Kan de markt de toekomst beter voorspellen dan een algoritme?
Organisaties investeren steeds meer in data, AI en geavanceerde modellen om beter vooruit te kunnen kijken. Toch bevindt niet alle relevante informatie zich in een database. Medewerkers beschikken vaak over kennis over klanten, projecten en marktontwikkelingen die nog niet zichtbaar is in de officiële forecast.
Prediction markets bieden een interessante manier om zulke verspreide kennis samen te brengen. Door verwachtingen van verschillende mensen te vertalen naar waarschijnlijkheden ontstaat een aanvullende informatiebron naast traditionele forecasting en algoritmische voorspellingen. Voor CFO’s en professionals in Business Analytics roept dat een interessante vraag op: kunnen betere voorspellingen ontstaan wanneer data, AI en menselijke verwachtingen worden gecombineerd?
Voorspellen doen we voortdurend. Bedrijven voorspellen hun omzet, centrale banken de inflatie, beleggers de rente en sportanalisten de uitslag van een wedstrijd. Inmiddels voegen we daar steeds vaker kunstmatige intelligentie aan toe, in de verwachting dat meer data en betere modellen ons ook betere voorspellingen opleveren.
Tegelijkertijd groeit een heel andere manier van voorspellen opvallend snel: de prediction market.
Op platforms als Polymarket en Kalshi kunnen deelnemers handelen op de uitkomst van toekomstige gebeurtenissen. Dat kan gaan over verkiezingen en rentebesluiten, maar ook over economische cijfers, technologie, sport en allerlei andere gebeurtenissen waarvan later objectief kan worden vastgesteld wat de uitkomst is.
De prijs die op zo’n markt ontstaat, kan worden geïnterpreteerd als een gezamenlijke inschatting van de waarschijnlijkheid van een gebeurtenis. Zodra nieuwe informatie beschikbaar komt, reageren deelnemers en verandert die verwachting. Daarmee ontstaat een interessant alternatief voor het klassieke voorspelmodel: niet één algoritme dat zoveel mogelijk data verwerkt, maar een markt die probeert de kennis en verwachtingen van veel verschillende mensen samen te brengen. Voor mij iets nieuws en reden om deze blog te schrijven.
De vraag is natuurlijk wat we hiervan kunnen leren voor de manier waarop bedrijven zelf proberen vooruit te kijken.
Een markt als voorspelmodel
Het principe achter prediction markets is blijkbaar niet nieuw. Economen onderzoeken al decennialang of markten kunnen worden gebruikt om informatie die over verschillende mensen verspreid is bij elkaar te brengen.
De gedachte daarachter is aantrekkelijk, omdat vrijwel niemand over alle relevante informatie beschikt. Verschillende mensen beschikken wel over verschillende delen ervan. De een volgt economische indicatoren, een ander kent een specifieke sector bijzonder goed en weer iemand anders beschikt over informatie over een project, klant of marktontwikkeling.
Op een prediction market komen die verschillende verwachtingen samen in één prijs. Daarbij ontstaat een belangrijk verschil met bijvoorbeeld een enquête, waarin iemand uitsluitend wordt gevraagd wat hij denkt. Op een markt moet een deelnemer daadwerkelijk een positie innemen op basis van zijn overtuiging en ontstaat een prikkel om nieuwe informatie mee te nemen in die inschatting.
Dat betekent vanzelfsprekend niet dat een prediction market altijd gelijk heeft. Ook deze markten kunnen worden beïnvloed door kuddegedrag, beperkte liquiditeit, verkeerde informatie en deelnemers die dezelfde denkfouten maken. Onderzoek naar corporate prediction markets laat bijvoorbeeld zien dat ook daar optimismebias en andere vertekeningen kunnen optreden.
Toch blijkt uit verschillende experimenten dat markten onder de juiste omstandigheden informatie kunnen samenbrengen die in traditionele forecasts moeilijker zichtbaar wordt. Juist die eigenschap maakt ze vanuit het perspectief van Business Analytics interessant.
Wat kan de CFO hiervan leren?
Vrijwel iedere onderneming probeert voortdurend vooruit te kijken. Omzet, marge, personeelskosten, cashflow, order intake en investeringen worden samengebracht in begrotingen en forecasts waarmee het management probeert te bepalen wat de komende maanden of jaren waarschijnlijk gaat gebeuren.
Daarvoor worden steeds geavanceerdere hulpmiddelen gebruikt. Historische cijfers worden gecombineerd met operationele data en organisaties experimenteren met machine learning en AI om patronen te herkennen die in traditionele prognoses minder gemakkelijk zichtbaar worden. Opvallend genoeg eindigt zo’n uitgebreid proces nog vaak met één getal. De omzet wordt volgend jaar bijvoorbeeld €120 miljoen.
