Capítulo 1

UN VISTAZO A LA REVOLUCIÓN DIGITAL 

La revolución digital, una excelente oportunidad disponible para aprovecharla, nos enfrenta a un cambio muy complejo, obligando a las empresas tradicionales a reinventarse para adaptarse a lo nuevo o desaparecer. El paso más trascendental corresponde a los recursos humanos, enseñándoles la capacidad de adaptación para enfrentar cambios disruptivos, gracias a la posibilidad de explotar grandes volúmenes de información a gran velocidad, capacidad que se ha desarrollado rápidamente en los últimos años; requiere  aprender a tomar herramientas de toma de decisiones y ejecución. Las organizaciones deben realizar una planificación integral que abarque todas las áreas a desarrollar de manera coordinada: identificación y acceso a fuentes de información, metodologías, sistematización y control de riesgos correlativos.

La disrupción digital produce un reordenamiento del mundo y ayuda a redistribuir la riqueza, especialmente en lo que respecta a la inclusión social, la mejora de la salud, el conocimiento al alcance de todos y el aprovechamiento de fuentes limpias para abaratar los precios de la energía, respetando la Sostenibilidad, atacando la dicotomía socialismo/capitalismo,  promoviendo mutaciones trascendentales en la política y la economía. Además, facilita la movilidad social, mejora la calidad de vida y ayuda a mejorar la productividad que clama el mundo para enfrentar la inflación generada por el Covid-19. Es necesario integrar la tecnología digital en todas las áreas de una empresa, cambiando la forma de operar y agregando valor, complementándolo con un cambio cultural para interactuar mejor.

Implica conocerse a uno mismo para potenciar el lado creativo, porque la capacidad de generar experiencias, aportar nuevos puntos de vista; buscando diferentes formas de expresión y todo aquello que no sea susceptible de ser automatizado para ser ejecutado con un robot, es y seguirá siendo muy apreciado. Cultivar la empatía, pensar en contribuir a la calidad de vida, no hacer acumulaciones tentadoras, buscar la sabiduría y vivir con espíritu colaborativo, trabajando en una Holocracia (organización en la que la categoría y la toma de decisiones se distribuyen horizontalmente, sin que exista una dirección jerarquía; también conocida como “Holacracia”).

EL SECTOR FINANCIERO se ha transformado mucho en los últimos años y con perspectivas de seguir avanzando como lo requiere la Revolución Digital utilizando FINTECH (tecnología financiera). Ha mejorado la oferta de productos financieros con mucha agilidad, transparencia y seguridad, complementada con una atención personalizada, así como beneficios adicionales ampliando las alternativas para el manejo del dinero. El Nubank es un ejemplo apreciable para aprender del colombiano David Vélez, el banquero que no tiene letra pequeña en los contratos; presenta las condiciones de frente con un criterio cien por cien humano, digital y sin comisión de gestión. Dice que sus usuarios no compran productos sino su cultura y que el valor de la empresa es consecuencia de buscar la solución a un problema de gran envergadura porque no tiene clientes sino usuarios a los que escucha atentamente porque son depositantes de dinero, como base para la creación de productos que respondan a las necesidades de los clientes. Contribuye a democratizar las finanzas colocando al usuario de sus servicios en el centro de la importancia, proponiendo la distribución de la riqueza y los servicios, facilitando los trámites bancarios a las clases populares y otorgando créditos a quienes no son propietarios.

La tendencia clara es la Banca Digital, utilizando todos los desarrollos tecnológicos como: pagos habilitados por voz, uso de plataformas de desintermediación, Inteligencia Artificial y Big Data en crecimientp; el acercamiento a 5G, aumentando la velocidad de transmisión de datos y el Blockchain, tecnología basado en una cadena de bloques con una base de datos pública y distribuida en la que se registran de forma segura las transacciones que se realizan en la red.

La inflación, en mayor o menor medida, es un fenómeno mundial que se ha incrementado a raíz del Covid-19, por lo que existe la necesidad de que los empresarios aprendan a convivir con ella, al igual que los cafetaleros de algunas localidades aprendieron a producir en medio de la roya. Debido al aumento de los precios, la gestión del efectivo se convirtió en un tema de especial importancia en nuestra época. Es una acción caracterizada por la búsqueda de mecanismos que permitan aumentar la velocidad de circulación del dinero; tenemos que pensar como en países con inflación galopante: los billetes queman las manos, dañan las cajas fuertes y pudren los colchones.

Cuanto más rápido circula la moneda, menos pierde su poder adquisitivo. El sector financiero, que tradicionalmente se ha aprovechado de los descuidos de la gente en este sentido, ha entrado con fuerza en este mercado respetando el derecho de su cliente a aumentar el kilometraje del efectivo. La Banca Electrónica representa un excelente avance que  está al alcance de cualquier persona común.

