predicción en Google. Sabía que necesitaría colegas, particularmente los que contaran con experiencia en programación, para que le ayudaran a construirlo, y también sabía cómo encontrarlos. Cuando regresó a trabajar escribió la siguiente nota en un foro interno en línea donde los empleados podían publicar sus nuevas ideas: Al reunir la cantidad y naturaleza de los enlaces ingresantes a una página Web, Google ya usa la inteligencia colectiva de las masas para jerarquizar los resultados de las búsquedas. “La democracia de la Web funciona”, es parte de nuestra cultura corporativa. Pero PageRank no es la única forma de aprovechar la inteligencia colectiva de los grandes grupos. El Iowa Electronic Markets, el Policy Analysis Market, la bolsa de Valores de Hollywood, así como numerosos estudios académicos, han demostrado que las multitudes grandes y diversas de personas pensantes independientes son mejores para predecir el futuro para la solución de un problema que los expertos más brillantes que haya entre ellos. Esto es especialmente cierto cuando los individuos de la multitud tienen intereses financieros en estar en lo cierto. Google tiene exactamente lo que dicho tipo de mercado requiere para desempeñarse bien: una base de usuarios grande y diversa y la capacidad de brindar incentivos financieros y menores barreras de entrada. De alguna manera, Google puede incluso asegurar que nuestro público piensa independientemente. De modo que propongo crear Google decision markets (Mercados de decisión de Google). (Ver en el Anexo 1 el resto de la publicación de Cowgill). Todos los ingenieros de Google tenían “20% de tiempo”, o el equivalente de un día a la semana, durante el cual eran libres de realizar proyectos de interés dentro de la compañía que no estuvieran directamente relacionados con sus trabajos. Cowgill esperaba convencer a algunos Googleros de dedicar su 20% de tiempo a construir un mercado de predicción. También buscaba comentarios y críticas rápidos sobre la idea, y el foro permitía a la gente evaluar las ideas publicadas.

2 J. Berg, R. Forsythe, F. Nelson, y T. Rietz, “Results from a Dozen Year of Election Futures Markets Research” (Resultados de una docena de años de investigación de mercados de futuros de elecciones), Handbook of Experimental Economics Results, 2001, disponible en http://www.biz.uiowa.edu/iem/archive/BFNR_2000.pdf. 4 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.


612-S12

Ilya Kirnos publicó una respuesta después de 10 horas de que Cowgill propusiera su idea: “Hola Bo Tuve una idea similar y he escrito algo de código relacionado con esto. Estoy de acuerdo en que los mercados tienen mucho poder de predicción, mucho más que las encuestas o sondeos en la mayoría de casos… Kirnos era un graduado en ciencias de cómputo y aplicadas de Princeton quien se había unido al grupo de sistemas publicitarios de Google en 2004 luego de trabajar en Oracle. Con anterioridad en su carrera, había participado en un proyecto que él y varios otros ingenieros sabían que no iba a tener éxito, pero que continuó teniendo apoyo y financiamiento. Se preguntaba por qué parecía tan difícil comunicar la información correcta dentro de las empresas en algunas circunstancias, y pensó que sería posible usar la tecnología para solucionar este problema. Kirnos construyó una aplicación simple llamada “itoldyouso” (telodije) que permitía a las personas ofrecer y aceptar apuestas no monetarias y hacerles seguimiento con el tiempo. Los empleados podían usarlas, por ejemplo, para decir en esencia, a sus colegas, “Seguro que este proyecto no se terminará a tiempo; ¿alguien apuesta?” Cuando ganaban una apuesta, el sistema les ayudaba a decir “¡Te lo dije!” Kirnos vio que la propuesta de Cowgill del mercado de predicción podía usarse para cumplir varios de los mismos objetivos que su sistema de apuestas y se ofreció de voluntario para ayudar con el proyecto. Na y Banks también contestaron a la publicación de Cowgill y se volvieron parte del equipo GPM (Freidman se unió al equipo pocos meses después luego de oír sobre el proyecto). Otra persona que respondió a la publicación de Cowgill fue un ayudante de Hal Varian, un reconocido economista de Berkeley quien hacía consultorías en Google. Esta persona dijo a Cowgill que Varian estaba interesado en los mercados de predicción y que había escrito sobre ellos en su columna de economía del New York Times. Cowgill contactó a Varian para pedir su ayuda, y Varian comenzó a asistir a las reuniones regulares del grupo. Posteriormente ofreció asesoría crucial sobre cómo diseñar los mercados, cómo implementarlos y cómo venderlos a las grandes compañías. La idea de Cowgill producía las siguientes clasificaciones (Figura A):


612-S12


# de respuestas (normalizado)

Figura A Histograma de respuestas a la publicación de Bo Cowgill sobre un Mercado de Predicción en Google

¡Gran idea! ¡Hagámoslo!

Muy buena Definitivamente Tal vez no Probablemente Peligroso o Idea tiene potencial valga la pena no sea buena perjudicial si el esfuerzo idea se implementa

Fuente: Google

Consideraciones para el diseño del mercado El equipo pensó que para que GPM fuera efectivo, los mercados debían ser intuitivos y fáciles de usar para los participantes. Cowgill sabía que muchos pensaban que la idea del comercio de acciones era desalentadora, de modo que quería que todo lo concerniente a los mercados de predicción de Google fuera lo más simple y directo posible. Bastante temprano, surgió el debate sobre el mejor diseño para el mercado. Había dos candidatos líderes: el modelo IEM, y un diseño que permitía a los participantes comerciales enfrascarse en ventas en corto. Las ventas en corto significaban apostar contra un evento futuro, tales como que los Yankees de Nueva York le ganasen a los Red Sox de Boston en una serie eliminatoria de siete juegos. 3

3 Como ejemplo de ventas en corto, suponga que unos valores llamados “Yankees-a-ganar” pagan un dólar si los Yankees ganan y cero si no. Para apostar por los Yankees, el participante simplemente compraría este valor al precio solicitado del momento. Para apostar contra los Yankees, el participante vendería en corto. Esto significa que el participante recibiría el precio actual de apuesta por el valor del momento, a cambio de una obligación de pagar un dólar si ganasen los Yankees. Dado que el participante en este caso queda “en apuros” por un dólar, se congelará un dólar de fondos en su cuenta hasta que termine el juego. A diferencia de la venta en corto de acciones, la venta en corto de contratos en mercados de predicción no resulta en una responsabilidad ilimitada para el participante. En este ejemplo, el peor de los casos es que los Yankees ganen y el participante pierda un dólar. 6 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.