Dat bedrag geeft houvast, maar suggereert tegelijkertijd een mate van zekerheid die in werkelijkheid nauwelijks bestaat. Misschien is €120 miljoen inderdaad de meest waarschijnlijke uitkomst, terwijl er tegelijkertijd een behoorlijke kans bestaat dat de omzet onder €110 miljoen of juist boven €130 miljoen uitkomt.
Prediction markets dwingen deelnemers veel nadrukkelijker om in waarschijnlijkheden te denken. Voor organisaties kan juist die manier van kijken interessant zijn, omdat onzekerheid daarmee niet wordt weggestopt achter één forecastgetal, maar onderdeel wordt van de informatie waarop beslissingen worden genomen.
Wat weten medewerkers dat niet in de forecast staat?
Stel dat een onderneming naast haar traditionele forecast regelmatig aan medewerkers vraagt hoe groot zij de kans achten dat de omzetdoelstelling voor het vierde kwartaal wordt gehaald, een nieuw ERP-systeem daadwerkelijk op 1 januari live gaat of een belangrijk project binnen budget wordt afgerond.
De informatie om dergelijke vragen te beantwoorden is vaak al binnen de organisatie aanwezig, maar verspreid over verschillende mensen en systemen. Sales kan merken dat gesprekken met potentiële klanten moeizamer verlopen, terwijl Finance ziet dat marges beginnen af te nemen en Operations constateert dat levertijden oplopen. De projectmanager beschikt ondertussen over informatie waaruit blijkt dat een belangrijke implementatiemijlpaal waarschijnlijk niet wordt gehaald.
Geen van die signalen hoeft afzonderlijk voldoende te zijn om de officiële forecast direct aan te passen, terwijl ze gezamenlijk wel degelijk iets kunnen zeggen over de waarschijnlijkheid dat de oorspronkelijke verwachting uitkomt.
Corporate prediction markets zijn juist ontwikkeld om dergelijke verspreide informatie samen te brengen. Bedrijven als Google, Microsoft, Hewlett-Packard en andere grote ondernemingen hebben daarmee geëxperimenteerd voor onder meer salesforecasting, projectmanagement en investeringsbeslissingen.
Daarmee raakt het onderwerp aan een bredere beperking van Business Analytics: organisaties beschikken tegenwoordig over enorme hoeveelheden data, terwijl lang niet alle relevante informatie zich in een database bevindt.
Niet alles wat we weten staat in de data
Een CRM-systeem kan laten zien hoeveel opportunities in de salespipeline staan, maar een accountmanager kan tegelijkertijd weten dat drie grote prospects aanzienlijk minder enthousiast zijn dan de geregistreerde verkoopkansen suggereren. Een projectdashboard kan aangeven dat een implementatie voor 80% gereed is, terwijl het projectteam weet dat juist de resterende werkzaamheden technisch bijzonder ingewikkeld zijn.
Hetzelfde geldt voor klantgedrag. Een churnmodel kan op basis van historische patronen berekenen dat een klant waarschijnlijk blijft, terwijl medewerkers van customer service al verschillende signalen hebben opgevangen dat die klant zich op een concurrent oriënteert.
Dergelijke menselijke kennis wordt vaak pas onderdeel van de formele informatievoorziening wanneer iemand besluit haar expliciet te rapporteren. Een prediction market of een vergelijkbaar mechanisme kan helpen om die verwachtingen eerder zichtbaar te maken en te combineren met de informatie die al uit systemen beschikbaar is.
Daarmee ontstaat geen keuze tussen harde data en menselijke inschattingen, maar juist de mogelijkheid om beide informatiebronnen naast elkaar te gebruiken.
Waar past AI in dit verhaal?
De ontwikkeling van AI maakt die combinatie nog interessanter. AI-modellen kunnen grote hoeveelheden historische en actuele informatie verwerken, patronen herkennen en scenario’s doorrekenen. Mensen beschikken daarentegen over context, ervaring en informatie die soms helemaal niet in de beschikbare datasets voorkomt. Prediction markets voegen daar een mechanisme aan toe waarmee de verwachtingen van verschillende mensen kunnen worden samengebracht.
De interessante vraag wordt daardoor niet noodzakelijk of een mens of algoritme beter kan voorspellen. Het is goed mogelijk dat betere voorspellingen juist ontstaan wanneer verschillende vormen van informatie worden gecombineerd.
Een algoritme kan bijvoorbeeld op basis van historische en actuele data berekenen dat er een kans van 80% bestaat dat een omzetdoelstelling wordt gehaald. Wanneer medewerkers die dicht bij klanten en operatie staan gezamenlijk veel minder vertrouwen hebben in die uitkomst, ontstaat een verschil dat voor een CFO interessant kan zijn om nader te onderzoeken.
