Compartilhando Previsões: Um Estudo sobre Contratos de Dados

Duas empresas tão tentando prever certos resultados, tipo se um mutuário vai dar calote em um empréstimo. Cada empresa tem dois tipos de dados: dados históricos com rótulos e novos dados sem rótulos. As empresas querem construir seus modelos de previsão usando os dados históricos e depois usar esses modelos em dados novos, sem rótulos. Esse artigo estuda como essas empresas podem compartilhar informações sobre suas previsões e modelos.

#Visão Geral das Opções de Compartilhamento de Dados

A ideia principal aqui é olhar para diferentes contratos de compartilhamento de dados. Existem três tipos de contratos que focamos:

1. Compartilhamento de Modelos: Apenas os modelos de previsão são compartilhados.
2. Compartilhamento de Previsões: Apenas as previsões feitas em novos dados são compartilhadas.
3. Compartilhamento Ambos: Tanto os modelos quanto as previsões são compartilhados.

Entender como esses contratos afetam os resultados para cada empresa é essencial.

#Preparando o Cenário para Análise

Para analisar o compartilhamento de previsões, montamos uma estrutura que leva em conta como as empresas adquirem e usam dados. Começamos definindo duas situações principais:

1. A precisão do modelo de previsão de cada empresa é conhecida, mas como os dois modelos estão relacionados não é.
2. Existem duas teorias principais sobre qual é o melhor modelo, e uma empresa tem uma chance melhor de descobrir.

Dentro dessas situações, vamos procurar os melhores contratos que as empresas podem concordar. Queremos encontrar contratos que sejam justos e benéficos para ambos os lados.

#A Importância de Compartilhar Previsões

Em um mundo onde os dados estão espalhados entre várias empresas, um compartilhamento de dados inteligente pode fazer uma grande diferença. Muitas empresas têm interesses semelhantes, mas também querem manter sua vantagem competitiva. Ao compartilhar previsões, as empresas podem melhorar sua tomada de decisões. Um bom exemplo seria dois bancos que querem prever calotes em empréstimos. Ao saber o que o outro banco prevê, eles podem aprimorar suas próprias previsões.

Porém, tem perguntas que precisam ser respondidas: Por que as empresas iriam querer compartilhar suas previsões? E quando faria sentido fazer isso? Nossa pesquisa divide isso em duas fases principais: a Fase de Treinamento e a fase de inferência.

#Fases de Treinamento e Inferência

• Fase de Treinamento: É aqui que as empresas constroem seus modelos usando dados históricos rotulados. O desafio é descobrir por que as empresas iriam querer compartilhar seus dados de treinamento.

• Fase de Inferência: É onde as empresas usam seus modelos para prever resultados baseados em novos dados. Aqui, investigamos por que uma empresa gostaria de compartilhar suas previsões sobre novos dados.

#Desenvolvendo uma Estrutura para Análise

Para responder essas perguntas, criamos um modelo que captura ambas as etapas. Cada empresa recebe um sinal de treinamento baseado em seus dados históricos. Elas também geram previsões a partir de seus modelos treinados em novos dados. Também olhamos para vários resultados dependendo de como as empresas decidem compartilhar informações.

#Aplicando o Modelo

O próximo passo é explorar duas situações específicas usando nosso modelo:

1. Conhecimento Comum da Precisão do Modelo: Nesse cenário, ambas as empresas sabem quão precisos são seus modelos, mas não sabem como seus modelos estão relacionados. Esse cenário nos permite entender como contratos podem maximizar benefícios para cada lado.

2. Uma Empresa Tem uma Vantagem: Nesse caso, uma empresa pode descobrir melhor qual é o melhor modelo. Saber disso pode influenciar como os contratos são formados.

#Resultados de Diferentes Contratos

Os resultados da nossa análise mostram que existem diferentes cenários onde cada tipo de contrato de compartilhamento pode ser o melhor:

1. Sem Compartilhamento: Isso é melhor quando o custo de errar uma previsão é igual à recompensa de acertar.

2. Compartilhamento Total: Isso é ideal quando ambas as empresas têm a mesma precisão e podem se beneficiar mutuamente dos modelos uma da outra.

3. Compartilhamento de Treinamento: Isso funciona melhor quando as empresas podem agir de forma independente, especialmente quando seus modelos não estão altamente correlacionados.

4. Compartilhamento de Inferência: Essa estrutura é particularmente útil quando uma empresa pode prever resultados mesmo sem saber os dados de treinamento da outra.

#Aplicação Prática dos Conceitos

Ilustramos nossas ideias usando uma simulação baseada em dados reais de empréstimos. Cada empresa treina um modelo com base nas características que tem acesso. Elas então prevêem resultados usando seus modelos em novos dados.

Nossas descobertas sugerem que o desempenho varia com base em qual contrato de compartilhamento está em vigor. As empresas podem optar por agir com base em seus sinais disponíveis de seus modelos, o que pode levar a diferentes resultados dependendo da estrutura do contrato.

#O Papel da Racionalidade Individual e Otimalidade de Pareto

Em nosso trabalho, definimos dois conceitos importantes:

1. Racionalidade Individual: Um contrato só é aceitável se cada empresa conseguir pelo menos o mesmo resultado sob o novo contrato comparado a não compartilhar nada.

2. Otimalidade de Pareto: Um contrato é Pareto ótimo se não existe outro contrato que faça uma empresa ficar melhor sem deixar a outra pior.

#Superando Barreiras ao Compartilhamento de Dados

Para as empresas compartilharem dados com sucesso, elas precisam abordar preocupações comuns, como como proteger seus interesses competitivos e a privacidade de seus usuários. Vários métodos foram propostos para lidar com essas questões, incluindo empresas especializadas que ajudam a identificar usuários em diferentes plataformas.

#Conclusão

Nosso estudo enfatiza o valor do compartilhamento de previsões entre empresas concorrentes. Ao distinguir entre compartilhamento de treinamento e compartilhamento de inferência, fornecemos uma compreensão mais clara das condições nas quais o compartilhamento pode ser benéfico. Os insights obtidos dessa estrutura podem ajudar as empresas a tomar decisões informadas sobre compartilhamento de dados em um ambiente competitivo.

#Direções para Pesquisas Futuras

Essa pesquisa abre várias avenidas para futuras investigações:

1. O que acontece se as empresas têm crenças diferentes sobre a precisão de seus modelos?
2. Como os incentivos financeiros poderiam influenciar os contratos de compartilhamento de dados?
3. Como as empresas podem criar contratos que se alinhem com seus objetivos estratégicos enquanto ainda promovem a cooperação?

Explorando essas perguntas, podemos obter insights mais profundos sobre a economia do compartilhamento de dados no mercado atual.

#Resumo das Principais Conclusões

1. Diferentes contratos para compartilhar previsões podem resultar em resultados variados para empresas concorrentes.
2. É crucial distinguir entre compartilhamento de treinamento e compartilhamento de inferência para entender as plenas implicações do compartilhamento de dados.
3. Ao implementar modelos preditivos e compartilhar dados de maneira judiciosa, as empresas podem melhorar suas capacidades de tomada de decisão e aumentar seu desempenho geral.

#Implicações para a Prática

Empresas que lidam com dados devem considerar desenvolver contratos que englobem tanto o compartilhamento de treinamento quanto o compartilhamento de inferência, quando aplicável. A capacidade de avaliar com precisão suas próprias previsões e as previsões umas das outras pode levar a vantagens significativas em ambientes competitivos.