612-S12

Algunos miembros del equipo pensaron que un producto de venta en corto sería demasiado complicado y desalentaría a algunos participantes comerciales en potencia de participar en el GPM. El tema complicado era que las ventas en corto no eran muy intuitivas para muchas personas porque involucraban vender algo que el comerciante no poseía. Otros argumentaban que los mercados de predicción basados en la Web que permitían la venta en corto, como la compañía con sede central en Irlanda Tradesports, demostraban que este no era el caso. Después de todo, razonaban, Tradesports era una exitosa compañía con fines de lucro, de modo que debería estar usando un modelo que atrajera al mayor número de participantes. Luego de consultar con Varian, el equipo se decidió finalmente por el modelo IEM. El modelo de IEM se basaba en el uso de “canastas” –valores mutuamente excluyentes que cubrían todos los resultados posibles de un evento. Por ejemplo, supóngase que el equipo deseara correr un mercado entre los usuarios de la aplicación A a finales del cuarto trimestre de 2007. Una canasta podría consistir de los siguientes valores: Valor A1 paga 1 si los usuarios <1m 0 de otro modo Valor A2 paga 1 si los usuarios ≥1m y <3m 0 de otro modo Valor A3 paga 1 si los usuarios ≥3m 0 de otro modo Para apostar que A tendrá ≥3m usuarios al final del 4to trimestre, un participante podría comprar el valor A3. Para hacer la apuesta opuesta, los participantes podrían comprar valores A1 y A2. Los precios de mercado de estos valores podrían interpretarse entonces como probabilidades. Si, por ejemplo, A1 se estuviera comercializando a un precio de 0.25, el mercado estaría “creyendo” que había un 25% de probabilidad de que la aplicación A tenga <1m usuarios para finales del 4to trimestre de 2007. Para conservar los mercados actualizados y mantener un periodo razonable, el equipo decidió escoger un grupo de mercados completamente nuevo cada trimestre, todos los cuales cerrarían a más tardar a finales del trimestre. En algunos casos, los mercados podrían cerrar más temprano. Si, por ejemplo, ocurriese un evento a mediados del trimestre que eliminara la incertidumbre, entonces los valores de ese mercado pagarían según lo especificado y no se transarían más en el mercado. El equipo también decidió usar dinero ficticio, con la unidad monetaria llamada Gooble. Al inicio de cada trimestre, las cuentas de los participantes se reiniciaban, y todos recibían 10,000 Goobles y 1,000 canastas seleccionadas al azar. Los valores podían comprarse y venderse durante el trimestre en subastas estándares continuas dobles con diferencias entre las apuestas y demandas (en el Anexo 2 se puede ver una explicación de estos términos). Al final del trimestre todos los valores restantes pagarían según lo especificado, y las posesiones finales se tabularían. Este enfoque trimestral de “nivelación del campo de juego” estaba diseñado para mantener interesado a un amplio rango de participantes. GPM consistía de mercados, resultados y acciones, según se ilustra en la Figura B.


612-S12


Figura B Mercados, Resultados y Acciones en GPM

Términos Mercado

Resultado

Acciones

Definiciones Hay un mercado asociado con cada evento que vamos a predecir. Cada mercado tiene varios resultados asociados con él, los que representan las distintas formas en las que el evento puede desembocar. Cada mercado tiene varios tipos de resultados subyacentes. Cada resultado tiene un “mercado” particular asociado con él. Estos resultados cubren todas las posibilidades de cómo el evento especificado en el mercado se establecerá. Los resultados a veces se conocen como “acciones” o “valores”. Cada resultado tiene varias acciones asociadas con él… Las acciones son lo que los usuarios compran, poseen y venden. Cada acción tiene un resultado particular asociado con ella. Cada acción asociada a un resultado que se concreta pagará a su poseedor 1 Gooble. En cualquier momento dado, el número de acciones por resultado es el mismo para todos los resultados. Para incrementar este número, usar una orden de canasta.

Ejemplo

Ganador de las Elecciones Presidenciales de los EEUU 2004

Bush

Kerry

Nader

Otros

• • • • • • • • • • • • • • • • Acciones deBush| Acciones deKerry | Acciones de Nader | Acciones de otros En cualquier momento dado, el número de acciones de Bush = número de acciones de Kerry = número de acciones de Nader = número de acciones de otros. Para incrementar este número, usar una orden de canasta.

Fuente: Google

Recompensas Los Googleros no compraban y vendían dentro de GPM usando dinero real, pero de todas formas el equipo quería brindar recompensas monetarias a los participantes exitosos. Previeron, sin embargo, que si simplemente entregaban premios monetarios a la mayoría de los participantes exitosos al final de cada trimestre, algunas personas se verían tentadas a comportarse de forma contraproducente. Podrían, por ejemplo, sencillamente comprar todo lo que pudieran de un resultado de bajo precio. Si este resultado poco probable realmente llegara a ocurrir en el mundo real (si por ejemplo, Ralph Nader realmente ganara la presidencia), ganarían una enorme cantidad de dinero en el mercado. Si el evento no ocurría, por supuesto, tendrían un balance de cero Goobles dentro del mercado al final del trimestre, pero no experimentarían ninguna pérdida financiera en el mundo real.