Dat betekent niet dat de medewerkers automatisch gelijk hebben en evenmin dat het algoritme verkeerd is. Het verschil tussen beide verwachtingen is op zichzelf informatie, omdat het erop kan wijzen dat relevante kennis nog niet in het model of de onderliggende data terecht is gekomen.
Onderzoek naar combinaties van menselijke en machine-intelligentie wijst ook in die richting. Het MIT Center for Collective Intelligence heeft bijvoorbeeld onderzocht hoe voorspellingen van mensen en machines kunnen worden gecombineerd en rapporteert dat dergelijke hybride voorspellingen nauwkeuriger en robuuster kunnen zijn dan voorspellingen van uitsluitend mensen of machines. (MIT Center for Collective Intelligence)
Van één forecast naar waarschijnlijkheden
Misschien ligt daar de belangrijkste les van prediction markets voor bedrijven. We zijn gewend om managementinformatie zo concreet mogelijk te maken, waarbij één budget, één forecast en één verwachte uitkomst gemakkelijk te communiceren zijn en houvast bieden bij besluitvorming.
De werkelijkheid laat zich alleen zelden zo precies voorspellen. Een onderneming weet niet wat de omzet volgend jaar wordt, maar kan wel proberen steeds beter te begrijpen welke uitkomsten waarschijnlijk zijn, welke factoren die waarschijnlijkheden beïnvloeden en welke nieuwe informatie aanleiding geeft om verwachtingen bij te stellen.
Daarvoor is een andere manier van kijken naar forecasting nodig. Naast de vraag wat we verwachten, wordt dan ook relevant hoe zeker we van die verwachting zijn en welke informatie ervoor zou kunnen zorgen dat die inschatting verandert. Data en AI kunnen daarbij een belangrijke rol spelen, terwijl menselijke kennis relevant blijft wanneer informatie nog niet in systemen is vastgelegd of omstandigheden sneller veranderen dan historische modellen kunnen volgen.
Meer dan gokken op de toekomst
Prediction markets roepen ondertussen ook een andere discussie op. Afhankelijk van de markt en de jurisdictie worden contracten op toekomstige gebeurtenissen gezien als financiële producten, kansspelen of iets dat kenmerken van beide heeft. Door de snelle groei van platforms als Polymarket en Kalshi is die discussie de afgelopen periode alleen maar relevanter geworden.
Vanuit data-perspectief is er echter nog een andere manier om naar het fenomeen te kijken. Prediction markets zijn ook mechanismen waarmee verwachtingen worden verzameld, samengebracht en voortdurend opnieuw gewaardeerd wanneer nieuwe informatie beschikbaar komt.
Juist die functie kan voor organisaties interessant zijn zonder dat medewerkers met echt geld hoeven te handelen. Interne prediction markets kunnen bijvoorbeeld werken met punten of andere prikkels waarmee deelnemers worden gestimuleerd zorgvuldig over hun verwachtingen na te denken. Onderzoek naar corporate prediction markets laat zien dat ondernemingen al langere tijd met dergelijke modellen experimenteren. (ScienceDirect)
Het doel is dan niet om van collega’s te winnen, maar om kennis die verspreid door de organisatie aanwezig is eerder onderdeel te maken van de besluitvorming.
Anders leren voorspellen
De enorme aandacht voor AI kan gemakkelijk de indruk wekken dat betere forecasting vooral afhankelijk is van grotere datasets en krachtigere modellen. Die ontwikkeling gaat ongetwijfeld veel veranderen, maar prediction markets laten zien dat er daarnaast nog een andere waardevolle bron van informatie bestaat: de kennis en verwachtingen van mensen binnen en buiten een organisatie.
Voor Business Analytics ontstaat daarmee een interessant speelveld waarin historische data, actuele operationele informatie, algoritmische voorspellingen en menselijke verwachtingen elkaar kunnen aanvullen. De uitdaging is dan niet om één van deze bronnen tot winnaar uit te roepen, maar om te begrijpen wanneer iedere bron waarde toevoegt en hoe verschillen tussen voorspellingen kunnen worden gebruikt om betere vragen te stellen.
Misschien wordt forecasting daardoor uiteindelijk minder een zoektocht naar het perfecte getal en meer een voortdurend proces waarin organisaties hun verwachtingen aanpassen zodra nieuwe informatie beschikbaar komt. Prediction markets zijn daar zeker niet het enige instrument voor, maar ze laten wel zien hoeveel relevante kennis binnen een organisatie aanwezig kan zijn zonder dat die kennis al in een dashboard, database of AI-model terecht is gekomen.
Voor de CFO kan juist dat een interessante gedachte zijn. Niet alle informatie die nodig is om vooruit te kijken hoeft eerst in de cijfers zichtbaar te worden; soms is het belangrijk om eerder te ontdekken wat de mensen die het dichtst bij klanten, projecten en processen staan gezamenlijk al lijken te weten.