Ahora con la Revolución Digital, utilizando Inteligencia Artificial (IA) que está diseñada para identificar contextos y escenarios, trabajar con algunos modelos predictivos y tomar decisiones autónomas y Big Data con capacidad para procesar grandes volúmenes de información, se ha facilitado mucho el diseño de modelos para definir cupos de crédito,  siguiendo objetivamente las directrices desarrolladas hasta el momento.

En circunstancias especiales, como la que se presenta para planificar la recuperación de la economía mundial de la crisis de 2020, en la medida de lo posible, buscar alternativas exponenciales (capaces de generar resultados desproporcionadamente superiores a los tradicionales, teniendo a la tecnología como aliada en la estructura y desarrollo del negocio) para aumentar la productividad, la herramienta más poderosa para contrarrestar la inflación mundial como se ha visto con el surgimiento de empresas con resultados bastante notorios a nivel global. Según cifras de prensa, la empresa hotelera más grande del mundo, Airbnb, ofrece más de 7 millones de opciones de alojamiento en más de 100.000 ciudades de 210 países, sin poseer un solo hotel y con poco menos de 6.000 empleados. Uber, la compañía de transporte más grande del mundo, gestiona más de 3,5 millones de conductores en 10.000 ciudades de 71 países, sin tener un solo coche. Nubank, una de las instituciones financieras más valiosas de Latinoamérica, cuenta con más de 48 millones de clientes sin tener una sola sucursal bancaria ni caja fuerte con dinero físico. Tesla, fundada hace apenas 20 años, es hoy la automotriz más valiosa del mundo, con un valor de mercado de casi mil millones de dólares, más que las siguientes nueve empresas automotrices juntas, muchas de ellas con marcas como Mercedes Benz, Ford o Toyota con décadas de existencia.

El Foro de Davos de enero/2020 “involucra a todos los grupos de interés en la generación de valor compartido y sostenido, incluidas las comunidades locales y la sociedad” y cuyo manifiesto marcó un único objetivo: construir un mundo más sostenible e inclusivo.

El análisis del punto de equilibrio es compatible y, de hecho, utiliza conceptos de costos directos; además de la sencillez,  fácil representación gráfica y cálculo matemático utilizando Excel, facilita la elaboración de un presupuesto comparativo de empresas tradicionales con exponenciales en diferentes niveles de producción y ventas. Muy útil para negociaciones especiales con las aerolíneas, las navieras, los hoteles y los centros de entretenimiento y clubes deportivos aprovechando la capacidad de planta ociosa.

Con la Revolución Digital, el análisis predictivo busca resultados futuros con  datos del pasado; los modelos utilizan diferentes metodologías y matemáticas con un objetivo general muy similar; unas usan técnicas que son específicas de clasificación (los resultados del modelo son binarios; un sí o un no, en forma de 0 y 1) y otras que son técnicas de regresión que permiten predecir un valor. También se puede aplicar a cualquier tipo de evento desconocido  del pasado, presente o futuro. La Revolución Digital trae Big Data con una gran cantidad de variables estructuradas, como tablas de datos, y variables no estructuradas, como textos, imágenes o videos que ofrecen nuevas posibilidades de cálculo. Las reglas de predicción flexibles y heterogéneas con capacidad comprobada para predecir resultados lógicos ahora se crean mediante la combinación de diferentes modelos, procedimientos y tipos de datos.

Árboles de decisión, redes neuronales, máquinas de vectores de soporte, análisis bayesiano, regresión logística, regresión lineal, series temporales y minería de datos, vecinos más cercanos K, modelos de conjuntos, aumento de gradiente, modelos de respuesta incremental, introducción de múltiples parámetros extraídos de Big Data, con muchas ventajas con relación a los modelos utilizados tradicionalmente por la estadística. Big Data Analytics es la tecnología utilizada para analizar una gran cantidad de datos estructurados y no estructurados que son recopilados, organizados e interpretados por software, transformándolos en información útil para la toma de decisiones y para generar ideas sobre las tendencias del mercado. Además, contribuye a la generación de ideas de nuevos productos y servicios, atracción de clientes, comprensión de la audiencia, seguridad y más beneficios para la toma de decisiones estratégicas.

Para aproximaciones a la planificación financiera, es práctico y conveniente realizar una primera estimación de los estados financieros proyectados. Es algo así como hablar de un análisis de prefactibilidad para ver si se esperan resultados positivos para iniciar un proceso de tal envergadura.