612-S12

El equipo GPM no quería promover este tipo de transacciones; en vez de ello, querían diseñar el mercado para que los participantes transaran sobre la base de sus creencias reales sobre el futuro. Decidieron convertir el balance final de cada participante –su balance al final del trimestre luego de que todos los mercados hubieran cerrado – en tickets de lotería. El equipo sacaría seis tickets al azar y le daría $1,000 a cada poseedor de un ticket ganador. Pensaron que este enfoque brindaría el incentivo correcto a los participantes. Los alentaría a maximizar el número de tickets que tuvieran en la lotería, lo cual significaba transar de la manera más inteligente posible durante el trimestre para poder tener el balance final más alto, y construir un portafolio que no se basara fuertemente en la ocurrencia de un único evento poco probable. El equipo también decidió premiar con $1,000 al participante comercial más activo de cada trimestre y dar certificados de regalo y camisetas especiales a otros participantes de alto desempeño. Esperaban que estos premios alentaran a mucha gente a participar en el GPM.

Propuesta Luego de finalizar el diseño del mercado, el equipo GPM recientemente formado comenzó la programación y tuvo una versión de trabajo de un mercado de predicción en menos de un mes. Luego decidieron buscar un apoyo más formal y reconocimiento de Google, así como financiamiento para los premios. Algunas de las iniciativas exitosas, que incluyen Google News y el programa de ventas de publicidad Adsense, habían comenzado como propuestas de empleados. Cowgill envió la propuesta de los Mercados de Predicción de Google (Google Prediction Markets) en diciembre de 2004. Recibió revisiones favorables y despertó el interés de varios ejecutivos. Uno de ellos se comprometió a brindar $10,000 del presupuesto de su departamento cada trimestre para financiar los premios GPM.

Lanzamiento El 8 de abril de 2005, se envió el siguiente correo electrónico a todos los Googleros: Googleros: En La sabiduría de las masas (The wisdom of crowds, Random House, 2004), James Surowiecki argumenta que las masas a menudo son más inteligentes que su individuo más inteligente. Para Surowiecki, nuestras emociones y asunciones potencialmente incorrectas nos impiden realizar juicios óptimos de manera individual. Pero si tomamos una multitud compuesta por diversidad de gente y reunimos sus juicios correctamente, la inteligencia colectiva de la masa normalmente gana en exactitud. Vemos la sabiduría de las masas en acción todos los días. Por ejemplo, la inteligencia colectiva dirige Wall Street –los mercados generan probabilidades sobre el éxito de una compañía, y reflejan sus hipótesis en el precio de las acciones. No es coincidencia que nuestras bibliotecas de planificación financiera tengan copias de este libro. Vamos a probar la tesis Surowiecki en Google a través de GPM, una aplicación ensoñada por algunos Googleros en el 20% de su tiempo. GPM nos dará la oportunidad de saber si los Googleros en conjunto son más inteligentes que incluso nuestro individuo más inteligente. Y para 9 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.

612-S12


hacerlo interesante, tenemos un pozo total de premios de $10,000 dólares a ser entregado a los vaticinadores ganadores al final del trimestre. Ahora que no pueden esperar para inscribirse, déjenme alejarme un momento del tema y decirles cómo surgió GPM. Bo Cowgill reclutó a compañeros con disponibilidad en su 20% de tiempo –Doug Banks, Patri Friedman, Ilya Kirnos y Piaw Na – y construyeron el prototipo de GPM. Por su creatividad y perseverancia yo ofrecí el presupuesto de $10,000 dólares para auspiciarlos y ser usado en este concurso. El equipo de Google GPM ha convertido varios de los objetivos de Google del segundo trimestre en mercados de futuros donde los Googleros de todo el mundo pueden especular sobre resultados anticipados. Aunque la participación es voluntaria, todos pueden observar cómo se forma la sabiduría de Google. A continuación se muestra cómo pueden comenzar – 

Inscribirse por una clave secreta



Leer la información “Comenzando” que les será enviada por correo electrónico



¡Comenzar a colocar pujas en los mercados!

Felicitaciones al Equipo GPM por su arduo trabajo y entusiasmo en este proyecto. Durante el primer trimestre de operación, el cual duró de abril hasta junio, se transó un total de 24 mercados (preguntas) y 95 valores distintos (respuestas) dentro de GPM. El equipo se había decidido por estos mercados al entrevistar a gerentes de Google para encontrar eventos de interés que fueran a ocurrir durante el trimestre. Estos incluyeron cuándo abriría una oficina internacional específica de Google y cuánta demanda habría para un producto en particular. El equipo también creó mercados basándose en la lista de objetivos corporativos importantes de la compañía, la cual era actualizada cada trimestre. Adicionalmente, el equipo incluyó mercados de eventos que ocurrirían fuera de la compañía, tales como el lanzamiento de productos de la competencia. Finalmente, GPM también contenía mercados “divertidos” relacionados con eventos tales como el estreno de la película “Star Wars: Episodio III”, el concurso de televisión “El Aprendiz”, y las finales de la NBA. Los mercados por diversión pretendían atraer participantes y mostrarles qué fácil y disfrutable era transar. Todos los mercados estaban abiertos a todos los empleados una vez que abrían una cuenta, y todos los Googleros podían ver los mercados y ver sus precios del momento y la historia de los mismos, incluso si no tenían una cuenta en GPM. Un mercado seleccionado al azar aparecía de manera prominente en la intranet de Google. La documentación de GPM incluía un resumen general y una lista de preguntas frecuentes.

