Compartiendo Predicciones: Un Estudio sobre Contratos de Datos

Dos empresas están tratando de predecir ciertos resultados, como si un prestatario incumplirá un préstamo. Cada empresa tiene dos tipos de datos: datos históricos con etiquetas y nuevos datos sin etiquetas. Las empresas buscan construir sus modelos de predicción usando los datos históricos y luego aplicar sus modelos a nuevos datos sin etiquetar. Este artículo estudia cómo estas empresas pueden compartir información sobre sus predicciones y modelos.

#Resumen de Opciones para Compartir Datos

La idea principal aquí es ver diferentes contratos para compartir datos. Hay tres tipos de contratos en los que nos enfocamos:

1. Compartir modelos: Solo se comparten los modelos de predicción.
2. Compartir Predicciones: Solo se comparten las predicciones realizadas sobre nuevos datos.
3. Compartir Ambos: Se comparten tanto modelos como predicciones.

Entender cómo estos contratos afectan los resultados para cada empresa es esencial.

#Preparando el Análisis

Para analizar el compartir predicciones, establecemos un marco que toma en cuenta cómo las empresas adquieren y utilizan datos. Comenzamos definiendo dos situaciones principales:

1. La precisión del modelo de predicción de cada empresa es conocida, pero cómo se relacionan los dos modelos no lo es.
2. Hay dos teorías principales sobre cuál es el mejor modelo, y una empresa tiene una mejor oportunidad de descubrirlo.

Dentro de estas situaciones, buscaremos los mejores contratos en los que las empresas puedan coincidir. Queremos encontrar contratos que sean justos y beneficiosos para ambas partes.

#La Importancia de Compartir Predicciones

En un mundo donde los datos están repartidos entre varias empresas, compartir datos de manera inteligente puede hacer una gran diferencia. Muchas empresas tienen intereses similares pero también quieren mantener su ventaja competitiva. Al compartir predicciones, las empresas pueden mejorar su toma de decisiones. Un buen ejemplo serían dos bancos que quieren predecir incumplimientos de préstamos. Al saber lo que predice el otro banco, cada uno puede mejorar sus propias predicciones.

Sin embargo, hay preguntas que deben ser respondidas: ¿Por qué querrían las empresas compartir sus predicciones? ¿Y cuándo tendría sentido hacerlo? Nuestra investigación divide esto en dos fases principales: la Fase de Entrenamiento y la fase de inferencia.

#Fases de Entrenamiento e Inferencia

• Fase de Entrenamiento: Aquí es donde las empresas construyen sus modelos usando datos históricos etiquetados. El desafío es averiguar por qué las empresas querrían compartir sus datos de entrenamiento.

• Fase de Inferencia: Aquí es donde las empresas utilizan sus modelos para predecir resultados basados en nuevos datos. Aquí, investigamos por qué una empresa querría compartir sus predicciones sobre nuevos datos.

#Desarrollando un Marco para el Análisis

Para responder a estas preguntas, creamos un modelo que captura ambas etapas. Cada empresa recibe una señal de entrenamiento basada en sus datos históricos. También generan predicciones de sus modelos entrenados sobre nuevos datos. También examinamos varios resultados dependiendo de cómo las empresas decidan compartir información.

#Aplicando el Modelo

El siguiente paso es explorar dos situaciones específicas usando nuestro modelo:

1. Conocimiento Común de la Precisión del Modelo: En este escenario, ambas empresas saben qué tan precisos son sus modelos, pero no saben cómo se relacionan. Este entorno nos permite entender cómo los contratos pueden maximizar los beneficios para cada parte.

2. Una Empresa Tiene una Ventaja: En este caso, una firma puede descubrir mejor cuál es el mejor modelo. Saber esto puede influir en cómo se forman los contratos.

#Resultados de Diferentes Contratos

Los resultados de nuestro análisis muestran que hay diferentes escenarios donde cada tipo de contrato de compartir puede ser óptimo:

1. Sin Compartir: Esto es mejor cuando el costo de obtener una predicción incorrecta es igual a la recompensa de acertar.

2. Compartir Todo: Esto es ideal cuando ambas empresas tienen la misma precisión y pueden beneficiarse mutuamente de los modelos del otro.

3. Compartir Entrenamiento: Esto funciona mejor cuando las empresas pueden actuar independientemente, especialmente cuando sus modelos no están muy correlacionados.

4. Compartir Inferencia: Esta estructura es particularmente útil cuando una empresa puede predecir resultados eficazmente incluso sin conocer los datos de entrenamiento de la otra.

#Aplicación Práctica de los Conceptos

Ilustramos nuestras ideas usando una simulación basada en datos reales de préstamos. Cada empresa entrena un modelo basado en las características a las que tiene acceso. Luego predicen resultados usando sus modelos sobre nuevos datos.

Nuestros hallazgos sugieren que el rendimiento varía según qué contrato de compartir esté en vigor. Las empresas pueden optar por actuar según las señales disponibles de sus modelos, lo que puede llevar a diferentes resultados dependiendo de la estructura del contrato.

#El Papel de la Racionalidad Individual y la Optimización de Pareto

En nuestro trabajo, definimos dos conceptos importantes:

1. Racionalidad Individual: Un contrato solo es aceptable si cada empresa haría al menos lo mismo bajo el nuevo contrato en comparación con no compartir en absoluto.

2. Optimización de Pareto: Un contrato es óptimo de Pareto si no existe otro contrato que haga a una empresa mejor sin empeorar a la otra.

#Superando Barreras para Compartir Datos

Para que las empresas compartan datos con éxito, deben abordar preocupaciones comunes, como cómo proteger sus intereses competitivos y la privacidad de sus usuarios. Se han propuesto varios métodos para abordar estos problemas, incluyendo empresas especializadas que ayudan a identificar usuarios en diferentes plataformas.

#Conclusión

Nuestro estudio enfatiza el valor de compartir predicciones entre firmas competidoras. Al distinguir entre compartir entrenamiento e inferencia, proporcionamos una comprensión más clara de las condiciones bajo las cuales el compartir puede ser beneficioso. Los conocimientos obtenidos de este marco pueden ayudar a las empresas a tomar decisiones informadas sobre el compartir datos en un entorno competitivo.

#Direcciones Futuras de Investigación

Esta investigación abre varias avenidas para futuras indagaciones:

1. ¿Qué pasa si las empresas tienen diferentes creencias sobre la precisión de sus modelos?
2. ¿Cómo podrían los incentivos monetarios jugar un papel en los contratos de compartir datos?
3. ¿Cómo pueden las empresas diseñar contratos que se alineen con sus objetivos estratégicos mientras promueven la cooperación?

Al explorar estas preguntas, podemos obtener una comprensión más profunda de la economía del compartir datos en el mercado actual.

#Resumen de Hallazgos Clave

1. Diferentes contratos para compartir predicciones pueden generar resultados variados para empresas competidoras.
2. Es crucial distinguir entre compartir entrenamiento e inferencia para entender las implicaciones completas del compartir datos.
3. Al implementar modelos predictivos y compartir datos de manera juiciosa, las empresas pueden mejorar su capacidad de toma de decisiones y mejorar su rendimiento general.

#Implicaciones para la Práctica

Las empresas que manejan datos deberían considerar desarrollar contratos que abarquen tanto compartir entrenamiento como inferencia donde sea aplicable. La capacidad de evaluar con precisión sus propias predicciones y las de los demás puede conducir a ventajas significativas en entornos competitivos.