LEGO cuenta con una larga trayectoria en la fabricación de juguetes, especialmente en el desarrollo de sus característicos bloques de plástico encajables. A lo largo de los años, esta historia ha creado generaciones de aficionados a la construcción con bloques que crecieron con LEGO y continúan coleccionando nuevos sets en la edad adulta. No es de extrañar que LEGO se haya convertido en una inversión relativamente popular, ya que un estudio publicado en Science Direct en 2022 reveló que estos sets ofrecen una rentabilidad superior incluso a la del oro. ¿Es posible predecir qué sets merecen la pena comprar?
En nuestro estudio, calculamos el retorno de la inversión (ROI) de cada set basándonos en el precio de venta sugerido original en USD frente al precio actual. Luego, comparamos el ROI del set de LEGO con el ROI del oro, calculado a partir del precio promedio anual de apertura y cierre de las acciones de oro desde 2014. El modelo determinó si se debía comprar un set de LEGO si su ROI era mayor que el del oro.
De los cinco modelos probados, XGBoost fue el ganador, ya que predijo un rendimiento 1,8 veces superior al de una selección aleatoria en el 30% superior de los sets de LEGO.
Nuestra investigación demostró que muchos sets de LEGO ofrecen un retorno de inversión (ROI) superior al del oro; nuestro modelo incluso puede predecir qué sets tendrán un ROI más alto. Los coleccionistas pueden usar nuestro modelo para determinar si una compra será una inversión rentable, e incluso los principiantes pueden tener la seguridad de que están realizando una compra valiosa.
Esta investigación utilizó JMP Pro 17.
Mi nombre es Peter Vo.
Soy Kevin Thunderberg.
Hoy hablaremos sobre el retorno de la inversión de LEGO en comparación con el oro. Tras esta introducción, analizaremos la comprensión y preparación de los datos, los resultados y, finalmente, la conclusión. ¿Qué es lo primero que se te viene a la mente al ver un set de LEGO? En mi caso, me maravilla lo geniales que son. Pero lo segundo que miro es el precio.
Hoy en día, muchos sets nuevos alcanzan los 100 dólares o incluso varios cientos. En 2022, Science Direct informó que algunos sets de LEGO valían incluso más que el oro. Esto nos lleva a preguntarnos: ¿qué factores influyen en el precio de venta al público y el precio de mercado de un set de LEGO? Algunos tienen que ver con la trayectoria de LEGO, las colaboraciones con otras marcas, la cantidad de piezas, etc. Pero no hay garantía de obtener ganancias simplemente comprando un set caro y guardándolo durante unos años. ¿Cómo decidimos si comprar o no un set de LEGO? Predecimos cuándo deberíamos comprarlo. Eso es lo que intentaremos responder hoy.
En concreto, queremos determinar, primero, qué variables, si las hay, influyen en el precio de venta recomendado de un set de LEGO. Segundo, queremos crear un modelo que calcule el retorno de la inversión de un set de LEGO. Tercero, queremos comparar el retorno de la inversión de un set de LEGO con el retorno de la inversión del oro para determinar si merece la pena invertir en un set de LEGO. Ahora le cedo la palabra a Keven para que nos explique cómo interpretamos los datos.
Gracias, Peter. El primer paso en un proyecto de aprendizaje automático es analizar con qué datos vamos a trabajar. Es fundamental comprender qué son nuestros datos para saber cómo manipularlos si es necesario y qué vamos a modelar en concreto. Decidimos analizar los sets de LEGO de los últimos 10 años. Nuestro conjunto de datos es mucho mayor que el de la década de 1970. Pero, como Peter explicará en la siguiente sección, la calidad de los datos de aquella época no era la mejor.
Para centrarnos en los sets más recientes de los últimos 10 años, nos enfocamos en los nuevos lanzamientos que nos ayudarán a realizar nuestra predicción. La mayoría de los sets tienen un precio de venta sugerido (PVS) inferior a $50, como mostraremos en la figura 1 en breve. También incluimos otras variables, como la cantidad de piezas, que puede variar desde unas pocas piezas para una minifigura hasta miles para algunos de los sets más grandes. Creemos que este es un factor importante para predecir el PVS.
El número de minifiguras en el set. Claro, las minifiguras son los pequeños muñecos LEGO, esos simpáticos muñecos amarillos. Algunos sets no traen ninguna, otros pueden tener decenas. Nuestros datos provienen de brikset.com, así que el número de personas que poseen el set y su valoración (de 0 a 5 estrellas) también son de ahí. El número de instrucciones y la disponibilidad del set eran quizás menos importantes, pero queríamos incluirlos también.
La disponibilidad, en particular, se refiere a si se vende directamente de LEGO, si está disponible en tiendas minoristas en general o si solo está disponible en LEGOLAND. Había algunos casos así. Finalmente, el grupo temático del set nos pareció el más interesante. Esto se refiere a si es un set con licencia. Harry Potter y Star Wars serían sets con licencia, a diferencia de LEGO DUPLO, los más grandes, que estarían dentro del grupo temático preescolar. Quisimos incluir esto porque pensamos que podría ser una predicción importante. Quizás algunos sets con licencia valen más que los que no la tienen. No lo sabemos.
A continuación, para explicar qué hicimos con los datos, volveremos a hablar de Peter.