Actividad Durante el primer trimestre, 1,085 Googleros se inscribieron y obtuvieron una cuenta para transar en GPM. Se realizó un total de 7,685 transacciones, y 436,843 acciones cambiaron de dueño. La mayoría de los participantes provenía de las funciones de ingeniería, ventas, operaciones o gestión de productos de la compañía. Se desarrolló un grupo de 13 participantes muy activos; este grupo realizó el 48% del total de transacciones de todos los mercados en el primer trimestre (en el Anexo 3 se puede ver estadísticas del crecimiento y transacciones de GPM).



612-S12

Con el tiempo, algunos pocos Googleros también escribieron bots, que eran programas que transaban automáticamente basados en reglas predeterminadas. Algunos de estos bots aprovechaban oportunidades de arbitraje, o discrepancias ilógicas en los precios de los resultados. Por ejemplo, se suponía que los precios de los resultados debían reflejar probabilidades, y los resultados de cada mercado se suponía que debían ser colectivamente exhaustivos; en otras palabras, deberían cubrir todos los posibles resultados del mundo real. También estaban establecidos para ser mutuamente excluyentes, de modo que no hubiera probabilidad de que dos resultados pudieran ocurrir al mismo tiempo. Esto implicaba que en todo momento los precios de todos los resultados de un mercado debían sumar uno. Sin embargo, el GPM en sí no contaba con un mecanismo automatizado para asegurar que este fuera el caso. El equipo deliberadamente evitó esta funcionalidad para recompensar a los participantes serios que notaran esta discrepancia. El mercado contaba con dichos participantes en pos de liquidez. Por lo menos un empleado escribió un bot que continuamente revisaba todos los mercados de GPM. Cada vez que un mercado estaba conformado por resultados cuyos precios en ese momento sumaban más de uno, el bot inmediatamente compraba una canasta del mercado, luego seguidamente la vendía por más de un dólar. Dado que los bots y otros participantes tenían una mirada aguda, las oportunidades de arbitraje raramente lograban algún resultado o duraban mucho en GPM.

Resultados A medida que los datos se acumulaban, el equipo de GPM comenzó a analizarlos para saber cómo estaban funcionando los mercados y qué tan bien lo estaban haciendo. Una de las cosas principales en las que estaban interesados, por supuesto, era en la exactitud de los mercados: cuán bien predecían lo que realmente sucedía. Para evaluar la exactitud, Cowgill tomó los precios finales de una gran muestra de resultados de GPM, luego los dividió en 10 rangos: 0.0-0.1, 0.1-0.2,… 0.9-1.0. Si los precios realmente equivalían a probabilidades de que los eventos ocurrieran, razonaba, los resultados con precios entre 0.0 y 0.1 deberían ocurrir entre el 0% y el 10% de las veces en el mundo real. En una muestra lo suficientemente grande, deberían ocurrir en promedio el 5% del tiempo. Cowgill comparó los resultados del mundo real con los precios de GPM para cada uno de los 10 rangos de precios. Como se muestra en la Figura C, los precios finales de mercado fueron, en general, buenos estimadores de las probabilidades.


612-S12


Figura C Exactitud de GPM

Predicción Perfecta Predicción del Mercado

Porcentaje de Ganadores

Precio vs. Porcentaje de Ganadores

Precio de la Acción Fuente: Google

Los análisis también revelaron que en todo momento, incluso a 10 semanas de distancia de la fecha de cierre del mercado, el resultado más caro era el más probable de ocurrir en la realidad (ver la Figura D). Parecía que GPM, en otras palabras, podía distinguir rápida y exactamente entre resultados posibles, identificar el de ocurrencia más probable, y colocar un precio alto a dicho resultado.



612-S12

Figura D Precios de los resultados en el tiempo en GPM

Porcentaje de Ganadores

Porcentaje de Ganadores en Base a los Rangos

•Acción más cara en ese momento •2da acción más cara del momento •3ra acción más cara del momento •4ta acción más cara del momento •5ta acción más cara del momento

Semanas para el Cierre Fuente: Google

Los gráficos como el de la Figura D también indicaban que los participantes ganaban confianza sobre el resultado “ganador” a medida que pasaba el tiempo. Los mercados de GPM, en otras palabras, tenían una alta decisión –tendían a contener sólo un resultado de alto precio, y la diferencia entre este precio y todos los otros se incrementaba con el tiempo a medida que se desarrollaban los eventos en el mundo real.


612-S12


Figura E Decisión del GPM

Precio Promedio de Ganancia y Pérdida de Acciones

Precio de la Acción

Ganancia en Naranja; Pérdida en Violeta

Semanas para el Cierre Fuente: Google

Puntos de vista Las actitudes hacia GPM variaron ampliamente entre los Googleros. Clay Quilty, un activo participante, intervino porque le parecía agradable: Nunca participo en el mercado de acciones real, pero GPM es distinto. Principalmente participo en los mercados de diversión por cosas como los precios de la gasolina y los ganadores de la Copa Mundial. La única vez que pensé que tenía buena información sobre un proyecto de Google, fue la vez en la que transé como loco en él. Si tengo una estrategia general, es que tiendo a apostar a los resultados negativos. En los mercados como “¿El proyecto x dejará el estado beta para esta fecha?” generalmente apuesto a “no” porque en mi experiencia la mayoría de las cosas se logran tarde, y no mucha gente se da cuenta de ello. He visto todas las cosas raras que se oye sobre los grandes mercados de acciones – pánicos, comportamiento gregario, y estampidas. Me sorprende que nuestros mercados funcionen tan bien como lo hacen, especialmente porque no hay inconvenientes reales por asumir grandes riesgos. Después de todo, ¡no juegas con tu propio dinero! Aún no he ganado ninguno de los grandes premios monetarios, pero a menudo estoy entre los 10 primeros participantes, y uso la camiseta que gané con orgullo. A veces me pregunto, sin embargo, si existe la percepción de que nosotros los participantes asiduos estemos pasando



