Un artículo en Axios, «Scoop: Inside Google’s Venture Capital ‘Machine’«, comenta sobre los procesos de toma de decisiones de inversión en GV, antes conocida como Google Ventures, el área de inversión en capital riesgo de Alphabet, que gestiona un presupuesto de unos dos mil millones de dólares, ofrece algunos detalles sobre el funcionamiento de «The Machine», un algoritmo alimentado con todo tipo de datos de mercado, bases de datos de inversión, información sobre fundadores, inversores, rondas, progresión, etc. y que devuelve como output una decisión en modo semáforo rojo, verde, o un ámbar que tiende a ser más negativo que positivo.
Según el artículo, el algoritmo se desarrolló inicialmente como un sistema de ayuda a la toma de decisiones, pero evolucionó hasta convertirse de facto en un comité de inversiones automatizado. Según Bill Maris, fundador y primer CEO de la compañía,
«We have access to the world’s largest data sets you can imagine, our cloud computing infrastructure is the biggest ever. It would be foolish to just go out and make gut investments.»
(«tenemos acceso al mayor conjunto de datos que el mundo pueda imaginar, nuestra infraestructura de computación en la nube es la más grande que haya existido. Sería una tontería simplemente salir e invertir basándonos en la intuición»)
El algoritmo, en realidad, es ya un veterano: The New York Times lo mencionó en 2011, y Business Insider lo hizo en 2015 al hilo del primer año de inversiones de la compañía en Europa. Una compañía que gestiona inversiones de dos mil millones de dólares, tomando sus decisiones en función del output de un algoritmo automatizado. El tema me recuerda enormemente a PreSeries, un algoritmo creado en BigML (compañía de la que soy asesor estratégico) junto con Telefonica sobre la que escribí en agosto de 2015: el algoritmo fue creado para tomar decisiones sobre el resultado de la competición de startups de Telefonica Open Future, ha sido utilizado ya en varias ocasiones, y hasta ha dado origen a una spin-off, una plataforma automatizada para descubrir, evaluar y monitorizar inversiones en etapas iniciales. En el caso de GV, en cambio, todo indica que, con algoritmo o sin él, la compañía ha ido sesgando sus decisiones para ir abandonando progresivamente las inversiones en proyectos en fase de capital semilla, y preferir otras en empresas más consolidadas.
Según el artículo, GV no es la única compañía de inversión con este tipo de desarrollos: la sueca EQT Ventures ha invertido también en su propio algoritmo, llamado Motherboard, y Social Capital lo intentó también en su momento con el desarrollo de otro denominado Capital as a Service. La idea, obviamente, está comenzando a adquirir tracción, lo que lleva a una cantidad cada vez mayor de startups a ver cómo su proyecto, desarrollado posiblemente con muchísimo trabajo y sacrificios, pueda verse analizado en cuestión de un instante por un algoritmo que lleva a cabo una serie de cálculos y que, de manera más o menos acertada, puede anular completamente sus posibilidades en oportunidades de capitalización o rondas de inversión que podrían resultar fundamentales de cara a su viabilidad futura. Las startups, cada vez más, no tienen que impresionar a una serie de inversores, sino a un algoritmo, del mismo modo que los contribuyentes tenemos que superar la prueba del algoritmo y los que piden un préstamo tienen que convencer ya no a un comité de riesgos integrado por personas, sino a otro algoritmo. A lo largo del tiempo, lógicamente, el algoritmo podrá, previsiblemente, ir afinando y mejorando sus resultados a medida que incorpora más datos, más trayectorias y más decisiones con resultados comprobables, convirtiendo el trabajo de los inversores en algo cada vez más automatizado, menos intuitivo, más científico. Malos tiempos para los éxitos improbables o las sorpresas.
This post is also available in English in my Medium page, “Why your startup needs to impress an algorithm»
Un vecino mio trabajaba para una empresa de Capital Riesgo de una Caja de Ahorros, hasta que llegó el boom de las construcción t se llegó todo al garete. Yo le pregunté como elejian ellos las StarUp para poner dinero en ellas o no, y me contó que en un primer paso estudiaban si le proyecto tenia pies y cabeza, pues muchos de los casos que estudiaban eran absolutamente descabellados. Pasado ese punto, metían dinero en proporción de lo que arriesgaba el emprendedor. Si solo ponía su trabajo, no metían dinero, si aportaba capital de sus padres, ellos ponían hasta un 20% del capital aportado en dinero, y el resto en soporte básico de la empresa, contabilidad, márketing, etc… Si el promotor había hipotecado su propia casa para sacar dinero al proyecto, ponían hasta un 51%. y apoyaban fuertemente el proyecto.
