sábado, 22 de junio de 2019

Modelización basada en agentes como herramienta actual de predicción

Una nueva bola de cristal para predecir el comportamiento de los consumidores e inversores

El modelado basado en agentes proporciona información sobre el complejo comportamiento de grandes grupos de personas, como consumidores, votantes e inversores.



El modelado basado en agentes turboalimentado por la computación en la nube tiene un papel creciente en las finanzas y la regulación. Foto: David Plunkert


Por Paul J. Davies || Wall Street Journal


E.W. Scripps Co. tuvo un gran año en 2018 para la publicidad política en su red de estaciones de TV locales. Su nuevo enfoque de las ventas de anuncios políticos ayudó a casi duplicar sus ingresos en el sector en comparación con las elecciones previas de mitad de período en 2014.

Detrás de estas ganancias se encontraba una forma de análisis de mercado denominada modelado basado en agentes, que puede mostrar cómo interactúan entre sí diferentes tipos de personas, empresas o inversores, y pueden reaccionar a las cosas que les suceden. Ayudó a E.W. Scripps asesoró a los gerentes de campañas políticas sobre cómo obtener el mejor provecho de su inversión, y está ayudando a un número creciente de otras compañías a entender sus mercados.

"Nuestro objetivo es simular la forma en que los consumidores toman decisiones", dice Dejan Duzevik, director de productos de Concentric Inc., una compañía de modelos con sede en Cambridge, Massachusetts, que ayudó a E.W. Scripps. "Muchas empresas están haciendo esto para ver si pueden atraer nuevos consumidores a su mercado". Los clientes de Concentric han incluido a Microsoft Corp., Toyota Motor Corp. y Whirlpool Corp., así como a empresas de publicidad como Havas.

El modelado basado en agentes también tiene un papel creciente en las finanzas y la regulación, particularmente como una forma de entender cómo las crisis y los pánicos se extienden en los mercados, cosas que los modelos económicos tradicionales y simplificados no pueden ver.

La economía tradicional y el análisis de mercado miden las diferencias entre los individuos para llegar a un representante del grupo, que normalmente se espera que actúe racionalmente. Esto crea modelos elegantes que pueden producir respuestas simples para los investigadores, y predicciones simples de lo que las personas harán. Sin embargo, como un mapa dibujado crudamente, los modelos tradicionales son útiles para algunos propósitos, pero no logran coincidir con la realidad en una resolución más fina. En contraste, los modelos basados ​​en agentes pueden representar muchos tipos diferentes de individuos con una amplia variedad de deseos y necesidades al mismo tiempo, y ofrecen una amplia gama de posibilidades de cómo actuarán, lo cual es mucho más realista. Pero con el realismo viene la complejidad y predicciones que a menudo son menos específicas.
Pruebas de crisis

Los reguladores financieros están ejecutando este tipo de modelos para ver cómo se propagan las crisis: con qué rapidez y en qué medida un shock en un mercado o clase de activos puede propagarse a otras partes del sistema financiero. Intentan identificar puntos débiles en el sistema financiero, por ejemplo, en bancos, casas de compensación o fondos del mercado monetario, y luego probar regulaciones o políticas que podrían reforzar esos puntos débiles y hacer que el sistema financiero sea más resistente.

Richard Bookstaber, un gerente de riesgo financiero, académico y autor que construyó un modelo de este tipo para el Tesoro de los Estados Unidos después de la crisis financiera mundial de 2008, dice que el modelado basado en agentes funciona bien para las crisis financieras porque en esos momentos los inversores y los operadores se vuelven más adversos al riesgo. lo que los obliga a seguir reglas de comportamiento que son más fáciles de discernir. Los científicos llaman a estas reglas de comportamiento heurísticas. En tiempos normales, los inversores y los comerciantes a menudo cambian de comportamiento o disfrazan las preferencias cuando eso podría ayudarles a ganar dinero.