612-S12

mucho tiempo en GPM –y no estemos haciendo nuestros trabajos reales. Sé que no es el caso, al menos para mí, pero me pregunto lo que la gente pensará. Vladimir Humber, empleado de mucho tiempo de Google con un doctorado en ciencias computacionales, también era un participante activo, pero tenía un enfoque muy distinto: A veces transo con la esperanza de engañar al mercado. Por ejemplo, compro un par de acciones de un resultado de muy bajo precio para tratar de convencer a los otros participantes de que hay en realidad una razón para la compra. Si se convencen y empujan el precio al alza, puedo aprovecharlo. También trato de obtener la mayor información posible sobre nuestros propios proyectos para poder determinar si sus precios de mercado son incorrectos. También he construido mi propia interface de usuario para GPM porque no me gusta la estándar. La mía me muestra mi portafolio justo junto al mercado entero; en la estándar se debe ir y regresar entre las páginas para hacer las comparaciones. Patri Friedman era un participante activo a la vez que miembro del equipo GPM: Mucha gente piensa que los incentivos financieros son esenciales para que los mercados de predicción funcionen bien, pero yo creo que lo contrario puede ser verdad, al menos para nosotros. La oportunidad de conseguir $1,000 no es tan significativa para la mayoría de gente aquí, y si los Googleros perciben que GPM es principalmente una manera de ganar $1,000, entonces la mayoría de ellos lo descartará. En esta compañía tenemos una economía de camisetas –la gente se ofrecerá voluntariamente a todo tipo de cosas y trabajará para otros equipos tan sólo por obtener una camiseta buena onda. Deberíamos aprovechar más esto en GPM. También estoy preocupado de que con el flujo constante de proyectos de súper alta prioridad aquí, GPM nunca tenga la atención que pensamos se merece. Las cosas avanzan muy rápido en Google -¿somos ya noticia vieja? Cowgill estaba de acuerdo en que la gente participaba en GPM en gran medida por la diversión, las camisetas, y para poder presumir. Llegó a pensar que los mercados de predicción dentro de las compañías deberían permitir a la gente construir reputación de buenos cambistas y que esto era más importante que permitirles inflar sus cuentas bancarias. Cowgill habló en una conferencia sobre mercados de predicción en diciembre de 2006. Comenzó: “Hoy hablaré sobre la manera en que los operadores de los mercados de predicción pueden promover mejor la participación. No creo que los premios –incluso los monetarios – sean adecuados para fomentar la participación. Los operadores de mercado se deberían enfocar más en las recompensas sociales y en la infraestructura y procesos para conseguirlas”. (Ver en el Anexo 3 el texto completo del discurso de Cowgill). Dolores Haze, gerente del equipo de calidad de búsquedas, no creía que GPM pudiera ayudarla mucho: Mi trabajo es conocer el estado de avance de todos mis proyectos, y no he visto que los mercados me digan nada que no sepa. Hubo un mercado de “sí o no” hace un tiempo relacionado con el resultado de un proyecto de nuestro grupo. Yo sabía cuál era el resultado que la mayoría de los googleros pensaban que ocurriría, pero también sabía lo que en realidad resultaría porque


612-S12


estaba muy cerca del proyecto y porque comprendía lo que el tablero de mando me decía. 4 Con bastante seguridad, el mercado estuvo de acuerdo conmigo, y ambos estuvimos en lo cierto. Así que ¿qué hizo el mercado por mí? No me dijo nada que yo no supiera; simplemente confirmó mi intuición. Creo que los mercados de predicción son realmente interesantes, y posiblemente sirvan para generar algún tipo de entusiasmo y motivar a la gente a aprender sobre lo que está sucediendo, pero no estoy segura de que sean tan útiles para las compañías. Olympia Press, vicepresidenta del grupo de ventas en línea, pensaba que había maneras mejores y más rápidas que GPM para obtener información útil: Claro, podemos instaurar un mercado con una pregunta cómo, “¿cuántos nuevos anunciantes obtendremos para esta fecha?”, pero ya cuento con gente muy lista y equipos dedicados a responder exactamente estas preguntas. Cuentan con los mejores datos disponibles y herramientas muy sofisticadas de predicción. Y es su trabajo responder a este tipo de preguntas de manera rápida y exacta. Así que simplemente acudo a ellos.

Conclusión Los análisis han convencido a los miembros del equipo GPM que los mercados de predicción de Google funcionan –que brindan predicciones exactas y decisivas sobre eventos futuros. El equipo se preguntaba, sin embargo, si podían hacer que los mercados funcionaran mejor y también brindaran un mayor aporte a la compañía. Virtualmente todos los mercados funcionan mejor en la medida en que ganan más liquidez, o sea, la capacidad de que un participante ejecute rápidamente una transacción deseada sin causar un movimiento significativo en el precio. La mejor manera de atraer más liquidez, como sabían los miembros del equipo, era la de promover que más googleros establecieran cuentas de GPM y ejecutaran varias transacciones. Durante el almuerzo, hacían una tormenta de ideas sobre cómo logar esto. Friedman sugirió, “Hagamos que el lanzamiento de los mercados cada trimestre sea algo grande – correos electrónicos, anuncios en las cafeterías, un conteo regresivo hasta la apertura del mercado…”. “Podríamos hacer lo mismo también para el sorteo de la lotería y la entrega del premio. Podríamos convertirlo en una fiesta e invitar a todos los que participaron en el mercado”, añadió Cowgill. “¿Y deberíamos ofrecer más y mejores premios, o más premios por transar más?”, preguntó Banks.

4 Muchos proyectos de Google tenían “tableros de mando”, o resúmenes en línea del estado de los proyectos. Estos tableros de mando típicamente estaban a la vista de todos los googleros. Si GPM contenía un mercado relacionado con un proyecto que tenía un tablero, la página del mercado incluía un enlace a dicho tablero. Para 2007, muchas compañías de la industria de alta tecnología y en otras partes usaban tableros de mando para hacer el seguimiento al estado de los proyectos. 16 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.


