Mercados de predicción en Google

[pic 1]

9-607-088

R E V : A U G U S T 2 0 , 2 0 0 7

P E T E R A . C O L E S

K A R I M R . L A K H A N I

A N D R E W P . M C A F E E

Mercados de predicción en 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 de Google en Mountain View, California, y revisó los resultados más recientes de los mercados de predicción interna de la compañía. Los cinco Googlers (como los empleados de Google se refirieron a sí mismos) habían lanzado los mercados de predicción de la compañía, construyeron los sistemas de información que los apoyaron y los supervisaron durante los siete trimestres anteriores, todo mientras trabajaban en sus empleos "normales". Los mercados habían crecido en popularidad y demostraron su exactitud durante ese tiempo, y el equipo estaba orgulloso de sus logros.

Los mercados de predicción se parecen mucho a los mercados bursátiles. Contenían valores, cada uno de los cuales tenía un precio. La gente utilizó el mercado para comerciar entre sí comprando y vendiendo estos valores. Debido a que los comerciantes tenían diferentes creencias acerca de lo que valía la pena, y debido a que los eventos ocurrieron con el tiempo que alteraban estas creencias, los precios de los valores variaron con el tiempo.

En un mercado de valores como la bolsa de valores de Nueva York los títulos que se negocian eran acciones en las empresas, cuyos precios reflejaban las creencias sobre el valor de las empresas. En un mercado de predicción, en cambio, los valores que se negocian estaban relacionados con eventos futuros, como una elección presidencial estadounidense. En este caso, el mercado podría diseñarse de modo que cada seguridad estuviera vinculada a un candidato, y su precio fuera el mismo que la probabilidad estimada de que el candidato ganara, según los comerciantes del mercado.

Los mercados de predicción en Internet habían demostrado ser notablemente precisos para predecir los resultados de las elecciones políticas y otros eventos, y los Googlers habían querido ver si también podían ser utilizados productivamente dentro de las empresas para pronosticar eventos de interés tales como la fecha de lanzamiento de un producto o si un competidor tomaría una acción específica. Las experiencias de los siete trimestres anteriores habían mostrado que los mercados de predicción de Google (GPM) eran de hecho bastante buenos para predecir tales eventos. Googlers no puso nada de su propio dinero en riesgo cuando negociaban dentro de GPM; en su lugar, compraron y vendieron valores dentro de GPM usando "Goobles", una moneda artificial.

Durante el almuerzo, los miembros del equipo hablaron sobre los siguientes pasos para GPM.

"Tenemos una gran cantidad de datos de mercado y Trading y apenas hemos empezado a analizarlo, pero todo nuestro trabajo hasta ahora muestra que nuestros mercados continúan siendo precisos y decisivos. Yo era un creyente desde el principio, pero incluso yo no creía que funcionaría bien ", dijo Cowgill.

Pero ¿sabemos que siempre funcionan bien?" Los bancos preguntaron. "Debemos profundizar en nuestros datos para averiguar si algunos tipos de mercados funcionan mejor que otros". "Bueno, una cosa que sabemos incluso sin hacer mucho análisis es que todos los mercados funcionan mejor a medida que obtienen más comerciantes", respondió Friedman. "De hecho, me sorprende que algunos de nuestros mercados funcionaron tan bien como lo hicieron — no atraían a mucha gente o muchos oficios". "Creo que ese es el mayor desafío que enfrentamos en este momento", coincidió Kirnos. "Tenemos un grupo de comerciantes activos cada trimestre, pero es un grupo bastante pequeño. Tenemos mucha más gente que se inscribe, y luego solo hacemos una o dos operaciones. ¿Por qué no están haciendo más y cómo los alentamos a que sean más activos? " Cowgill tenía una respuesta lista. "Todos ustedes saben lo que pienso, debemos hacer el Trading más social y más personal, de modo que, si quieren revelar sus oficios o posiciones, GPM les permitirá. En este momento todo es anónimo, y creo que funciona en contra de nosotros.

"Ya identificamos a los mejores y más activos comerciantes cada trimestre y premian a muchas otras personas con camisetas. Ya me parece bastante social ", respondió Kirnos. "Espera", dijo Friedman. "Creo que nuestro mayor desafío no es conseguir que más personas participen en los mercados, es averiguar cómo utilizar sus resultados. ¿Es GPM una curiosidad fresca, divertida, o es realmente una herramienta útil para dirigir esta compañía? "" Buena pregunta, "los otros respondieron, casi al unísono.