Gracias, Keven. Empezamos con casi 15 000 filas de datos, que se remontaban a todos los conjuntos que se publicaron inicialmente en los años 70. No eran perfectos, por supuesto. En aquel entonces, no tenían una contabilidad tan rigurosa como la de hoy, lo que nos obligó a descartar varias filas de nuestro análisis. En lugar de eso, decidimos centrarnos solo en las filas que indicaban el precio de venta sugerido por el fabricante (MSRP) y el precio actual de mercado.
Utilizamos la mediana del precio de venta sugerido por el fabricante (MSRP) para interpretar los datos faltantes, como las minifiguras y el número de piezas, entre otros. Luego, eliminamos alrededor de 20 valores atípicos debido a sus precios extremadamente altos. Al menos uno de ellos costaba varios miles de dólares, lo que redujo la asimetría positiva en nuestra distribución.
En ese momento, pasamos de 15 000 filas a 3000. Pero al agregar Brickset a nuestro conjunto de datos, pudimos aumentarlo nuevamente a 8000. Después, agregamos otro conjunto de datos que contenía el precio anual del oro. Este conjunto mostraba los precios de apertura y cierre del oro por día, así que tomamos el promedio diario y luego extrapolamos el precio promedio anual a partir de ese valor. Luego, calculamos dos nuevas variables: ROI para el oro y ROI para los conjuntos de datos, lo que nos dio dos valores que pudimos comparar con nuestra tercera columna llamada "comprar". Nuestra columna "comprar" nos indicaría si comprar el set de LEGO si su ROI previsto sería mayor que el del oro.
Ahora le cedo la palabra a Keven para que nos hable de los resultados.
Muy bien. Gracias de nuevo, Peter. Ejecutamos muchos modelos analíticos en JMP. En lugar de aburrirte con los detalles, iremos directamente al mejor modelo, que resultó ser XGBoost, un modelo de árbol de decisión potenciado por gradiente. Lo usamos mediante un complemento que se encuentra en nuestras referencias.
Antes de entrar en detalles, quería hablar sobre la figura 1 que mencioné antes. Este es el precio de venta sugerido por el fabricante (MSRP). Lo estoy ampliando. Como pueden ver, todos los precios son muy bajos. No tenemos muchos ejemplos de sets de LEGO de alto precio. Todos los productos de la primera columna tienen precios entre $0 y $50.
En nuestros resultados, presentamos nuestra matriz de confusión. Si no está familiarizado con el aprendizaje automático, los aspectos importantes a observar son los verdaderos negativos, los verdaderos positivos, la precisión y la puntuación F1. Para este modelo en particular, nos centramos en la puntuación F1. La puntuación F1 es la media armónica de la precisión y la exhaustividad. Básicamente, es una métrica muy útil para visualizar los verdaderos positivos desde una perspectiva diferente.
Queremos predecir los "sí". Queremos predecir si valdrá más que el oro o si tendrá un retorno de inversión (ROI) mayor que el oro. Con esa métrica como criterio, analizamos otros gráficos. Analizamos nuestro gráfico de elevación. Se puede observar que existe un 30% superior, que corresponde a ese 0,3. Es 1,8 veces mejor que la probabilidad aleatoria de elegir la categoría "sí". En esencia, es 1,8 veces mejor que lanzar una moneda al aire con una probabilidad del 50%.
El gráfico ROC (o curva característica de funcionamiento del receptor) muestra la sensibilidad frente a la especificidad. Como se puede observar, podemos establecer un área de aproximadamente el 30%, que abarca alrededor del 80% de los casos positivos verdaderos. Este será el criterio que utilizaremos para determinar si la elección fue acertada o no.
Pero vamos a probarlo. Aquí hay un nuevo set que me gusta mucho. Es el set de Barad-dûr de El Señor de los Anillos. Se lanzó en junio de este año. Aquí están todos los datos que introdujimos en el modelo. Tomamos nuestro modelo, lo pusimos en el repositorio de fórmulas y procesamos esos datos. El resultado fueron estos dos números.
En otras palabras, el modelo tiene un 54 % de confianza en que este conjunto tendrá un retorno de inversión (ROI) superior al del oro. Esto significa que no estará dentro del 30 % superior que mencioné. No se encuentra en esta zona. Estará un poco más alejado. Por lo tanto, si yo invirtiera en un conjunto, probablemente no elegiría este. Preferiría analizar otros conjuntos nuevos con el modelo para ver si arrojan un resultado ligeramente superior.
En conclusión, no solo hemos demostrado que muchos de los sets de LEGO ofrecen un retorno de inversión (ROI) superior al del oro, sino que también creamos el modelo XGBoost para predecir si esto ocurrirá o no. Gracias a nuestro modelo, un inversor no solo puede obtener una excelente orientación sobre en qué modelos invertir en el futuro, sino que, si se encuentra dentro del 30% superior, puede afirmar: "Esta es una opción bastante sólida para una buena inversión". Recurriremos a Peter para consultar nuestras referencias.
Queríamos agradecer a nuestro mentor, Kedar Adavadkar, por su orientación y por mantener nuestro proyecto dentro del alcance previsto, ya que muchas personas proponían demasiadas funcionalidades. También queríamos agradecer al Dr. Magan y al Dr. C por sus consejos.
Quiero agradecer especialmente a JMP por aceptar nuestro póster. Tenemos muchas ganas de ir a Cary en octubre y conocerlos a todos. Gracias de nuevo.
Gracias.
