Saltar al contenido principal
LibreTexts Español

7.7: Los mercados de predicción y la sabiduría de las multitudes

  • Page ID
    61231
    • Anonymous
    • LibreTexts

    \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    \( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)

    ( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\id}{\mathrm{id}}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\kernel}{\mathrm{null}\,}\)

    \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\)

    \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\)

    \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    \( \newcommand{\vectorA}[1]{\vec{#1}}      % arrow\)

    \( \newcommand{\vectorAt}[1]{\vec{\text{#1}}}      % arrow\)

    \( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vectorC}[1]{\textbf{#1}} \)

    \( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)

    \( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)

    \( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)

    \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    Objetivos de aprendizaje

    Después de estudiar esta sección deberías poder hacer lo siguiente:

    1. Comprender el concepto de sabiduría de las multitudes tal como se aplica a las redes sociales.
    2. Enumere los criterios necesarios para que una multitud sea inteligente.

    Muchos esfuerzos de software social aprovechan lo que ha llegado a conocerse como la sabiduría de las multitudes. En este concepto, un grupo de individuos (la multitud suele consistir principalmente en aficionados no entrenados), colectivamente tiene más perspicacia que un solo o pequeño grupo de profesionales capacitados. Hecho popular por el autor James Surowiecki (cuyo libro más vendido lleva el nombre del fenómeno), la idea de la sabiduría de la multitud está en el corazón de los wikis, los sistemas de etiquetado folksonomy y muchos otros esfuerzos en línea. Un artículo en la revista Nature comparando positivamente Wikipedia con la Enciclopedia Británica dio crédito al uso del software social para aprovechar y destilar la sabiduría de la multitud (Giles, 2005).

    La multitud no siempre tiene razón, pero en muchos casos donde los temas son complejos, los problemas son grandes y los resultados son inciertos, un grupo grande y diverso puede aportar una visión colectiva a la resolución de problemas que le falta a un tipo inteligente o a un comité profesional. Una técnica para aprovechar la sabiduría de las multitudes es un mercado de predicción, donde se sondea a una multitud diversa y se agregan opiniones para formar un pronóstico de un resultado final. El concepto no es nuevo. Podría decirse que el mercado de valores es un mercado de predicción, con un precio de acciones que representa la evaluación colectiva del valor descontado de las ganancias futuras de una empresa. Pero las tecnologías de Internet están permitiendo a las empresas establecer mercados de predicción para explorar todo tipo de problemas.

    Considere Best Buy, donde se alienta a los empleados a aprovechar el mercado de predicción TagTrade de la firma para hacer pronósticos, y se les ofrecen pequeños obsequios como incentivos para la participación. La idea detrás de este programa de incentivos es simple: las “camisas azules” (empleados de Best Buy) son las más cercanas a los clientes. Ven patrones de tráfico y ciclos de compra, pueden presenciar de primera mano las reacciones de los clientes y, a menudo, tienen un grado de conocimiento de campo no disponible para los altos directivos en la sede de Minneapolis de la compañía. Aprovecha esta aportación colectiva y tienes un cerebro grupal donde, como suele decir la sabiduría de los defensores de las multitudes, “el nosotros es mayor que el yo”. Cuando Best Buy pidió a sus empleados que predijeran las ventas de tarjetas de regalo, la respuesta promedio colectiva de la “multitud” fue 99.5 por ciento precisa; los expertos pagaron para hacer la predicción estaban apagados en un 5 por ciento. Otro experimento que predijo las ventas de vacaciones estuvo apagado por solo 1/10 de 1 por ciento. ¿Los expertos? ¡De descuento en 7 por ciento (Dvorak, 2008; Dye, 2008)!

    En un artículo del McKinsey Quarterly, Surowiecki esbozó varios criterios necesarios para que una multitud sea “inteligente” (Dye, 2008). La multitud debe

    • ser diversos, para que los participantes estén trayendo diferentes piezas de información a la mesa,
    • descentralizarse, para que nadie en la cima esté dictando la respuesta de la multitud,
    • ofrecer un veredicto colectivo que resuma las opiniones de los participantes,
    • ser independiente, de manera que cada uno se centre en la información y no en las opiniones de los demás.

    Google, que dirige varios mercados predictivos, subrayó estos principios cuando encontró que las predicciones eran menos precisas cuando los usuarios estaban geográficamente cercanos, lo que significa que las personas del mismo grupo de trabajo que estaban sentados cerca unos de otros generalmente pensaban demasiado iguales (Cowgill, et. al., 2009). Los resultados predictivos más pobres probablemente resultaron porque estos grupos de usuarios relativamente homogéneos trajeron la misma información a la mesa (otra razón más por la que las organizaciones deberían contratar y cultivar equipos diversos).

