Resumen.
Durante el último año más o menos, ha sido difícil escapar a la impresión de que la IA se está convirtiendo en un enorme poder disruptivo. La IA, por supuesto, es tan buena como sus datos y, hasta ahora, las fuentes de datos que sustentan la revolución de la IA no se han utilizado en todo su potencial. Hacer un buen uso de las herramientas de inteligencia artificial y aprendizaje automático a menudo implica tener la estrategia de datos adecuada que las respalde.
En el capital privado y el capital riesgo, las empresas han invertido en el uso de fuentes de datos externas, a menudo denominadas «datos alternativos», un término amplio que se utiliza para describir la información que proviene de fuera de los sistemas internos de la empresa, incluidas las conversaciones en las redes sociales, las fuentes de noticias, los informes gubernamentales, las bases de datos industriales, las transacciones anónimas con tarjetas de crédito y las imágenes de satélite.
Estas fuentes de datos pueden cubrir un contexto crucial al ofrecer a los inversores una visión externa de la empresa en cuestión y una perspectiva más amplia de los mercados en los que opera. Los datos de las redes sociales, por ejemplo, están llenos de tendencias de opinión y comportamiento de los consumidores.
Esta información se puede utilizar para entender las conversaciones públicas sobre empresas o sectores específicos, ayudar a los inversores a tomar el pulso del mercado en tiempo real, identificar los temas de moda, hacer un seguimiento del estado de la marca y supervisar los comentarios de los consumidores.
Ambos hemos utilizado este enfoque en nuestro trabajo. También hemos hablado con líderes y profesionales de la ciencia de datos de varias firmas de inversión privadas sobre cómo han desplegado esta estrategia. En muchos casos, el uso de datos externos sigue siendo un proceso caro y prolongado. Ni los datos en sí ni los empleados expertos en análisis que se necesitan para encontrarles sentido son baratos. Pero para los inversores privados deseosos de mantenerse a la vanguardia, hay importantes oportunidades: desde identificar posibles oportunidades de inversión y llevar a cabo la diligencia debida hasta añadir valor después de la inversión. Si bien los inversores han perfeccionado estos enfoques, también ofrecen modelos sobre la forma en que las empresas de todos los sectores pueden utilizar datos alternativos.
Abastecimiento algorítmico.
A la hora de buscar nuevas inversiones, la capacidad de extraer de forma creativa las señales de fuentes de datos novedosas y, a menudo, ruidosas puede dar una ventaja a los inversores privados. Con los datos externos correctos, las empresas pueden utilizar algoritmos para detectar patrones, tendencias y anomalías que puedan apuntar a propuestas de inversión atractivas u oportunidades de fusiones y adquisiciones para las sociedades de cartera existentes. Estas señales pueden incluir factores como tasas de crecimiento por encima de la media, una entrada exitosa en el mercado o el desarrollo de un nuevo producto innovador.
Hace unos años, una empresa buscaba oportunidades en el sector minorista. Con un enfoque que prioriza los datos, analizaron los datos anónimos de las tarjetas de crédito en diferentes subsectores de interés. Al final, se centraron en una tendencia sorprendente: aumentos significativos tanto en el gasto como en el número total de compradores en la categoría de plantas de interior.
Con el objetivo de profundizar su conocimiento de este mercado, examinaron cómo estos aumentos se dividen entre las compras físicas y las compras en línea. Para su sorpresa, descubrieron que la mayor parte del crecimiento se atribuía a esta última categoría: cada vez más personas compraban sus plantas en Internet.
Con el objetivo de identificar las empresas con mejor rendimiento en este ámbito, el equipo obtuvo los datos de tráfico web y los examinó junto con los datos de las tarjetas de crédito y, finalmente, elaboró una lista de empresas que se mostraron especialmente prometedoras. Unos meses más tarde, tras conversaciones directas con los líderes de la empresa y con la debida diligencia, la empresa compró una participación accionaria en la empresa que parecía ser la líder del grupo, una prometedora empresa de comercio electrónico que estaba bien posicionada para capitalizar una tendencia que se había pasado por alto.
En este caso, los análisis en sí mismos eran bastante rudimentarios: fueron los propios datos los que marcaron la diferencia.
