Negocios, complejidad y ciencia de datos: Parte II
Hoy en nuestra sección de Colaboraciones Especiales, repite como autor invitado a Edgar Antonio Valdés Porras, experto en innovación tecnológica, que nos presenta la segunda parte de su entrega sobre los negocios digitales desde un enfoque de la complejidad económica y su conjunción con la ciencia de datos.
Negocios, complejidad y ciencia de datos: Parte II
La orquestación de negocios, es un modelo que surge de la interacción entre pares mediante la conexión de quienes ofrecen un producto o servicio con los consumidores. Se distingue de los modelos tradicionales porque lo que ofertan estas compañías no es el producto en sí mismo, sino la interacción. Pensemos por ejemplo en negocios como Uber y Airbnb, que no son propietarios de bienes materiales, sino que proveen una plataforma segura donde los usuarios -tanto vendedores como compradores- interactúan entre ellos.
¿Cómo genera un modelo de negocios de orquestación sus primeros mil clientes?
Por supuesto, los ejemplos que hemos mencionado, son empresas transnacionales de gran escala, pero no siempre lo fueron. Este tipo de negocios comienzan llenando el espacio de la oferta en la plataforma para atraer a los primeros usuarios. De aquí en adelante comienza lo interesante, ya que la propuesta de valor de los negocios de orquestación se basa en las interacciones, por lo que se adapta a las necesidades de los clientes.
Los llamados "early adopters" son los más aventureros. Están dispuestos a probar un nuevo servicio y por lo tanto perdonan, digamos, un tiempo de espera mayor por una botella de agua, seguridad y un auto limpio. Incluso recomendarán la plataforma a sus amigos y familiares. Es así como un orquestador obtiene sus primeros 1,000 clientes. De allí en adelante existen varias opciones para crecer.
Una de ellas son las campañas de marketing tradicionales, que sin duda ayudan, pero el negocio más lucrativo está en escuchar a los consumidores y adaptarse.
En el caso de Uber, además de incrementar la plantilla de usuarios, se incrementó la venta con la diversificación de los servicios que ya se ofrecían. Por ejemplo, con viajes compartidos. Además, se captó un nuevo mercado con UberEats, y se logró obtener ventas mayores de los usuarios activos. Incluso con la pandemia generada por la propagación del virus SARS-CoV-2 fue posible evolucionar el modelo de negocio introduciendo los envíos y el supermercado a domicilio dentro de la plataforma.
¿Qué es lo que hace que evolucione un modelo de negocios?
En los negocios de orquestación, el análisis de la enorme cantidad de datos que se generan es crucial para la escalabilidad del modelo. De acuerdo con las teorías económicas (por ejemplo la de Joseph Schumpeter) la innovación es clave para el crecimiento económico. En este sentido, comprender la forma en la que evolucionan los modelos de negocios cobra mayor relevancia.
En la actualidad, el big data proporciona un entorno emergente de innovación, herramientas y métodos que permite la interacción entre empresas y usuarios. Esto tiene el potencial de optimizar el proceso de innovación e incrementar el grado de digitalización del comportamiento de los usuarios, pero no solo eso. El análisis de datos permite a las empresas como Uber y Airbnb construir un entorno de mejora continua, así como orientar y mantener la ecología de la innovación (Garousi & Mäntylä, 2016). De acuerdo con Y. Zhang et al. (2017), el desarrollo y la innovación de productos basados en datos han generado cambios cualitativos en la iteración de los modelos de negocio. La retroalimentación del producto, que solía ser semanal y mensual, ahora se puede hacer mucho más rápido. Esto posibilita una mejor satisfacción de la demanda de los clientes con soluciones innovadoras (H. Zhang et al., 2017).
¿Qué tan rápido puede evolucionar un modelo de negocios basado en big data?
Desde la perspectiva de la adaptabilidad, Ghasemaghaei et al. (2017) señalan que la combinación de big data, investigación y desarrollo de productos (I + D) e innovación a través de minería de datos, permite ajustar la dirección, la estructura, el proceso y la estrategia de un negocio en cualquier momento. Así mismo, con el uso de estrategias de big data, las empresas pueden promover la evolución iterativa del sistema de innovación y mejorar su eficiencia (Yuxi & Mengjie, 2020).
En términos de la innovación de procesos del modelo de negocio empresarial basado en big data, se cree que el big data se ha convertido en una herramienta de producción tan importante como el petróleo. Según las estimaciones, la reasignación de recursos mediante la aplicación de big data tiene el potencial de duplicar la liquidez de un negocio. Ante este panorama, no es de sorprender que los orquestadores se encuentren entre los modelos de negocio más lucrativos hoy en día.
¿Cómo muere un modelo de negocios?
