Publicado por el Dr. Peter Ojo:
En 2012 (Animación alrededor de 2013), predijimos la próxima revolución de los servicios POS en Nigeria y cómo la gente común interactuará con sus cuentas bancarias. Esto sucedió más de lo previsto. Nos arriesgamos nuevamente a que eNaira, en armonía con los canales heredados, pueda impulsar la forma en que las personas intercambian valor. El catalizador será la interoperabilidad con la infraestructura transfronteriza. El IMTOS pre-minará eNaira, y sus agentes, locales e internacionales, encontrarán más beneficios en la cadena de valor que el sistema tradicional porque los registros distribuidos presentan un alto nivel de transparencia, interoperabilidad y, sobre todo, complementan el Inter- Sistema de Liquidación Bancaria al reducir la congestión de la red. eNaira es necesaria no porque tenga una ventaja obvia sobre la billetera móvil existente, sino porque el tiempo permite experimentar con activos digitales y CBDC globales.
El extracto del documento de 2018 explica el incentivo económico inherente para los agentes digitales.
Si consideramos 100 agentes/tiendas en una ciudad de EE. UU. y 100 clientes que viven en esa ciudad y tienen acceso a los agentes para enviar dinero durante los próximos 31 días. Consideremos cuatro empresas de transferencia de dinero A, B, C, D en cada una de esas tiendas, es decir, el agente/tienda puede decidir utilizar el sistema de cualquiera de los cuatro proveedores de remesas para enviar el dinero al cliente.
Suponiendo que cada una de las compañías de transferencia de dinero pueda enviar dinero a todos los destinos (que el cliente necesite) y que todos tengan la misma tarifa ($5). Suponemos además que el tiempo de finalización de las empresas de transferencia de dinero para enviar dinero a los clientes varía (D = 2 minutos, todos los demás: 15 minutos) y la misma comisión para el agente de ventas ($ 2.5), es obvio que los agentes elegirán por tiempo (no por comisión):
· Función de probabilidad simple:
P(A) = P(B) = P(C) = 0, P(D) =1
Si eligen por tiempo, la probabilidad será inversamente proporcional al tiempo:
P(A) = P(B) = P(C) = 1/15 / (3/15+1/2) = 2/21= 0,095
Figura 1. Cantidad de tokens vendidos
P(D) = 1–3*0,095 = 0,714
Esto significa que la empresa de transferencia más recomendada (y elegida) será D, en función del tiempo de transferencia (en el caso de que las tarifas y las comisiones sean iguales).
Consideremos otra situación en la que todas las compañías de transferencias (A, B, C, D) tienen la misma tarifa ($5), el tiempo para procesar la transferencia es diferente (A=B=C=15 minutos, D=2 minutos) y la comisión para el agente también es diferente (A=B=C=$1.50, D=$3). La pregunta es: ¿qué compañía de transferencia recomendará un agente y cuál elegirá el cliente?
Si los clientes eligen únicamente por tiempo, las probabilidades serán las mismas que las anteriores:
P(A) = P(B) = P(C)= 0,095, P(D)=0,714.
Si los clientes siguen la recomendación del agente, se les recomendará que elijan por comisión, y dado que la empresa D es la mejor clasificada dentro de este criterio (tarifa = $ 3), las probabilidades seguirán siendo las mismas: P(A) = P( B) = P(C)= 0,095, P(D)=0,714.
Como caso especial, si la empresa A tiene una tarifa más baja entre {A, B, C}, entonces las probabilidades:
P(B) = P(C) = 0, y P(A) =1- P(D)= 1- 0,714 = 0,286.
Si eligen por tiempo, entonces la probabilidad es inversamente proporcional al tiempo:
P(A) = P(B) = P(C) = 1,5*1/15 / (3*1,5* 1/15 + 3*1/2) = 1/18=0,055
P(D) = 1–3* 1/18 = 5/6 = 0,833
El problema tiene varias capas y formas de análisis. Sin embargo, nos enfocamos en el tiempo para completar una transacción y comisión a los agentes. Por lo tanto, la probabilidad de elegir el tiempo más rápido en el primer y segundo trimestre es la más alta, es decir, los agentes y los clientes quieren el tiempo más rápido posible. En el tercer trimestre, todas las comisiones para los agentes son las mismas, por lo que nuevamente, el tiempo prevaleció sobre otros factores, por lo que el agente optó por la opción D. En el cuarto trimestre, los agentes prefieren D mucho más. A los agentes y clientes les gusta D más que cualquier otro proveedor de remesas, por lo que es más probable que los agentes recomienden D. El resultado simplemente confirma lo que podríamos haber adivinado, pero las estadísticas cuantifican el resultado.
Podemos concluir que los agentes estarán sesgados hacia las organizaciones de remesas que ofrecen este método Token. De hecho, si la organización de remesas que proporciona este Token cubre más corredores comparables que otros, se puede argumentar que a los agentes les resultará una decisión económica comercial que vale la pena interrumpir la relación con las otras organizaciones de remesas. Esto tiene sentido porque la propuesta de valor es significativamente menor que la de la organización de remesas que ofrece el Token como medio de envío de dinero. Independientemente, confiamos en que la reducción del tiempo necesario para atender a los clientes impulsará la demanda del producto sobre otros. Además, cuanto mayor sea la comisión pagada a los agentes o tiendas por Token, mayor será la cantidad de agentes/tiendas que estarán interesadas en llevar el Token.
La Fig. 1 describe la relación entre la Comisión (C1…C3) y la Cantidad de Tokens vendidos.