Debida diligencia basada en datos.
La diligencia debida es una tarea manual, ardua, pero necesaria en el mundo de la inversión privada y, como tal, está particularmente plagada de perturbaciones causadas por datos externos. La diligencia debida está limitada tanto por el tiempo como por los recursos.
Lo ideal sería examinar una amplia gama de características de una empresa antes de invertir y obtener información sobre su fuerza laboral, los suministros críticos, los productos y capacidades clave y el rendimiento histórico. Pero a menudo, solo hay tiempo suficiente para echar un vistazo rápido a cada uno de estos parámetros. Además, las fuentes de datos utilizadas para llevar a cabo la diligencia debida han sido tradicionalmente internas.
Al evaluar a un minorista, por ejemplo, se podrían analizar inicialmente sus datos históricos de clientes y ventas. Los datos externos pueden ayudar a contextualizar este tipo de datos, ya que proporcionan información valiosa sobre el desempeño de la competencia y las características de los clientes. Si bien algunos de los datos utilizados con la diligencia debida siempre han sido externos, todavía hay un enorme potencial sin explotar que se puede utilizar para evaluar el capital humano y la propiedad intelectual, la opinión pública y el potencial de crecimiento de una empresa.
Pensemos en el caso de una empresa de capital riesgo que evalúa una inversión en una empresa farmacéutica. Tradicionalmente, la empresa disponía de unas semanas para entender mejor una empresa, ya que analizaba la información financiera interna de la empresa y realizaba análisis de mercado para entender mejor a la competencia.
Pero en este caso, la empresa fue más allá y utilizó modelos lingüísticos de gran tamaño (LLM) y otras herramientas de IA para analizar las bases de datos de patentes y evaluar la cartera de investigación de la empresa, los datos de los ensayos clínicos para evaluar el posible éxito de sus fármacos y los artículos de prensa y las redes sociales para entender la opinión del público hacia la empresa. Es casi imposible hacerlo a gran escala con métodos convencionales.
Aunque los datos externos pueden marcar la diferencia entre tomar una decisión de ir o no, el análisis de los datos externos no siempre será el factor determinante a la hora de realizar una inversión. A menudo, será cuestión de aumentar (o disminuir) la confianza. Pero la diligencia debida impulsada por datos externos ofrece un análisis más exhaustivo y matizado en comparación con los métodos tradicionales, ya que descubre información que, de otro modo, se habría pasado por alto y, al mismo tiempo, acelera el proceso. En los procesos de licitación competitiva, esto puede dar al inversor una ventaja significativa.
Creación de valor empresarial de cartera.
Los beneficios de los datos externos en el capital privado y el capital riesgo no se limitan al descubrimiento y la evaluación de inversiones. Una vez realizada una inversión, se pueden aprovechar los datos externos para encuadrar mejor la rentabilidad de una sociedad en cartera, en el contexto de las tendencias emergentes, los cambios en el comportamiento de los consumidores y la dinámica competitiva. Esta información también puede guiar a las sociedades en cartera y permitirles tomar decisiones más informadas.
Por ejemplo, una firma de capital riesgo desarrolló recientemente una herramienta de búsqueda de talentos para ayudar a sus sociedades de cartera a identificar y contratar profesionales con habilidades únicas. Al reunir potentes bases de datos profesionales, como Google Scholar, GitHub, Quora, Kaggle y LinkedIn, la empresa es capaz de aprovechar múltiples perspectivas profesionales simultáneamente para identificar a personas de alto valor con las habilidades y experiencias precisas que necesita. Por ejemplo, la empresa pudo utilizar esta herramienta para identificar a directores de proyectos experimentados con una sólida experiencia en el sector de las energías renovables, que han supervisado proyectos de generación de energía eólica y tienen experiencia en el panorama regulatorio en la región del noroeste del Pacífico de los Estados Unidos. Esta capacidad de buscar talento especializado está demostrando ser un punto de inflexión, ya que permite a las sociedades en cartera formar equipos sólidos y alcanzar sus ambiciosos objetivos.
El futuro de los datos externos en la inversión en mercados privados.