612-S12

“Tal vez”, replicó Cowgill. “Pero lo que sea que hagamos, debemos incluir más aspectos sociales y personalización en GPM. Está bastante claro que los googleros transan para hacerse de una reputación. Deberíamos hacer que estas reputaciones sean más visibles de manera voluntaria”. Un poco después, la discusión viró hacia los usos de GPM en la compañía. “¿Cómo hacemos que los que toman las decisiones aquí usen lo que los mercados les dicen?” preguntó Na. Friedman respondió, “Tenemos que llevarles nuestros datos. Deberíamos hacer una presentación con nuestros resultados y ofrecer llevársela a quien esté interesado. También podríamos hacer un Podcast o un seminario Web y ponerlo en nuestra intranet”. “¿Sabemos lo suficiente ya como para recomendar a la gente cómo usar los datos de los mercados? Si presentamos nuestros resultados y alguien dice, ‘Estoy convencido; ahora ¿qué hago?’ ¿sabríamos qué decirles?” preguntó Banks. “En primer lugar”, replicó Cowgill, “les diríamos que dejen de usar cualquier técnica de planificación o predicción de corto plazo que estén usando actualmente y comiencen a usar GPM. Si quieren saber cuántos servidores necesitarán para darle soporte al Nuevo Producto X, deberán pedirnos que establezcamos un mercado sobre demanda para el Nuevo Producto X. La respuesta que obtendrán del mercado será mejor, en cada punto de tiempo, que la respuesta que obtenga de cualquier otra forma”. “¿Estás seguro de eso?” replicó Na. “Sí. Pero juntemos datos y veamos que tengo razón”.


612-S12


Anexo 1 Texto de la propuesta de Cowgill para el Mercado de Predicción de Google, presentado en el Foro Interno de Google para Propuestas Innovadoras. Al juntar la cantidad y naturaleza de los enlaces dirigidos a una página Web, Google ya usa la sabiduría colectiva de las masas para jerarquizar los resultados de las búsquedas. “La democracia en la Web funciona”, es parte de nuestra cultura corporativa. Pero PageRank no es la única manera de aprovechar la inteligencia colectiva de los grandes grupos. El Iowa Electronic Markets, el Policy Analysis Market, la Bolsa de Valores de Hollywood así como numerosos estudios académicos han demostrado que las masas grandes y diversas de gente de pensamiento independiente predicen mejor el futuro de la resolución de problemas que los expertos más brillantes de entre ellos. Esto es especialmente cierto cuando los individuos de dicha multitud tienen intereses personales financieros de hacerlo bien. Google tiene exactamente lo que dicho mercado necesita para tener un buen desempeño: Una amplia y diversa base de usuarios y la capacidad de brindar incentivos financieros y bajas barreras de entrada. En alguna medida, Google puede inclusive asegurar que nuestras masas piensan de manera independiente. De modo que propongo crear los Mercados de Decisión de Google (Google Decision Markets)… Y funcionarían de la siguiente manera. Permitiríamos a los usuarios tanto crear mercados como participar en ellos. Para crear un mercado, el usuario tendría que ingresar una pregunta única con una respuesta verificable, una variedad de respuestas posibles y una fecha límite en la que la respuesta se conocerá. Para participar en un mercado, el usuario seleccionará una respuesta a la pregunta del mercado y colocará una transacción por la respuesta correcta. Esta transacción será financiada por el mismo usuario; o, las transacciones del mercado podrían estar financiadas por el creador del mercado. La respuesta y la transacción se mantendrían en confidencialidad. Las investigaciones muestran que los mercados acertarán más a menudo que cualquier experto individualmente. Por ejemplo, el Iowa Electronic Markets ha predicho de manera consistente los resultados de las elecciones mejor que cualquier entendido o encuestador de manera individual. De manera similar, los precios a futuro del jugo de naranja son mejores pronosticadores del clima de Florida que cualquier servicio meteorológico a la fecha. La Bolsa de Valores de Hollywood predice la venta de las películas mejor que cualquier análisis independiente… Google no sería la primera compañía de alta tecnología en interesarse en esta área. Microsoft lleva las finanzas de Iowa Electronic Markets, y HP ha usado mercados internos para predecir el crecimiento de las ventas. ¿Alguien quisiera trabajar conmigo en esto? Fuente: Documento de la compañía.



612-S12

Anexo 2 Explicación de las subastas dobles continuas La subasta continua doble (CDA por sus siglas en inglés) es un mecanismo que enlaza a compradores y vendedores de un bien particular para determinar los precios a los que se ejecutan las transacciones. En cualquier punto temporal, los comerciantes pueden colocar órdenes límite bajo la forma de pujas (órdenes de compra) y pedidos (órdenes de venta). Las órdenes pendientes se mantienen en un libro de órdenes. Los comerciantes en cualquier momento pueden colocar una orden de mercado para comprar o vender inmediatamente a precio de mercado, el cual es determinado por el grupo de órdenes del libro. Las transacciones son ejecutadas cada vez que una orden límite llega y la puja más alta excede o es igual al precio de pedido más alto, o cuando llega una nueva orden de mercado y el libro contiene órdenes con las que se puede empatar la orden de mercado. Estos términos se describen en mayor detalle a continuación. a Bienes Aunque el bien transado puede ser cualquier commodity, en el caso de los mercados de predicción, un bien será un contrato que paga una suma especificada si un evento particular ocurre. En el mercado de un juego a realizarse entre Red Sox-Yankees, una unidad puede ser un contrato que paga $100 si los Yankees ganan a los Red Sox y $0 de otra manera. Órdenes límite Un pedido especifica el bien a ser vendido, el número de unidades y el precio de pedido. La puja especifica el bien a ser comprado, el número de unidades, y el precio de la misma. Libro de órdenes y cuotas de precio Las órdenes pendientes se mantienen en un libro de órdenes en listas de prioridad de pujas y de pedidos. En la lista de pujas, las pujas son ordenadas por precio; estando la puja más alta primera en la lista. Las pujas con montos iguales se ordenan por el momento de llegada. Los pedidos se ordenan de manera similar pero la prioridad la tiene el pedido de menor precio. En algunas transacciones, sólo parte de la información del libro de órdenes está disponible para los comerciantes, tales como los precios reales de la puja más alta y del pedido más bajo. Esta información es conocida como la cuota de precio.