Ya hemos dicho que los negocios de orquestación transforman los datos en una retroalimentación continua que alimenta su adaptabilidad. Así, su evolución no es muy diferente de la que se observa en el mundo orgánico. Los patógenos bacterianos, por ejemplo, aplican estrategias de adaptación innovadoras para evadir y contrarrestar las defensas del huésped. Tal es el caso de la evolución rápida del genoma, que permite a las bacterias alterar rápidamente sus epítopos antigénicos en escalas de tiempo breves para evadir el reconocimiento inmunológico y, por lo tanto, evitar la expulsión del organismo infectado.
Pero, ¿cómo podríamos predecir la manera en la que evoluciona un modelo de negocio? ¿Es posible replicar su crecimiento? Para resolver este problema, podemos pensar en modelos de series de tiempo, adaptabilidad y de redes neuronales. Los métodos de series de tiempo, se utilizan generalmente para modelar predicciones cuando no hay mucha información sobre el proceso de generación de la variable subyacente y cuando otras capacidades no proporcionan una explicación clara sobre la variable estudiada (Z. Zhang & Trafalis, 2013). Además, el pronóstico de los modelos de series de tiempo se utiliza para predecir el futuro en función de observaciones históricas (Makridakis et al., 1998).
Recientemente, se han propuesto modelos basados en las redes neuronales artificiales, como una alternativa al pronóstico de series de tiempo. Los modelos basados en las redes neuronales, pueden ser una herramienta muy útil para el modelado y predicción de series de tiempo, ya que una red neuronal artificial es un aproximador de función universal, el cual es capaz de mapear cualquier función lineal o no lineal (Cybenko, 1989; Funahashi, 1989).
Las redes neuronales son básicamente un método basado en datos con pocas suposiciones prioritarias sobre los modelos subyacentes. En cambio, dejan que los datos hablen por sí mismos y tienen la capacidad de identificar la relación funcional subyacente entre ellos. Además, la red neuronal artificial es capaz de tolerar la presencia de componentes caóticos y, por lo tanto, es mejor que la mayoría de los métodos (Masters, 1995). Esta capacidad es particularmente importante, ya que los orquestadores de negocios obtienen datos de las interacciones sociales, y éstas, al igual que muchas series de tiempo, poseen componentes caóticos significativos.
Conclusión: la evolución adaptativa de los físico a lo social
El estudio matemático de los modelos de negocios, especialmente de los orquestadores, nos puede llevar a conocer la respuesta a preguntas que hoy nos siguen siendo ajenas. ¿Cómo muere un modelo de negocios?, ¿Existe una escala en la cual sea imposible mantener la escala del modelo?, ¿Por qué son tan difícilmente reproducibles?
Sin duda, veremos avances al respecto en los próximos años.
Referencias
- Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems, 2(4), 303–314. https://doi.org/10.1007/bf02551274
- Funahashi, K. I. (1989). On the approximate realization of continuous mappings by neural networks. Neural Networks, 2(3), 183–192. https://doi.org/10.1016/0893-6080(89)90003-8
- Garousi, V., & Mäntylä, M. V. (2016). When and what to automate in software testing? A multi-vocal literature review. Information and Software Technology, 76, 92–117. https://doi.org/10.1016/j.infsof.2016.04.015
- Ghasemaghaei, M., Hassanein, K., & Turel, O. (2017). Increasing firm agility through the use of data analytics: The role of fit. Decision Support Systems, 101, 95–105. https://doi.org/10.1016/j.dss.2017.06.004
- Makridakis, S. G., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting. Wiley.
- Masters, T. (1995). Advanced Algorithms for Neural Networks. Wiley.
- Yuxi, Z., & Mengjie, S. (2020). Research on Data-Driven Business Model Innovation. Proceedings of the 2020 5th International Conference on Modern Management and Education Technology (MMET 2020). Published. https://doi.org/10.2991/assehr.k.201023.043
- Zhang, H., Ou, A. Y., Tsui, A. S., & Wang, H. (2017). CEO humility, narcissism and firm innovation: A paradox perspective on CEO traits. The Leadership Quarterly, 28(5), 585–604. https://doi.org/10.1016/j.leaqua.2017.01.003
- Zhang, Y., Moe, W. W., & Schweidel, D. A. (2017). Modeling the role of message content and influencers in social media rebroadcasting. International Journal of Research in Marketing, 34(1), 100–119. https://doi.org/10.1016/j.ijresmar.2016.07.003
- Zhang, Z., & Trafalis, T. B. (2013). Time-series Analysis for Detecting Structure Changes and Suspicious Accounting Activities in Public Software Companies. Procedia Computer Science, 20, 466–471. https://doi.org/10.1016/j.procs.2013.09.304
Como citar este artículo:
Valdés-Porras, E. A. (2021). Negocios, complejidad y ciencia de datos: Parte II. En El Analista Económico-Financiero, 26/08/2021. Recuperado de [link post]
Fis. MSc Dr. Sost. Doctorante Sist. Comp. Edgar Antonio Valdés Porras
Chief Research Officer en Hadox Human Networks
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).
Comentarios