Su opinión era, que nadie por más que estudiara un caso, llegaba a intuir las posibilidades del emprendimiento, más que el emprendedor que había tenido la idea. Si él no se fiaba mucho y sólo ponía su trabajo, malo. Si se fiaba hasta comprometer el dinero de sus padres, ya era algo de tener en cuenta, si lo que comprometía era su propio dinero, entonces si se podía invertir con bastantes garantías de éxito.
Realmente aplicaban un algoritmo de IA que media cual era la fe del emprendedor en su proyecto, aunque no lo llamaran así.
Parafraseando a Gorki: «A cojón visto, macho seguro»
Al algoritmo de Gorki le ves una lógica, el algoritmo de GV es opaco hasta lo que cuentas. ¿Es bueno o malo? y más importante en que basamos nosotros su idoneidad. No lo sabemos. No hay medida.
Por ejemplo. Si el área de GV tiene ingresos sostenidos y crecientes a lo largo de los años. Le podemos llamar ROI a esa medida, será un buen cualificador de su eficacia ¿Conocemos ese dato? O pasan de sus outputs y confían en su ojo clínico ??
Otra posible medida de las 300 empresas que dicen que «apoyan» ¿Qué porcentaje de éxito final tienen? (Claro, Habría que definir que entendemos por éxito) imaginamos alto ya que están muy filtradas. Pero no sabemos que es éxito y si mereció la pena la inversión. Me imagino que la salida del algoritmo es una probabilidad de éxito… Cómo cuando juega un R. Madrid-Cadiz y luego pierden la copa por otro motivos… Y todos sabemos que cuando la salida es p.ej. un 80%, es que hay un 20% de fracaso, y si no lo hay es que la probabilidad estaba mal calculada.
Otra posible medida, que proyectos rechazados por GV han tenido éxito. ¿Qué porcentaje sería? Aquí la medida es más restrictiva, si un proyecto es rechazado por GV lo normal es que no triunfe. Aquí estamos en el caso contrario, aconsejan la inversión con una probabilidad del 20%, luego sabemos que este porcentaje si lo calculan se va a cumplir
¿Tienen seguimiento de su eficacia?
Estos cualificadores sería bueno tenerlos en una gráfica por años, con el fin de decir: Oh si Mr. Maris que maravilla de Algoritmo tiene Vd. Sin datos, que tan de moda están, es información cualitativa de marketing y podemos decir que buenos son haciendo marketing que salen en el blog.
Pues eso #StopPseudociencias
Los algoritmos de machine learning no son tan opacos como pareciera. La mayoría necesitan lo siguiente para «aprender que es lo que quieres»:
– que le pases un conjunto lo más extenso posible de CASOS DE EJEMPLO
– que definas una función de «fitness», es decir, que inidiques como decidir en base o los datos de un caso el éxito del mismo (el ROI de ese proyecto en el segundo año, el número de gente al q consiguió emplear, si llegó a bolsa o no, etc… o una combinación de ellas)
Una vez con ese conjunto de datos y con una «fórmula» para discriminar entre éxito y/o fracaso, el sistema de machine learning -ahora sí- realizará una serie bastante larga de cálculos iterativos avanzados (redes neuronales, lógica fuzzy, algoritmos evolutivos, etc.) para extraer un «método» de preveer el éxito de casos futuros.
Para algunos esta descripción puede parecer tal vez incomprensible u oscura, pero en realidad lo importante es que SIN LUGAR A DUDAS: estos algoritmos te van a decir «lo que tú quieres oir»… tú les dices primero cuáles son ejemplos a seguir. Ellos en todo caso aportan 2 ventajas respecto al criterio de un experto humano:
– todos los días del año 24/7 deciden con la misma objetividad
– aprende muy rápido e incluso sobre la marcha (con nuevos casos) es capaz de «reescribir» o «ajustar» su método, que ya es algo que muchos humanos no saben hacer (y aplican el mismo método por años).
La verdad… no hay nada que temer si el proceso de enseñanza lo realizan expertos en machine learnig. De hecho realmente estamos viendo el florecer de una profesión antigua pero muy «menospreciada», la de los «ingenieros del conocimiento». Apasionante, pero no es nuevo, ya P. Druker escribió sobre esto hace décadas, y algunos hicimos nuestro doctorado en IA hace más de 20 años… y ahora por fin parece q hay interés en invertir dinero en estas tecnologías.
Si he dado la impresión en no creer en los algoritmos, lo he redactado mal, porque si creo en ellos. Y muy probablemente puede ser posible hacer un algoritmo que acierte mas veces que la intuición del ser humano más experimentado.