El análisis predictivo es un estudio estadístico para obtener información nueva o histórica que se utiliza para predecir patrones de comportamiento que se pueden aplicar a cualquier tipo de evento desconocido en el pasado, presente o futuro. Los modelos predictivos son herramientas estadísticas que utilizan el aprendizaje automático respaldado por la extracción de Big Data para predecir y pronosticar resultados probables con la ayuda de datos históricos, introduciendo múltiples parámetros estadísticos que facilitan la obtención de información nueva o histórica útil para predecir patrones de comportamiento;es la tecnología utilizada para analizar una gran cantidad de datos estructurados y no estructurados que son recopilados, organizados e interpretados por software, transformándolos en información útil para la toma de decisiones y para generar ideas sobre las tendencias y el comportamiento del mercado; Big Data Analytics es capaz de impactar positivamente en los negocios de cualquier sector porque contribuye a la generación de nuevos productos y servicios, atracción de clientes, comprensión de la audiencia, seguridad y más beneficios, lo que hace posible anticipar las posibilidades de éxito de una organización, previendo contingencias y desafíos en función de determinadas circunstancias; se enfoca a sacar conclusiones. Con su uso, las empresas pueden estar mejor preparadas para tomar decisiones estratégicas y aumentar su facturación, en la medida  que sepan aprovechar la información.


Una DMP (Data Management Platform) es una plataforma dedicada al procesamiento de datos que se pueden organizar en perfiles para la toma de decisiones. Analiza cómo se comporta digitalmente un determinado perfil, mientras que un CDP crea perfiles de clientes basados en identificadores personales. Las técnicas de análisis predictivo desarrolladas hasta el momento son:

1. Los Árboles de Decisión, son algoritmos estadísticos o técnicas de Machine Learning que nos permiten construir modelos predictivos de analítica de datos para Big Data basados en una clasificación según determinadas características o propiedades, o en la regresión a través de la relación entre distintas variables para predecir el valor de otra. 

2. Redes Neuronales, Inteligencia Artificial y Aprendizaje Profundo, una técnica de reconocimiento de patrones que imita las neuronas del cerebro humano, capaz de modelar relaciones extremadamente complejas y utilizarlas cuando se desconoce la naturaleza exacta de la relación entre los valores de entrada y los de salida. El aprendizaje profundo procesa datos para detectar objetos, reconocer conversaciones, traducir idiomas y tomar decisiones.

3. Las máquinas de vectores de soporte (SVM), son algoritmos de aprendizaje automático supervisados para reconocer patrones, estados relacionados con problemas de clasificación o regresión.

4. Análisis bayesiano, una inferencia estadística en la que se utilizan pruebas u observaciones para actualizar o inferir la probabilidad de que una hipótesis sea cierta.

5. Regresión logística, utilizada para predecir el resultado de una variable categórica (puede adoptar un número limitado de categorías) en función de las variables independientes o predictivas. Es útil para modelar la probabilidad de que ocurra un evento en función de otros factores. Por ejemplo, se puede utilizar para predecir el riesgo de crédito.

6. Regresión Lineal, consiste en una línea recta que muestra el “mejor ajuste” de todos los puntos de los valores numéricos. También se le llama método de mínimos cuadrados porque calcula la suma de las distancias al cuadrado entre los puntos que representan los datos y los puntos en la línea que genera el modelo. Así, la mejor estimación será la que minimice estas distancias.

7. Series Temporales y Minería de Datos, consiste en utilizar grandes bases de datos para obtener perspectivas sobre comportamientos que se repiten consistentemente. Esto se logra mediante el desarrollo de algoritmos que logran identificar patrones en los datos y establecer correlaciones entre ellos.

8. K-Nearest Neighbors es un algoritmo de agrupamiento. Consiste en reconocer patrones para calcular la probabilidad de que un elemento pertenezca a una clase según su proximidad en el espacio a los elementos de esa clasificación. Es un método de clasificación de casos con base a su parecido con otros; se desarrolló como una forma de reconocer patrones en los datos sin necesidad de una coincidencia exacta con los patrones o casos almacenados.

9. Ensemble Models, es famoso por su precisión debido a la disponibilidad de algoritmos de refuerzo y embolsado, que son procedimientos generales para reducir la varianza de un método de aprendizaje estadístico. La idea básica es combinar métodos de predicción simples (débiles) para obtener un método de predicción muy potente (robusto). Creea un nuevo modelo entrenando varios modelos similares y combinando los resultados para mejorar la precisión, reducir la varianza y el sesgo, e identificar el mejor ajuste para usar con nuevos datos.

10. Mejora de gradiente, realiza un remuestreo (método de remuestreo) de un conjunto de datos para generar resultados que forman un promedio ponderado del conjunto de datos. También se puede utilizar para construir pruebas de hipótesis.

11. Modelos de Respuesta Incremental, utilizados para reducir el Churn o comprobar la efectividad de diferentes acciones de Marketing. Se modela el cambio de probabilidad causado por una acción.