"No puedes usar modelos basados ​​en agentes si no conoces a los agentes o sus heurísticas", dice Bookstaber. Y eso usualmente hace que el modelado financiero sea más difícil. "Las heurísticas y las preferencias son más estables en el mundo del consumidor", dice. "No se beneficia al ocultar, mentir o cambiar sus preferencias de manera inesperada, mientras que lo hace en finanzas".

Estos modelos no son nuevos, pero en el pasado su uso estaba limitado por el número extremadamente alto de cálculos que realizan para recrear el complejo comportamiento de grandes grupos de personas. La potencia de cómputo necesaria para realizar rápidamente esos cálculos solo se ha hecho accesible a bajo costo en los últimos años a través de la computación en la nube. La creciente cantidad de datos recopilados también ha ayudado a que el modelado basado en agentes sea una herramienta mucho más viable comercialmente.

Todo esto es posible porque la enorme capacidad informática se ha vuelto ampliamente disponible con el crecimiento de la computación en la nube en los últimos años. Andrew Skates, fundador de Sandtable, una compañía de modelos con sede en Londres, dice que cuando comenzó en 2009, ejecutaría modelos en una serie de computadoras portátiles conectadas entre sí. "Durante un fin de semana, obtendríamos 50 horas de tiempo de computadora en 10 procesadores, lo que equivale a 500 horas de computadora", dice. En una semana reciente, "hicimos una carrera que fue de 50,000 horas de computadora, y eso ni siquiera es grande para nosotros".

Elecciones políticas

Michael O'Brien, vicepresidente de distribución en E.W. Scripps, dice que los modelos basados ​​en agentes le permiten a la compañía probar el impacto en los votantes de eventos como noticias, reuniones políticas, temores de seguridad o incluso el clima. El modelo se basa en múltiples conjuntos de datos, como las calificaciones de audiencia para programas de televisión, volúmenes de redes sociales, encuestas públicas y privadas y otra información para crear una imagen útil de las actitudes de los votantes en una carrera en particular.

El Sr. O'Brien dice que el modelo basado en agentes produce predicciones mucho mejores que las encuestas tradicionales solo sobre las formas más efectivas de alentar a los votantes a respaldar a un candidato. "Los gerentes de campaña nos dicen a quién quieren dirigirse, y podemos decir cuáles son las mejores oportunidades para dirigirse a esos votantes y cómo obtener las mejores tasas de conversión", dice.

Más allá de la política, las empresas de publicidad y productos de consumo utilizan los modelos basados ​​en agentes para generar predicciones acerca de qué mensajes publicitarios o estrategias de fijación de precios impulsarán a los rivales de la empresa, y cómo afectarán las opiniones y elecciones entre los consumidores. . Otra función importante es probar lo que podría suceder en caso de algún tipo de impacto en el mercado de una empresa. "Casi todos los clientes tienen algún escenario que comprueba el impacto de un shock exógeno", dice el Sr. Duzevik de Concentric. "Tenemos una broma al respecto: por lo general, es Amazon".

Una de las fortalezas de este modelado es que produce un rango de probabilidades en lugar de una simple prescripción sobre cómo proceder. David Teague, jefe de cartera para análisis de datos y productos en British Broadcasting Corp., dice que los modelos basados ​​en agentes no pronostican exactamente el futuro, pero sí le permiten explorar lo que podría suceder en un sistema complejo que sigue cambiando.

La BBC, la emisora ​​británica financiada por los contribuyentes, está desarrollando un modelo para probar cómo las diferentes combinaciones de programas de televisión atraerán a diferentes segmentos de la audiencia. Debido a que la compañía cuenta con fondos públicos, tiene funciones de servicio público y debe garantizar que el dinero de los contribuyentes se gaste en el mayor beneficio posible.

Como todos los modelos, dice Teague, los basados ​​en agentes solo pueden ser algo que ayude a informar la toma de decisiones en lugar de tomar decisiones por usted. "Es un balance de 'Esto me va a ayudar' en lugar de 'Esto va a responder todo por mí'", dice. "Con cualquier cosa, una vez que crees que responderá a todo por ti, es cuando te quedas despegado".