Lo que pienso, es que este campo es muy difícil implementar un algoritmo, porque cada caso es único y difiere de los demás y es muy difícil que la experiencia de un caso anterior, te valga para aplicarla a un caso nuevo totalmente diferente, ¿Que tiene que ver, pongo por caso, un emprendimiento que quiere hacer una APP para identificar los billetes falsos, con otro que pretende hacer sillas para inválidos dirigidas con la mente y un tercero que pretende hacer viguetas de hierro a demanda.
Unos tiene un mercado que nada tiene que ver con los otros ni en calidad ni en poder adquisitivo, Uno es totalmente software, otro tiene una parte esencial de Hardware y el tercero es casitodo maquinaria mecánica Quizá una se piense monetizar con publicidad, mientras que otra pretenda conseguir subvenciones del estado y la tercera solo sea posible con la exportación a todo el mundo , Una será obra de un informático y la segunda de un médico del cerebro que sabe todo de las ondas cerebrales, pero nada de robótica y la teecera de una empresa de ferralla muy prestigiosa que cuenta con el apoyo de la Autonomía Valenciana.
¿Cómo comparas una con la otra?
Por eso creo que medidas externas pero comparables, la sensatez de su plan de negocios, lo que arriesga el emprendedor si fracasa, o le tiempo que lleva en el empeño, pueden ser medidas sensatas para intentar valorar la probabilidad de éxito de un emprendimiento, pero igual que lo hacía mi vecino con una hoja de cálculo, lo puede hacer un IA e incluso como indican corregir la ponderación de todos los factores del polinomio de acuerdo con la los resultados.
Lo que veo ya muy difícil y es quizá la parte más interesante, (para un sistema y para otro), estudiar cuantas de las desestimadas, fueron oportunidades perdidas de negocio, y más aun aquellas que fracasaron simple y llanamente porque el fondo de capital riesgo les negó los dineros para continuar y lo dejaron por imposible.
Sergi, en este comentario completamente de acuerdo.
Cuando alguien utiliza ML para clasificar, independientemente del resultado, se puede comprobar su fiabilidad. Por ejemplo si un correo es spam o que es una foto. Aqui el problema es que alguien introduce datos e intenta adivinar el futuro ya sea que puedas devolver un prestamo o que te vaya bien un proyecto empresarial. Y además te lo venden con fanfarrias sin conocer su eficacia. Además de mostrarlo como si fuera una reseña del peródico 20 min, como decía Gorki » no es que no crea en algoritmos». La frase es que no debemos creer en un algoritmo. Estoy es ciencia no supercheria. Dejando aparte la trazabilidad de las operaciones, lo menos que hay mostrar al hablar de un algoritmo es mostrar KPI. Los negocios dejaron hace mucho de ser impresiones, hay dashboards, métricas, business case y un largo etcetera de posibles justificaciones, sin dar a conocer las tripas de la caj negra.
A lo mejor soy que soy muy raro, pero tratar estos temas como una brochure es tomarnos el pelo. Es como cuando preguntas cuanto gasta un coche y el comercial te dice que es el mejor del mercado o que gasta muy poco. O cuando preguntas cuanto Litio hay, y la contestación no es una cifra sino que la que haga falta, o cuando preguntas si el agua con azucar que llaman homeopatía que doble ciego ha pasado y te dicen que eso es muy caro, etc etc.
Si la ML fuera tan maravillosa para predecir, estarían apostando en Betfair y haciéndose ricos unos cuantos. Pero lo que sucede que el que sabe de ML no dice tonterias, el que sabe de verdad. Ya que conoce la probabilidad que subyace en los datos del fútbol y conoce que a largo plazo la esperanza matemática coincide con la tasa de la casa de juego. Resumiendo tiene una aplicabilidad. Y con los créditos, está claro el banco a la larga va a poder medir si su algoritmo está bien diseñado o no…. Pero donde está la aplicabilidad en GV cuando ellos mismos confiesan que lo aplican discrecionalmente???
Enrique
Tu dirás si este comentario, en tu analisis emocional te lo tomas a favor, neutral o de cuñado. ( porque tu tampoco eres muy neutral) Es para saber si poner valor añadido a un artículo te parece bien o pierdo el tiempo.
Es curioso porque normalmente se habla de que a la hora de valorar una inversión, lo más importante es analizar al equipo fundador, más que el producto o servicio.
Me parece que precisamente analizar a las personas es de las cosas menos parametrizables y por tanto debería ser el valor más difícil de calcular para un ordenador.
Seria realmente interesante ver como estos algoritmos consiguen analizar esta variable tan importante,