¿Puede un algoritmo predecir qué startups triunfarán y cuáles fracasarán?

Hace pocas semanas nos despertamos con un titular que, como poco, resultaba bastante llamativo: Telefónica desarrolla un algoritmo para decidir en qué startups invertir.

Curioso, ¿no? Resulta que el gigante de las telecomunicaciones, que suele invertir en compañías telefónicas a través de plataformas propias como Wayra o Telefónica Ventures, ha decidido que sus analistas de riesgo no son suficientes para decidir en qué empresas debe invertir la compañía y cuáles, por desgracia, hay que dejar pasar.

WayraTelefónica Ventures

En principio no parece una mala idea, desde luego. Tanto si eres emprendedor como inversor, desde hace años vendrás oyendo esos datos que aseguran que, de cada diez apuestas que hace un inversor, sólo le salen bien una o dos. Y si este sistema, desarrollado por BigML, ayuda a aumentar exponencialmente las tasas de éxito, pues mejor para todos, ¿no? También incluso para el propio emprendedor, que podría predecir los resultados de su startup y evitar a tiempo una posible debacle.

Pero vamos al meollo del asunto: ¿puede un algoritmo predecir qué startups van a triunfar y cuáles no? ¿Será realmente capaz de adivinar qué iniciativas tocarán el cielo y cuáles acabarán en el cementerio emprendedor? Es imposible dar una respuesta exacta, pero nos hemos propuesto analizar el modelo.

¿EN QUÉ CONSISTE EL MODELO DE BIGML?

Con su sistema, BigML pretende, muy grosso modo, plantearse un objetivo claro, pero tremendamente difícil de satisfacer: analizar los datos objetivos de una empresa para, con ellos, predecir sus resultados futuros. Pero, ¿cómo lo hace? Básicamente, a partir de tres fases:

1.- Inserción de datos

Cuando alguien se registra en la plataforma, el primer paso reside en insertar e introducir los datos que van a ser analizados. Sencillo, ¿no? Pues no, nada de eso.

Y es que esa parece ser una de las mayores dificultades a las que se enfrenta cualquier analista de riesgo, use (o no) una plataforma de este tipo: decidir qué información es relevante y cuál no. Y no es una decisión baladí, ya que la inserción de información no relevante puede desembocar en una confusión del algoritmo, que acabe incluyendo en su ecuación unos datos que, a la hora de verdad, sólo generarán ruido y estropearán los resultados finales.

Al final, aquí pasa lo mismo que con muchas ecuaciones matemáticas: lo difícil no es resolverlas, sino plantearlas bien. Es decir, hacer un punto de partida acertado para que el resultado sirva de algo. Una tarea compleja, qué duda cabe, pero altamente frecuente a la hora de analizar una posible inversión.

2.- Ordenar los patrones

Otra tarea compleja. Una vez insertados y analizados (de manera muy somera) los primeros datos, es hora de ‘entrenar’ el algoritmo y ver si BigML está tratando bien nuestra información.

Para ello, tendremos que ver de qué manera ordena los patrones que le hemos marcado. Y ojo, aquí hay un punto bueno: si en el primer paso no confiabas demasiado en tu olfato a la hora de decidir qué datos eran relevantes y cuáles no, tranquilo, porque la plataforma te echa una mano. Así, si considera que que parte de tu información no es relevante, te lo indicará.

No obstante, puedes seguir con ella si consideras que la plataforma se ha equivocado en su planteamiento.

3.- Predecir resultados

¿Ya estás listo? Si es así, podemos empezar a predecir. En este caso, lo ideal será que no hagas predicciones individuales, sino en masa, de modo que puedas predecir la actividad la actividad de todos los parámetros que hayas incluido (sobre todo si estás analizando, por ejemplo, el comportamiento de los usuarios que consumen o disfrutan del servicio o producto de la startup en cuestión).

Una vez hecho esto, ya habrás terminado. En tu monitor tendrás una innumerable serie de predicciones que te podrán ayudar a evaluar el buen (o mal) futuro a corto y medio plazo de todos aquellos comportamientos y datos que estés evaluando.

