Gestión de datos en las pymes: por qué conviene trabajar con modelos de machine learning

Ante tal incertidumbre y riesgos, las empresas no tienen más remedio que protegerse, manteniendo por ejemplo importantes niveles de liquidez, solvencia, dejando de repartir dividendos, entre otros.

De alguna forma, lo que se busca es mantener recursos para cubrir eventualidades no previstas, tal como su nombre lo indica, aleatorios.

En la utopía de que las variables fueran controladas, ¿Qué pasaría en el mundo empresa? Quizás ya no necesitarían tal protección y los niveles de seguridad se podrían minimizar para no tener inmovilizado tal nivel de recursos.

Siendo que esto es inalcanzable, entiendo que esa es la dirección en la que debe moverse el área de finanzas de una empresa para aportar cada vez mayor valor aprovechando las nuevas herramientas que la tecnología pone a su alcance.

De esta manera, con machine learning, se podrá administrar una gran cantidad de datos, que nos permitirán poder establecer escenarios que predigan el comportamiento de estas variables, lo que disminuirá la incertidumbre de la operación.

A partir de esto, contaremos con una gran velocidad de respuesta, la que habilitará a asignar recursos en aquellos puntos o aspectos que se necesiten.

Variables para analizar

Tomando como ejemplo el análisis de inversión de un proyecto de oil & gas, una de las variables críticas que definen la conveniencia o no de avanzar es el precio del petróleo futuro.

Esta variable, al ser estocástica o aleatoria, está influenciada por múltiples factores como la oferta y la demanda global, la política internacional, los eventos geopolíticos y las condiciones económicas, entre otros.

Estos factores son inherentemente inciertos y variables, lo que hace que el precio del petróleo fluctúe y no pueda ser determinado con certeza en un momento dado.

Para analizar el potencial precio futuro se pueden hacer análisis de series temporales para estimar la tendencia, su dispersión, y en definitiva, estimar el valor esperado futuro.

Otro caso, y considerando las tasas de interés (y no para el caso de tomar una tasa fija, lo que haría que la variable fuera determinística), está sujeta a fluctuaciones y cambios debido a diversos factores, como ser, las políticas monetarias de los bancos centrales, las condiciones económicas, la inflación, la oferta y demanda de crédito, así como otros eventos y variables macroeconómicas.

De esta manera, esta variable podrá tomar valores aleatorios, los que habrá que modelar o simular para conocer el impacto de esta en el proyecto que se está analizando.

Podremos utilizar modelos de análisis retrospectivos también, lo que significa poder aplicar los resultados históricos sobre las funciones predictivas, lo que nos dará una idea de la performance del modelo seleccionado.

A pesar de contar con toda esta información, no es sino en la interpretación de las salidas lo que hará que la experiencia sobre los resultados traiga el verdadero sentido a lo que los datos nos están informando.

Tener que contrastar la experiencia real con los modelos definidos permitirá o determinará si los modelos predictivos que hemos construido tienen o no sentido al momento de indicarnos si los resultados de los escenarios futuros son válidos.

De esta manera podremos tomar decisiones sobre información más certera y aplicable al negocio, pero con mayor exhaustividad y precisión que en épocas anteriores.

(*) El autor es Director General en InPlus Consulting, mentor en Proyecto Naves de IAE Business School y consultor Vistage.