Ejemplo de Libro de Órdenes

Puja

Pedido

Cantidad

Precio

Precio

Cantidad

25

33.5

33.7

44

50

33.4

34.3

100

275

33.0

34.8

50

27

32.7

34.9

20

28

32.4

35.5

55


612-S12


Ejemplo cuota de precios

Valor

“Y para Ganar”

Puja

Pedido

Último

33.5

33.7

33.7

Nuevas órdenes límite y ejecución de las transacciones Cuando una nueva orden límite ingresa, la orden es añadida al libro de órdenes, y se ejecuta una transacción si la puja más alta excede o es igual al precio de pedido más alto. La transacción involucrará a las órdenes de la primera parte de la puja y a los últimos pedidos y al precio más antiguo de las dos órdenes involucradas. Si el número de contratos especificado en estas órdenes no es idéntico, entonces el número de contratos transados será el menor de los dos. En la ejecución, se actualizan las cuentas de los participantes, y los contratos involucrados en la transacción son borrados del libro de órdenes. La porción de cualquier orden límite nueva que no se complete se mantiene en el libro de órdenes. Las transacciones continúan de esta manera hasta que la puja más alta no exceda más o sea igual al precio de pedido más alto. Órdenes de mercado y ejecución de las transacciones Una orden de mercado específica “comprar” o “vender”, el bien a ser transado y el número de unidades. Las órdenes de mercado se relacionan con órdenes existentes del libro de órdenes. Para la compra de una orden de mercado, el precio usado es el menor precio de pedido de la lista de pedidos. Si el número de unidades de la orden de mercado a comprarse excede el número de unidades listadas a este precio, entonces el exceso de demanda no llega a una realización. b Las órdenes de mercado a la venta se relacionan de manera similar con órdenes de la lista de pujas. Factibilidad y teneduría de libros Las subastas dobles continuas usualmente se relacionan con cuentas de efectivo y portafolios de los participantes comerciales. A la ejecución de una transacción, los bienes y efectivo se intercambian en las cuentas de los participantes según esté especificado en la transacción. Si la cuenta de un participante tiene fondos o bienes insuficientes, la transacción se considera no factible, y las órdenes infractoras involucradas se cancelan. Fuente: Autores del caso. aHay

muchas variaciones de las subastas dobles continuas, la mayoría de las cuales comparten las características fundamentales descritas aquí. Para discusión, ver “Everything you wanted to know about double auctions but where afraid to (bid or) ask” (Todo lo que quería saber sobre las subastas dobles pero tenía miedo de (pujar o) preguntar), http://www.sci.brooklyn.cuny.edu/~parsons/projects/mech-design/publications/cda.pdf. El método discutido aquí se basa en el usado en el Iowa Electronic Markets, http://www.biz.uiowa.edu/iem/trmanual/IEMManual_3.html. bUn mecanismo alternativo es el de completar la orden con las siguientes órdenes de precio más alto de la lista de pedidos.



612-S12

Anexo 3 Estadísticas de volumen y transacciones de GPM

Cuentas totales en el tiempo

Acciones totales transadas en el tiempo


612-S12


Anexo 3 (continuación)

Base de transacciones por función

Porcentaje de nuevas cuentas Porcentaje de cuentas que completaron >1 Transacción Porcentaje de cuentas que completaron >1 Transacción en un mercado relacionado con el Trabajo

Total de transacciones por usuario

Número de Transacciones

Participante más activo completó >31K transacciones (fuera del cuadro)

1

Participantes Comerciales

860

Después de 1 año, 8 meses, 25 días de transacciones abiertas continuas.

Fuente: Google 22 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.