Figura 2. Número de tokens vendidos en función del tiempo pasado con el remitente
Argumentamos que cuanto mayor sea la comisión pagada a los agentes/tiendas, más Tokens venderán porque existe un incentivo económico para hacerlo y una propensión a ofrecer la tarjeta en comparación con las otras alternativas.
Figura 2. Número de tokens vendidos en función del tiempo dedicado a los remitentes
El gráfico de la Fig. 2 describe el tiempo (T1… T3) dedicado a atender a los clientes frente a la cantidad de tarjetas vendidas o el volumen de remesas. Argumentamos que cuantos menos minutos pasen los agentes con los clientes, mayor será el número de clientes que podrán atender y mayor será el volumen que provendrá de los agentes. En esencia, el tiempo es inversamente proporcional al número de tarjetas vendidas. Esto se debe a que los agentes/tiendas quieren poder volver a atender a los clientes que vienen a patrocinar su negocio principal y no el servicio de remesas.
Podemos dividir las relaciones entre los fenómenos (variables) en dos grupos: funcionales y estocásticas. La conexión funcional (también llamada determinista o exacta) ocurre en el caso cuando — a cada valor de la variable independiente X, corresponde solo un valor de la variable dependiente Y. En los procesos estocásticos, un valor de la variable independiente corresponde a un conjunto completo de posibles valores de la variable dependiente. Entonces, en el modelo estocástico, debemos involucrar un componente adicional (aparte de X) que influirá en Y. Por lo tanto, la forma general del modelo estocástico será:
Y = b1*X + b0 (1)
donde b0 es el elemento estocástico (por ejemplo, un error).
En nuestro sistema para remesas de dinero, evaluaremos la conexión entre el número de puntos de venta (Agentes) como variable predictora (X) y los ingresos totales en un período, como variable Y. Primero, podemos definir una conexión lineal entre estas variables , ya que el aumento del número conducirá a un aumento en los ingresos totales. El siguiente paso es dibujar el diagrama de dispersión, para ver si una línea recta es una buena aproximación para los valores empíricos. En caso afirmativo, aceptaremos el modelo de regresión lineal para la predicción.
Los datos de muestra para nuestro sistema se dan en la Tabla 1, y el diagrama disperso se muestra en la Fig. 3. El propósito del análisis de regresión es determinar el tipo de relación o dependencia entre las variables observadas. Esto se logrará mediante un modelo de regresión apropiado, que nos permitirá describir la conexión entre fenómenos, es decir, predecir los valores de la variable dependiente Y (ingresos) para los valores seleccionados de la variable explicativa X (número de puntos de venta) .
Figura 3. Diagrama de dispersión de los valores Normalizados de X (Nº de agentes), Y (Índice de ingresos)
tabla 1
De acuerdo con la ecuación (1), hemos supuesto una dependencia lineal de las dos variables (Y=f(X)), por lo que pasamos a la siguiente etapa: evaluación de los parámetros desconocidos: valor de intercepción ß0 y coeficiente de pendiente ß1. El objetivo es, sobre la base de la muestra, determinar las mejores estimaciones posibles de b0 y b1 y definir la línea de regresión para la muestra:
yi = b0 + b1 xi (2)
donde yi denota el valor de Y que es su mejor ajuste a la línea de regresión muestral y se denomina valor ajustado de Y. Las estimaciones b0 y b1 tienen el mismo significado que para las variables principales, excepto que están relacionadas con la muestra. Como regla, la línea de regresión en los valores reales y la muestra — varía, porque los valores estimados de b0 y b1 difieren de los valores reales de los parámetros ß0 y ß1. La razón es simple: la muestra casi nunca es perfectamente representativa.
En la Fig. 4, se presenta el gráfico normalizado de los datos de la muestra sobre el cálculo del error para la dependencia: índice de ingresos frente al número de agentes.
Figura 4. Gráfico normalizado para los datos de ejemplo de la Tabla 1
Si bien los valores βo, β1 en el diagrama de la Fig. 4 son constantes (intersección y pendiente de la línea), las muestras — b0, b1 pueden obtener cualquier valor, por lo que solo se pueden estimar y las trataremos como variables aleatorias. Entre los puntos en el diagrama de dispersión, es posible dibujar infinitas líneas rectas. Todos ellos, por supuesto, diferían en los coeficientes b0 y b1. La pregunta es: ¿cómo trazar la línea correcta entre los puntos empíricos que mejor los represente? Estas líneas deben estar lo más cerca posible de cumplir y, por lo tanto, darnos estimaciones óptimas de b0 y b1. Por lo tanto, debemos proceder por estimación del error con el método de mínimos cuadrados.
El método de mínimos cuadrados se basa en minimizar las desviaciones de los cuadrados de todos los puntos empíricos de la línea de regresión. Sabemos que debido al carácter estocástico de la conexión, los puntos empíricos tendrán desviaciones menores o más significativas de la línea correcta. La desviación vertical (diferencia) entre el valor real yi y el valor ajustado — se denomina residual i y está marcada por ei:
Figura 5. Proyección Anual General
Para los datos reales sobre el número creciente de Agentes (disponible como anexo de Excel a este documento), el diagrama de predicción de ingresos resultante se muestra en la Fig.5.
En cuanto al comportamiento de los agentes, se puede suponer que está determinado únicamente por la comisión/tiempo necesario y que el tiempo/comisión son variables independientes. Las fórmulas a continuación muestran un análisis estadístico condicional de cómo reaccionarán los agentes cuando se enfrenten a una comisión ligeramente mayor o menos tiempo para completar una transacción.
Por: Peter Ojo Adaptado del libro blanco (2018): Remmittancetoken
Contáctenos: [email protected]