Google

fue fundado en 1998 por Larry Page y Sergey Brin, dos estudiantes de doctorado en Stanford. En ese momento, muchos motores de búsqueda en Internet clasificaron las páginas basándose en cuántas veces contenían una determinada palabra o frase. Si, por ejemplo, un usuario ha escrito "Boston Red Sox" en el cuadro de búsqueda de uno de estos motores, su primer resultado podría ser la página que contenía la frase "Boston Red Sox" la mayoría de las veces. Los operadores de sitios web pronto aprendieron cómo estos motores de búsqueda trabajaron y encontraron fácil aprovecharlos. Por ejemplo, construiría páginas que no tenían nada que ver con los SOX, pero que aún contenían "Boston Red Sox" cientos o incluso miles de veces para atraer tráfico. Estas páginas proliferaron rápidamente y dificultó la búsqueda en Internet. La idea de los fundadores de Google era que la página "mejor" sobre las medias rojas de Boston no era la que usaba esa frase más a menudo, sino la que estaba más vinculada a usar esa frase. Las páginas web normalmente contenían muchos vínculos a otras páginas, y esta estructura de vínculos proporcionaba una gran cantidad de información. Es probable que la página que más páginas vinculadas a un tema dado sea la mejor página en ese tema y la que buscaba un buscador. Google también evaluó la "reputación" de cada página en la web; Si se trataba de una página que muchas otras páginas vinculadas, sus propios vínculos se les dio más credibilidad.

El algoritmo que tuvo todo esto en cuenta, llamado PageRank, resultó ser enormemente poderoso y popular. Google pronto se convirtió en un líder en la búsqueda de Internet, y la compañía también encontró una manera de generar ingresos mediante la venta de espacio publicitario en su página de resultados de búsqueda. En marzo de 2007, "a Google" se había convertido en un verbo que significa "buscar información en Internet", y la compañía tenía una capitalización de mercado de más de $140 mil millones. Google empleó más de 10.000 personas y además de su campus principal en Mountain View (llamado el Googleplex) tenía más de una docena de centros de ingeniería

[pic 2]

Por todo el mundo. La compañía describió su misión como "organizar la información del mundo y hacerla universalmente accesible y útil".

El nacimiento de GPM

Bo Cowgill se unió a Google en 2003 después de terminar su licenciatura en política pública en Stanford y trabajó al principio en la organización de apoyo de la compañía. Como estudiante, había estado fascinado por los mercados de predicción para las elecciones e impresionado con su exactitud. En junio de 2004 se fue de vacaciones y tomó el libro de James Surowiecki la sabiduría de las multitudes. El tema del libro era que a menudo era posible aprovechar la "inteligencia colectiva" de un grupo de personas, produciendo información mejor o más precisa que cualquier individuo dentro del grupo poseído. Muchos lectores encontraron este mensaje poderoso y novedoso. Estaban acostumbrados a pensar que los grupos usualmente producían el mínimo común denominador de las contribuciones de sus miembros o, peor aún, que los grupos pudieran convertirse en mobs que en realidad eran menos inteligentes que cualquiera de sus miembros. La sabiduría de las multitudes proporcionó muchos ejemplos de inteligencia colectiva y discutió los mercados de predicción incluyendo los mercados electrónicos de Iowa (IEM), que habían interesado a Cowgill en Stanford. El IEM, fundado en 1988, estableció mercados para predecir los ganadores de las elecciones políticas en los Estados Unidos y en otros lugares. En estos mercados, los precios de la seguridad podrían interpretarse como el porcentaje del voto que cada candidato tenía previsto obtener, según los comerciantes. Los participantes en el IEM negociaron utilizando su propio dinero y pudieron establecer cuentas con $5 – $500.1 en general, los resultados del IEM fueron bastante precisos y se compararon favorablemente con otras formas de predecir eventos. En 12 elecciones nacionales en cinco países, por ejemplo, el margen de error promedio de las últimas encuestas a gran escala tomadas antes de las elecciones fue del 1,93%. El margen medio de error de los precios finales de los mercados del IEM fue del 1,49%.

...