El modelado predictivo no es mágico

Paolo Gaudiano es un matemático y científico cognitivo al que a menudo se le pide que desmitifique la práctica del modelado predictivo para empresas. Ex profesor de la Universidad de Boston, dejó la academia para convertirse en científico jefe de Artificial Life, una startup centrada en algoritmos evolutivos, antes de unirse a Icosystem como presidente. Fundada en 2001, la compañía ha creado sistemas de modelos predictivos para clientes tan diversos como la compañía telefónica francesa Orange, el gigante farmacéutico Eli Lilly y el operador de casinos Harrah's. La empresa, con sede en Cambridge, Massachusetts, también ha trabajado para el ejército de los EE. UU., Y más recientemente desarrolló software de simulación para modelar los esfuerzos de infraestructura en Afganistán.

Hombre modelo: Paolo Gaudiano es presidente y director de tecnología de Icosystem, una empresa de modelos predictivos.

TR: Para algunas personas, el modelado predictivo suena a magia, porque promete decirle lo que sucederá en el futuro.

Gaudiano: No, no es magia en absoluto. Es una forma de aprovechar las computadoras para replicar el mundo real. Pero no solo desea replicar lo que sucedió, desea ver qué sucederá si el mundo cambia a su alrededor. ¿Y si la economía colapsa? ¿Qué pasa si cambio mi estrategia de ventas?

Puede tener en cuenta factores que de otro modo serían increíblemente difíciles de tener en cuenta. Por lo tanto, no estamos prediciendo el futuro, sino solo brindando una mejor comprensión de cómo funcionan las cosas y una probabilidad ligeramente mayor de que las cosas que haga realmente salgan como espera. Es una herramienta de apoyo a la toma de decisiones. Hace que tu intuición sea más cuantitativa. Le brinda una manera de probar la validez de su intuición con datos y obtener una mejor respuesta. Eso es todo.

Su tecnología de caballo de batalla en Icosystem es el modelado basado en agentes. ¿Qué es el modelado basado en agentes, de dónde proviene la tecnología y cómo se implementa?

El modelado basado en agentes comenzó hace mucho tiempo como una herramienta en las ciencias sociales para comprender los comportamientos de las poblaciones. Ha alcanzado la mayoría de edad en los últimos diez años. La idea central es que cada vez que se tiene una organización o un ecosistema complejo, es más fácil comprender y simular el comportamiento de los individuos y cómo interactúan entre sí y con su entorno que crear algún tipo de ley matemática que le diga cómo la población se comporta.

¿Cuáles son los agentes en estas simulaciones?

Los agentes son réplicas de cualquier elemento del sistema que estemos estudiando. Por lo general, son humanos, por lo que si estamos resolviendo un problema de marketing, son consumidores. Pero también pueden ser personal de una empresa, automóviles en una carretera o computadoras en una red.

Simula cosas de abajo hacia arriba. Literalmente captura los detalles de cómo funcionan estos elementos y cómo se conectan entre sí. Eso resulta ser una forma muy poderosa de predecir cómo se comportará el sistema en su conjunto. Puedo ejecutar en una computadora portátil una simulación de 100.000 consumidores haciendo sus compras y mirando publicidad, y me llevará dos minutos ejecutarla. Al observar los resultados, obtendrá una forma diferente de pensar sobre su problema.

¿Qué quiere decir con una forma diferente de pensar?

Por ejemplo, estamos haciendo un proyecto para la Armada, ayudándoles a comprender la reconstrucción en territorios como Afganistán y cómo combinar eso con comunicaciones estratégicas. Así que creamos un modelo que mira a los ciudadanos afganos y cómo están expuestos a las cosas que los rodean, como los equipos internacionales, los talibanes.

La Marina nos pregunta: ¿Cómo saben que el modelo es correcto? Pero se trata menos de ser correcto [acerca de cómo las personas interactúan ahora] y más de comprender a qué suposiciones [sobre eventos futuros] podrían conducir. No sé con qué frecuencia los ciudadanos afganos se hablan entre sí sobre el agua. Pero puedo ejecutar 20 simulaciones diferentes con 20 suposiciones diferentes al respecto.

¿Cuál es el resultado que está tratando de lograr?

Si estoy a cargo de algunas tropas en Afganistán y tengo recursos, dinero, ¿qué hago con el tratamiento médico, la seguridad y los sistemas educativos? ¿Construyo pozos en esta aldea? ¿Construyo uno aquí, o dos o tres allí? ¿O pongo dinero en apoyo veterinario? ¿Es mejor anunciarme en la radio que en la televisión, debo dejar caer folletos desde un avión, debo ir a lugares de culto, para que escuchen mi mensaje en lugar del mensaje de mi oponente?

Se trata menos de predecir [si] gastar $ 5 cambia las opiniones en un 2 por ciento, y realmente más acerca de: tengo estos cinco cursos de acción diferentes. ¿Cuáles tienen más probabilidades de tener éxito y por qué? Se trata de: este es el rango, ayúdame a entender cuál funcionará y cuál no y por qué. Literalmente puedes rastrear por qué.

¿Qué pasa con los ejemplos del mundo empresarial? Por ejemplo, ¿qué hizo con Orange, la compañía telefónica francesa?

Les preocupaba la propagación de virus [informáticos] a través de las redes de teléfonos móviles. Así que creamos una simulación de cientos de miles de usuarios y cómo se pueden propagar los virus. Tomamos datos de virus reales y tasas de infección. Modelamos el comportamiento de los usuarios. Puedes estar en el metro y alguien más está usando un teléfono con un virus a tu lado, y estás usando Bluetooth y te pide que conectes tus auriculares con su teléfono, y si dices que sí, puedes contraer el virus de el otro teléfono. O puede atraparlo enviando datos a través de SMS. Predijimos las tasas de infección y ayudamos a diseñar estrategias para prevenir la propagación cuando se inyecta un virus en el sistema.

Entiendo que se necesitan varios cientos de miles de dólares para lanzar un proyecto de modelo predictivo como este. ¿Hay alguna forma de reducir esos costos?

Ahí es donde las cosas se ponen interesantes. Es cierto que cuando hacemos proyectos personalizados, es prácticamente imposible comenzar uno por menos de $ 300,000. Eso es para la versión uno que funciona en su escritorio y no es completamente funcional. Y puede convertirse en un proyecto multimillonario de varios años.

Pero ahora podemos repetir el trabajo en determinadas industrias. Por ejemplo, en el comportamiento del consumidor, hemos desarrollado una simulación basada en agentes para medir el retorno de la inversión para la publicidad de marca, y podemos licenciar la herramienta a un cliente por unos pocos miles de dólares al mes. Esa es una empresa derivada que estamos incubando, llamada Concentric ROI. Por tanto, hemos reducido el umbral de entrada y es mucho más atractivo poder utilizar el modelo durante unos pocos meses.

esconder