Negocios, complejidad y ciencia de datos: Parte I

Hoy en nuestra sección de Colaboraciones Especiales, tenemos como autor invitado a Edgar Antonio Valdés Porras, experto en innovación tecnológica, que en una serie de entregas nos hablará sobre los negocios digitales desde un enfoque de la complejidad económica y su conjunción con la ciencia de datos.

Los modelos de negocio de orquestación de redes (NOBMs, por sus siglas en inglés), como Uber, Alibaba, y Airbnb, crean valor de la interacción entre las personas. Cada viaje, cada compra, cada estancia genera datos sobre los comportamientos de clientes y proveedores. Las diferencias entre estos y la variedad de acciones que llevan a cabo hacen que los datos generados por la red sean de largo alcance. Como en la evolución biológica, donde pequeñas variaciones acumuladas a la largo del tiempo llevan a la separación entre una especie y otra, los negocios adaptan su propuesta para satisfacer las demandas de clientes y usuarios. Ello conduce hacia una bella complejidad continua entre datos y economía.

El alcance de las propuestas de valor generados por datos hace que los NOBMs sea de largo alcance y de mejora continua (Libert et al., 2014). La digitalización de un NOBM entra cuando los datos y sus interacciones son utilizados para amplificar, regular o crear información. En otras palabras, los datos crean otros datos. Cuando los NOBMs alcanzan grandes escalas, se deben tomar las restricciones que surgen de las tendencias globales y tecnológicas. Las dos más grandes transformaciones digitales, la Industria 4.0 y la tecnología financiera (Fintech), tienen como objetivo introducir la empresa digital, donde la capacidad de respuesta de la información al mundo físico y la inclusión de servicios financieros digitales se integra en las organizaciones, las personas y los activos. Las tecnologías se convierten entonces en facilitadores o disruptores (Briggs et al., 2020), creando mecanismos de adaptabilidad. ¿Existe alguna forma de regularlos? ¿Cuál es el tamaño o dimensión máxima que puede lograr una red de negocios?

Las tecnologías disruptivas como Blockchain han participado en la rápida evolución de varias grandes marcas. El papel que han desempeñado es el de habilitadores y deshabilitadores de la interacción digital (Swan, 2015).  Blockchain permite la criptografía encadenada de datos y su relacionamiento histórico. Sus principales capacidades son la de ser un libro de contabilidad digital descentralizado y distribuido que interactúa con muchos actores. El principal fenómeno complejo asociado al Blockchain es el auto ordenamiento de los silos de conocimiento e información.

Las técnicas de aprendizaje automático (Machine Learning) son excelentes catalizadores (Hinton, 1992). El aprendizaje automático permite que la recopilación y transmisión de información sea más accesible, barata y rápida. Además, la interpretación de datos y la precisión se pueden aumentar, por lo que es posible interconectar nuevas industrias. En pocas palabras, el "Machine Learning" lleva a los NOBMs basados en big data a una escala global que influye directamente en la estructura social. ¿Qué tan rápido puede evolucionar un negocio basado en big data? ¿Existe una escala en la cual sea imposible mantener la sostenibilidad del modelo?

Vamos a argumentar y contestar a las preguntas anteriores. Primero tenemos que hacer una aseveración: las interacciones, en conjunto con la evolución continua de la propuesta de valor en un NOMB, permiten la rápida creación y el deterioro de tecnologías disruptivas; mientras que los habilitadores responden como catalizadores para el desempeño de las operaciones comerciales.  Este vaivén entre habilitación y disrupción es lo que genera un modelo adaptativo complejo. Expliquemos un poco más sobre la importancia de dicho comportamiento.