¿SIRVE ESTO PARA INVERTIR EN UNA STARTUP?

Una vez analizado el sistema, conviene que nos hagamos, de nuevo, la pregunta inicial: ¿puede adivinar este algoritmo si estamos ante una buena posibilidad de inversión o ante una circunstancia de la que conviene salir corriendo cuanto antes?

En su modelo tecnológico, BigML parte de una circunstancia evidente: cuando un inversor o analista de riesgo evalúa la posibilidad de invertir en una startup, le resulta imposible ceñirse única y exclusivamente a los datos objetivos, ya que, aun sin querer, acaba añadiendo a la ecuación factores subjetivos: la saturación (o no) del mercado, el nicho al que se dirige, la posibilidad de disrupción, la impresión causada por el emprendedor… Partiendo de esto, la eliminación de todas estas cláusulas parece a todas luces beneficiosa, ¿no?

Tanto si eres emprendedor como inversor, seguramente tu respuesta haya sido no. O, al menos, no necesariamente. Y es que el modelo de BigML puede tener, en principio, dos peros:

• Analiza la información hasta la fecha. BigML analiza todos los datos que han ido aconteciendo hasta el momento del análisis (evidentemente, de ahí la obsesión por la predicción). Por tanto, deja fuera bastantes elementos externos que podrían seguir estables… o cambiar.
• No analiza el factor humano. BigML hace un perfecto estudio de todos los datos técnicos, pero (evidentemente) deja a un lado todo lo relacionado con la actividad humana.

Y claro, hay un (posible) problema: y es que todos sabemos que el posible éxito de una startup, en ocasiones, acaba dependiendo también de factores externos y humanos. Entre ellos:

• Competencia. Si desde que la startup nació hasta que sus datos son analizados ha tenido una competencia X, BigML hará sus predicciones partiendo de la existencia de esa misma competencia X. Pero, ¿y si la cosa cambia? ¿Y si estás haciendo un grandísimo trabajo pero, de la noche a la mañana, Google se pone a hacer lo mismo que tú?
• Cambios en el modelo. Al hacer sus predicciones, BigML da por hecho que no vas a integrar ningún tipo de cambio significativo en tu modelo de negocio o producto. Pero, ¿y si lo haces (tanto para bien como para mal)? ¿Hasta qué punto serán válidas entonces las predicciones?
• Equipo humano. Podríamos pensar que una startup funciona de manera automática independientemente de quién la forme, pero todos sabemos que no es así: las startups suelen componerse de equipos generalmente pequeños, con lo que el cambio de una pieza, como poco, acaba cambiando algunas cosas. ¿Y si el ingeniero que picaba código excelentemente se marcha y en su lugar acaba entrando uno que también es un genio del código pero que, además, tiene una tremenda visión comercial o de producto?
• El CEO. Son muchos los inversores que lo dicen: una empresa puede tener mejores o peores resultados, pero tanto los fundadores de la startup como sus trabajadores acaban representando un elevado tanto por ciento dentro de la decisión final. Si resulta que el CEO de la compañía es un tipo versátil y abierto a cambios, ¿no podrá mejorar unos datos que a día de hoy sean discretos? O, si los datos son fantásticos pero el CEO es un cabezón, ¿no peligrará el negocio si aparece un competidor fuerte y el CEO decide quedarse inmóvil?

Al final, una cosa nos queda clara: el algoritmo que van a usar Telefónica y BigML es una excelente herramienta a la hora de analizar el statu quo de una compañía y establecer predicciones totalmente objetivas. Pero, ¿sirve realmente para decidir dónde invertir y dónde no?

Ay, amigo, ya nos gustaría saberlo, pero eso tendrán que decidirlo los que más saben de esto: los inversores.

Imagen: Joâo Trindade (Licencia CC).

¿Quieres invertir con los mejores?

¡Regístrate en Startupxplore!