    Muchas empresas manejan mercados predictivos para ayudar en pronósticos clave, y con el potencial de una recompensa financiera real. Pero el profesor de derecho de la Universidad de Chicago, Todd Henderson, advierte que los mercados predictivos también pueden tener desafíos legales y éticos. La Comisión de Bolsa y Valores puede mirar con recelo a un empleado que recibe un aviso en un mercado predictivo que dice que cierto medicamento va a ser aprobado o reprobar los ensayos clínicos. Si comercia con esta información, ¿es una persona privilegiada, sujeta a enjuiciamiento por explotar datos propietarios? Los problemas de divulgación no están claros. Las leyes de juego también son turbias, con Henderson incierto en cuanto a si ciertos mercados predictivos serán vistos como una forma de apuestas no regulada (Dye, 2008).

    Los mercados de predicción de acceso público son diversos en su enfoque. El Mercado Electrónico de Iowa intenta adivinar el resultado de las campañas políticas, con resultados mixtos. Farecast (ahora parte del motor de conocimiento Bing de Microsoft) afirma una tasa de precisión del 75 por ciento para pronosticar el precio futuro de los boletos de avión 1. La Bolsa de Valores de Hollywood permite a los participantes comprar y vender acciones de predicción de películas, actores, directores y opciones relacionadas con películas. El intercambio, ahora propiedad de la firma de inversión Cantor Fitzgerald, ha elegido a los ganadores del Oscar con 90 por ciento de precisión (Surowiecki, 2007). Y en Hedgestreet.com, los participantes pueden hacer microapuestas, apostando tan solo diez dólares sobre el resultado de eventos económicos, incluyendo predicciones sobre los precios de las viviendas, el oro, las monedas extranjeras, el petróleo, e incluso el impacto económico de los huracanes y tormentas tropicales. HedgeStreet se considera un mercado y está sujeto a supervisión por parte de la Commodity Futures Trading Commission (Lambert, 2006).

    Conclusiones clave

    • Muchos esfuerzos de la Web 2.0 permiten a las empresas aprovechar la sabiduría de las multitudes, identificando la inteligencia colectiva.
    • Los mercados de predicción aprovechan la opinión de la multitud con resultados que a menudo son más precisos que los pronósticos y estimaciones de expertos más precisos.
    • Los mercados de predicción son más precisos cuando se aprovecha la sabiduría de un grupo diverso y de diversas habilidades y experiencia, y son menos precisos cuando los participantes son muy similares.

    Preguntas y ejercicios

    1. ¿Qué hace que sea una multitud “sabia”? ¿Cuándo podría una multitud no ser tan sabia?
    2. Encuentra un mercado de predicción en línea y participa en el esfuerzo. Esté preparado para compartir su experiencia con su clase, incluyendo cualquier estadística de precisión predictiva, incentivos a los participantes, modelo de negocio del esfuerzo y su evaluación general del atractivo y utilidad del esfuerzo.
    3. Haga una lluvia de ideas sobre los tipos de organizaciones que podrían implementar mercados de predicción. ¿Por qué podrías pensar que los esfuerzos que sugieres y defiendas serían exitosos?
    4. ¿De qué manera son los temas legales que preocupan a los operadores del mercado de predicción?

    1 “Auditoría revela precisión predictiva farecast en 74.5 por ciento”, farecast.live.com, 18 de mayo de 2007, www.prnewswire.com/news-relea... s-new-tools-to -help-savvy-travelers-catch-elusive-airfare-price-drops-this-summer-58165652.html.

    Referencias

    Cowgill, B., J. Wolfers y E. Zitzewitz, “Using Prediction Markets to Track Information Flows: Evidence from Google”, documento de trabajo consultado el 30 de noviembre de 2009, vía http://bocowgill.com/GooglePredictionMarketPaper.pdf.

    Dvorak, P., “Best Buy Tomas 'mercado de predicción'”, Wall Street Journal, 16 de septiembre de 2008.

    Dye, R., “La promesa de los mercados de predicción: una mesa redonda”, McKinsey Quarterly (2008): 83—93.

    Giles, J., “Informe especial: las enciclopedias de Internet van cara a cara”, Nature 438, núm. 15 (14 de diciembre de 2005): 900—901.

    Lambert, E., “Hedging for Dummies”, Forbes, 13 de marzo de 2006, págs. 70—72.

    Surowiecki, J., “Crowdsourcing the Crystal Ball”, Forbes, 15 de octubre de 2007.


    This page titled 7.7: Los mercados de predicción y la sabiduría de las multitudes is shared under a CC BY-NC-SA 3.0 license and was authored, remixed, and/or curated by Anonymous via source content that was edited to the style and standards of the LibreTexts platform; a detailed edit history is available upon request.