Primero, es ampliamente reconocido que la capacidad de los fenómenos macroeconómicos cambia el entorno en el que se toman las decisiones microeconómicas (Fanelli et al., 1995). La estabilización de cualquier variable macroeconómica de fluctuación canónica (como el PIB, el ingreso nacional o los índices de precios) es una de las búsquedas importantes para definir estrategias a nivel nacional de cualquier país (Gillis et al., 1992). Desde el punto de vista de la teoría de la agencia (Braun y Guston, 2003), la agregación a nivel micro puede crear patrones comerciales (Page, 2008). Esos patrones transportados a la macroescala inducen un nuevo comportamiento de la sociedad que, a su vez, es retroalimentada con tecnologías disruptivas.

Pero entonces, si el fenómeno de retroalimentación económica es el padre o la madre de los modelos tan exitosos como Uber, Airbnb o Visa, ¿cuál es la razón por la cual estos son tan difícilmente reproducibles? ¿Existe una relación entre tamaño, información y sostenibilidad? En la siguiente parte discutiremos más sobre este asunto, desde una perspectiva social y tecnológica.

Bibliografía

• Braun, D., y Guston, D. H. (2003). Principal-agent theory and research policy: An introduction. Science and Public Policy, 30(5), 302–308. https://doi.org/10.3152/147154303781780290
• Briggs, B., Buchholz, S., y Sharma, S. (2020). Tech Trends 2020. Deloitte Insights, 1-130. https://www2.deloitte.com/us/en/insights/focus/tech-trends.html
• Fanelli, J. M., Frenkel, R., Taylor, L., y Frenkel, R. (1995). Micro-macro interaction in economic development. Unctad Review, 1, 129–154.
• Gillis, M., Perkins, D. H., Roemer, M., y Snodgrass, D. R. (1992). Economics of development.
• Hinton, G. E. (1992). How Neural Networks Learn from Experience. Scientific American, 267(3), 144–151. doi:10.1038/scientificamerican0992-144
• Libert, B., Wind, Y. J., y Fenley, M. B. (2014). What Airbnb, Uber, and Alibaba Have in Common. Harvard Business Review, 1–5. https://hbr.org/2014/11/what-airbnb-uber-and-alibaba-have-in-common 
• Page, S. E. (2008). Agent-based models. In The New Palgrave Dictionary of Economics: (pp. 47–52).
• Swan, M. (2015). Blockchain: Blueprint for a new economy. Climate Change 2013 - The Physical Science Basis, 1–30. https://doi.org/10.1017/CBO9781107415324.004

Como citar este artículo:

Valdés-Porras, E. A. (2021). Negocios, complejidad y ciencia de datos: Parte I. En El Analista Económico-Financiero, 16/02/2021. Recuperado de [link post]

Fis. MSc Dr. Sost. Doctorante Sist. Comp.  Edgar Antonio Valdés Porras 

Chief Research Officer en Hadox Human Networks

LinkedIn | Twitter | email | Otros artículos de Hadox en Medium

Es físico y consultor en innovación tecnológica. Se desempeña como consultor de tecnologías SAP, Amazon, Microsoft  y Google en los temas de internet de las cosas, big data, inteligencia artificial, tecnología cloud y cómputo cuántico. Durante sus más de 20 años de experiencia ha desarrollado soluciones industriales y modelos de negocios.

 

En lo académico, participa en seminarios de geometrotermodinámica y cuantización topológica en el Instituto de Ciencias Nucleares de UNAM. Es ponente en seminarios virtuales en los temas de ciudades inteligentes e incorporación de tecnologías de punta hacia México y miembro del Global Sustainability Summer School en el Instituto Santa Fé. 

Actualmente desarrolla un proyecto de investigación en modelado de redes complejas complejas con aplicación tecnológica e industrial al tiempo que impulsa y coordina redes como  miembro de la Red Global de Mexicanos en el extranjero en trabajo conjunto con la Secretaría de Relaciones Exteriores. Es un experto y mentor activo en la creación de empresas y startups exponenciales de base científica y tecnológica. Participa como mentor activamente en hackathones internacionales con el MIT (USA), HighTech XL (NL) y Mass Challenge (MX).