612-S12

Anexo 4 Texto del Discurso de Cowgill sobre Mercados de Predicción Hoy hablaré de la manera en que los operadores de los mercados de predicción pueden promover mejor la participación. No creo que los premios –ni siquiera los monetarios –sean adecuados para inducir la participación. Los operadores de los mercados deben enfocarse más en las recompensas sociales y la infraestructura y procesos para hacerlas realidad. Desde el punto de vista clásico de los mercados de predicción, el propio interés financiero encauza la participación. Desde esta perspectiva, la confidencialidad es algo bueno porque permite que los puntos de vista poco populares sean escuchados. Hay muchas razones por las que los premios no motivan a la gente a participar –incluso cuando se usan premios de dinero. La primera razón es la complejidad e incertidumbre. Para evitar ser regulados como apuestas, los operadores de los mercados de predicción deben crear mecanismos de recompensa complicados que sean difíciles de ser comprendidos por los participantes. Las recompensas a menudo dependen no sólo de si el usuario ha hecho las predicciones correctas, sino también de las pujas de los otros participantes y cuántos otros participantes en total haya habido. La razón más importante es que las recompensas esperadas son bajas. Supóngase que hay $40K de recompensa en efectivo para el ganador de entre 1,000 participantes. Estas probabilidades son mucho más generosas que cualquiera que haya visto en el mundo real. Aún así, no estoy seguro de cuánta participación motivarían. Sin saber más sobre qué tan bien nos pueda ir, el valor esperado es de alrededor de $40. Para que los mercados funcionen mejor, los participantes deben estar interviniendo y actualizando constantemente los mercados cada vez que haya nueva información. ¿$40 son suficientes para promover ese tipo de monitorización si eres un profesional ocupado y bien pagado que ganas más de $100K al año? No creo que lo sea. Y en realidad, las condiciones a menudo son peores. Como nota adicional, no creo que la misma dinámica sicológica aplicaría si las personas pudieran usar su propio dinero. Pues ese no es el mundo en el que vivimos. Por eso creo que la respuesta está en recompensar a los participantes con alguna forma de sistema de reputación. Esto debería incluir una lista destacada con el ranking del desempeño de los participantes del mercado –idealmente mostrada en la página de inicio de la intranet de la compañía. Quizás podría haber varias categorías distintas de ganadores. Las cotizaciones de cada empleado en el directorio de la compañía deben incluir su ranking o participación en el sistema. Los datos de las bases de datos de RRHH podrían mostrar a los participantes cuyos equipos, funciones laborales, o niveles gerenciales estén desempeñándose mejor en los mercados. Esto no sólo ayudaría a la liquidez del mercado sino que también promovería la camaradería entre los equipos. La gerencia debe otorgar reconocimiento adicional público a los mejores participantes comerciales. En una compañía grande, un sistema de reputación tendría problemas. Sería difícil para los empleados ocuparse de su ranking si este está en los miles –incluso si estuviesen ubicados relativamente altos. El software del mercado debería permitir a los usuarios definir un grupo de sus pares con propósito de comparación. Los empleados podrían elegir amigos, compañeros de trabajo, gente que comenzó con ellos, o cualquier otro con el que se comparen. El software podría rellenar previamente esta lista con las personas del equipo del empleado, su departamento, su clase de inicio, con quienes se reúne frecuentemente o los contactos del correo electrónico. Adicionalmente, el mercado debería brindar a cada participante su propia página de perfil – completa, con fotografía e introducción – en la que pueda mostrarse sus mejores transacciones. Los operadores del mercado cometen un error al comprometerse demasiado con la confidencialidad. Las transacciones confidenciales evitan que los participantes compartan con orgullo sus logros. ¿Cuán a 23 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.

612-S12


menudo se escucha en las corporaciones alguna variante del “te lo dije”? ¿Cuán a menudo la gente lo piensa, pero no lo dice? Existe entre los empleados una demanda de recibir el crédito de predicciones correctas en proyectos específicos. Para dirigir la participación, los operadores del mercado deben brindar a los empleados las herramientas necesarias para compartir sus predicciones. Las generaciones futuras de mercados de predicción corporativos deben hacer que la confidencialidad sea opcional y la revelación sea por defecto. Una manera híbrida de obtener los beneficios tanto de la confidencialidad como de la apertura es: Crear una opción por la cual las transacciones sean confidenciales hasta que el mercado cierre, y en dicho momento las acciones que ganen dinero se muestren. Esto permitirá a los participantes compartir sus logros sin crear imitadores mientras los mercados estén abiertos. El ser capaces de apreciar cómo apuestan los otros podría hacer más interesante el observar y participar en los mercados. Además de compartir las dimensiones financieras de las transacciones, el mercado debería permitir a los participantes añadir explicaciones. Esto, también, debería ser compartido de manera voluntaria. Mostraría al mundo que la suerte del participante fue resultado de un entendimiento real y no de una casualidad. El añadir explicaciones comerciales también ayudaría a volver el mercado más útil para la gerencia. Sin una explicación para las transacciones, es difícil creer en lo que dicen los mercados. Para facilitar al máximo las explicaciones, los participantes podrían recibir una lista de razones que otros participantes u observadores hayan remitido ya. En vez de escribir una nueva explicación, podrían elegir una ya existente (o un grupo de explicaciones) que añadirían a sus órdenes. Quisiera terminar con una historia que creo demuestra la superioridad de los sistemas basados en la reputación. Este año, la final de la Copa Mundial se dio entre el segundo y tercer trimestre de 2006. De modo que para poder mantener abiertos estos mercados un largo periodo, incluimos la Copa Mundial en el concurso del segundo trimestre. Dejamos abiertos estos mercados alrededor de una semana del tercer trimestre y pronto lo cerramos y abrimos los mercados del tercer trimestre en cuanto la Copa Mundial terminó. Como resultado, la gente no tuvo mucho tiempo para ver sus rankings finales. Llegaron muchísimos correos electrónicos pidiendo ver sus resultados finales y quiénes recibirían una camiseta. Debido a otros compromisos, no pude identificar a los ganadores de las camisetas hasta después, pero en el ínterin los correos electrónicos llovieron. Cuando finalmente envié el correo electrónico con los ganadores, accidentalmente olvidé anunciar quiénes ganaron nuestros siete grandes premios monetarios. Ninguna persona se dio cuenta. Mientras tanto, continuaron llegando correos electrónicos sobre cuándo se entregarían las camisetas. Algunas semanas después, alguien escribió finalmente. “Dijeron que tuve una posición por encima de 20, pero no recibí mi camiseta”, decía la persona. Luego de investigar, descubrí que había retirado a esta persona de la lista de las camisetas porque también había ganado un premio monetario. Me di cuenta de que no había identificado a los ganadores de los premios pecuniarios. ¡La única razón por la que me di cuenta fue por la preocupación de alguien por las camisetas! Luego, nuevamente me vi atrapado en otro trabajo y demoré en entregar los premios monetarios más o menos un mes –y nadie dijo una palabra mientras tanto. El punto es que a los participantes no les parecía importar los premios pecuniarios en absoluto. En vez de ello, la gente quería saber sobre los premios de reputación –su ranking en el sistema y las camisetas que los identificarían como ganadores. Muchas gracias, y si tienen más preguntas podemos hablar durante el receso. Fuente: Google. 24 This document is authorized for use only in Investigacion de Mercados II by Leswin Valenzuela, UTH from November 2016 to May 2017.

Caso 4. 612s12 PDF Spa Mercados de Prediccion de Google

Recommend Documents