A medida que las personas y las organizaciones adoptan más tecnologías digitales, producen cada vez más datos. Aprovechar eficazmente estas enormes cantidades de fuentes de datos externas no es poca cosa. No solo requiere la tecnología para recopilarlos y procesarlos, sino también la capacidad de filtrar la señal del ruido. Discernir lo que es relevante en un océano de datos es todo un desafío.
Aquí es donde brilla la inteligencia artificial: con algoritmos y modelos de aprendizaje automático sofisticados; la IA puede identificar patrones e ideas que serían casi imposibles de detectar por sí solos para los humanos.
Los LLM más modernos, como GPT o Claude, pueden extraer información significativa de tamaños de entrada que antes eran inalcanzables. La «ventana contextual» de los LLM —es decir, la escala de datos que pueden analizar de manera significativa y que tienen sentido— seguramente crecerá en los próximos meses y años. Esto significa que podemos esperar algoritmos cada vez más sofisticados capaces de extraer información significativa incluso de conjuntos de datos desordenados y desestructurados que habrían sido difíciles de entender en el pasado.
Estos avances ampliarán aún más la gama de posibles aplicaciones de los datos externos. Por ejemplo, los factores de inversión responsable son cada vez más importantes en las decisiones de inversión. Los datos externos (por ejemplo, como medio para deducir las emisiones de carbono) podrían utilizarse para ayudar a evaluar el desempeño de una empresa en función de los parámetros pertinentes y ayudar a las partes interesadas, incluidos los inversores, los fondos, los equipos de dirección y los empleados, a tomar sus decisiones.
Aun así, extraer valor de los datos externos plantea importantes desafíos. Comprender el entorno de datos externo, por ejemplo, que es muy fragmentado y de calidad desigual, exige recursos y experiencia dedicados, al igual que navegar eficazmente entre los miles de productos y proveedores de datos disponibles en el mercado. Identificar los datos con más probabilidades de ser útiles es una parte muy importante del proceso.
Además, para operar los datos externos, es posible que las empresas necesiten actualizar su entorno de datos actual, un proceso que puede implicar cambios costosos y disruptivos en los sistemas y la infraestructura.
Por último, como cualquier herramienta potente, los datos externos requieren habilidad y experiencia para desplegarse de forma eficaz. Este proceso requiere capacidades analíticas avanzadas, una interpretación precisa de los resultados y una comprensión exhaustiva de las limitaciones de los datos y los algoritmos utilizados, todo lo cual pone de relieve la importancia de formar un equipo científico de datos de alto calibre. Sin embargo, mantener a los equipos de ciencia de datos actualizados sobre las últimas tecnologías, en un campo que cambia rápidamente, es en sí mismo un desafío importante, al igual que retener el talento.
A medida que aumenta la confianza en los datos externos, también aumenta la preocupación por la privacidad, la seguridad y los sesgos de los datos. Los diferentes tipos de datos pueden estar sujetos a diferentes normas y los diferentes estados y países tienen diferentes marcos regulatorios en vigor. Además, algunas empresas confían en el raspado web para obtener gran parte de sus datos, una práctica que puede llevar a una procedencia dudosa de los datos. Por lo tanto, es fundamental certificar que los datos provienen y se utilizan de forma ética y responsable.
Para los inversores en mercados privados que deseen utilizar datos externos, las recompensas pueden ser importantes. Al aprovechar el poder de los datos externos, pueden obtener una ventaja crucial en un mercado cada vez más competitivo, lo que les impulsará el éxito y a las sociedades de su cartera. La era de los datos externos en la inversión en mercados privados acaba de empezar y las oportunidades son enormes.
Fuente: Harvard Business Review, Adam D. Nahari y Dimitris Bertsimas.
Los autores quieren dar las gracias a Gal Koplewitz, Mac Steele, Mfundo Radebe y Obinna Maxwell Igbokwe por sus valiosas contribuciones a este artículo.
AN
Adam D. Nahari is an MIT System Design and Management Fellow. His research lies at the intersection of technology, data science, and investing. Adam is a Partner at Pinegrove Capital Partners.
DB
Dimitris Bertsimas is the Boeing Leaders for Global Operations Professor of Management, a Professor of Operations Research, and the Associate Dean for the Master of Business Analytics at MIT. Previously, he served as Head of Quantitative Investments at RiverSource Investments.
Comments