Hablemos de economía digital y ciencia de datos
La entrada del día de hoy se divide en 4 secciones. La primera, contiene una lectura recomendada sobre el Metaverso de Facebook como modelo de negocio. La segunda sección está dedicada la economía gig desde la perspectiva de las recomendaciones de políticas. En nuestro tercer apartado, encontrarán tres resúmenes y su correspondiente paper sobre FinTech. Por último, les comparto una serie de recursos para los interesados en aprender ciencia de datos y que van desde lo más básico hasta cuestiones de programación, modelización y metodologías. Espero que los disfruten.
1. Metaverso
Desde que Mark Zuckerberg anunció el lanzamiento de Meta, una nueva compañía que reunirá en una Metaverso sus actuales productos Facebook, Instagram, WhatsApp y Oculus. La noticia ha causado, por una parte, revuelo entre los entusiastas tecnológicos, y por la otra, despertado el escepticismo entre los expertos. Mi primera lectura recomendada para iniciar la semana, es justamente un artículo objetivo acerca de las primeras impresiones del modelo de negocio del Metaverso, véase: ¿Vender en el Metaverso? Primeras impresiones (Sintetia). Aquí la segunda parte del artículo: ¿Vender en el Metaverso? Expectativas versus realidad (Sintetia).
2. Economía Gig
Ahora hablemos sobre la economía "gig" consiste en compromisos a corto plazo, contratos temporales y la contratación independiente de trabajadores a través de plataformas on-line. Algunos ejemplos de empresas que operan bajo este modelo de negocio son Airbnb, PedidosYa, Rappi y Uber, por mencionar algunos. El siguiente artículo estudia los efectos de las políticas contrafactuales sobre el excedente de los trabajadores y los empleadores. Los autores aportan recomendaciones de políticas y para la regulación de este modelo de negocio: The value of online gig economy platforms (VoxEU).
3. FinTech
3.1. Video might kill the radio star: Digitalisation and the future of banking. Las nuevas tecnologías están cambiando la forma en que los bancos producen y prestan servicios financieros. Estos cambios tienen implicaciones para los bancos tradicionales, ya que crean nuevas fuentes de riesgo sistémico que, a su vez, podrían plantear retos normativos y políticos. Esta columna presenta un nuevo informe del Comité Científico Asesor de la Junta Europea de Riesgo Sistémico que analiza el impacto que la digitalización puede tener en la estructura del sistema bancario europeo. Sobre la base de tres escenarios para el desarrollo futuro de la banca europea, los autores derivan una serie de recomendaciones de política macroprudencial (VoxEU).
3.2. Platform-based business models and financial inclusion. Hay tres tipos de plataformas digitales que se están expandiendo en los servicios financieros: (i) las nuevas empresas de tecnología financiera; (ii) las grandes empresas tecnológicas; y (iii) cada vez más, las instituciones financieras tradicionales con modelos de negocio basados en plataformas. Estas plataformas pueden reducir drásticamente los costes y, por tanto, favorecer la inclusión financiera, pero estas mismas características pueden dar lugar a monopolios y oligopolios digitales. Las plataformas digitales operan en mercados multilaterales y se basan fundamentalmente en los grandes datos. Esto da lugar a efectos de red específicos, rendimientos de escala y alcance, y compensaciones políticas. Para aprovechar los beneficios de las plataformas y mitigar los riesgos, los responsables políticos pueden (i) aplicar las regulaciones financieras, antimonopolio y de privacidad existentes, (ii) adaptar las antiguas y adoptar nuevas regulaciones, combinando un enfoque basado en la actividad y la entidad, y/o (iii) proporcionar nuevas infraestructuras públicas. Estas últimas incluyen la identidad digital, los sistemas de pago rápido al por menor y las monedas digitales de los bancos centrales (CBDC). Estas infraestructuras públicas, así como las normas de competencia ex ante y la portabilidad de datos, son especialmente prometedoras. Sin embargo, para alcanzar sus objetivos políticos, los bancos centrales y los reguladores financieros deben coordinarse con las autoridades de competencia y protección de datos (BIS).
3.3. Gatekeeping the gatekeepers: when big techs and fintechs own banks – benefits, risks and policy options. Este documento evalúa las ventajas de ampliar la licencia bancaria a las empresas tecnológicas y explora su panorama normativo en siete jurisdicciones. Para determinar sus características de riesgo, clasificamos el universo de empresas tecnológicas que prestan servicios financieros en tres grupos: fintechs independientes, fintechs grandes y diversificadas y big techs. Las grandes empresas tecnológicas y las grandes empresas tecnológicas diversificadas son las que plantean más problemas de supervisión, y las primeras requieren medidas prudenciales más estrictas que las segundas. Para mitigar sus riesgos percibidos, las autoridades imponen varios requisitos cuantitativos y cualitativos durante la autorización, pero la supervisión y el cumplimiento pueden plantear retos formidables. En este contexto, esbozamos una serie de opciones políticas que se ajustan al perfil de riesgo de las empresas tecnológicas que solicitan una licencia bancaria, para ayudar a respaldar la función de control de las autoridades prudenciales (BIS).
4. Ciencia de Datos
4.1. Has escuchado sobre el data science, pero no te queda claro que es, aquí un resumen sobre la historia del término, su desarrollo y la evolución de la profesión: A Very Short History Of Data Science (Forbes).
4.2. El siguiente artículo presenta un resumen de cómo la OCDE utiliza Power BI para analizar y visualizar el seguimiento del dinamismo empresarial durante la pandemia de COVID-19 entre países: Tracking business dynamism during the COVID-19 pandemic: New cross-country evidence and visualisation tool (VoxEU).
4.3. Para aquellos que se encuentran aprendiendo a practicar con Python, aquí un tutorial para realizar el análisis exploratorio y visual de los datos: Exploratory Data Analysis with Advanced Visualizations in Python’s Matplotlib and Seaborn Library (Regenerative).
4.4. Para los más avanzados y que modelan con datos, aquí les comparto un artículo con algunos consejos para incorporar la modelización de la resistencia al cambio climático: How to increase grid resilience through targeted investments (McKinsey).
4.5. Finalmente, para nuestros practicantes una revisión de la literatura de la metodología de Diferencia en Diferencia muy útil para evaluar el impacto: A new synthesis and key lessons from the recent difference-in-differences literature (Development Impact).
Bueno, hasta aquí el post de hoy y recuerda que puedes seguirme en Twitter y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas o también puedes usar Feedly para guardar y organizar tus lecturas favoritas de Internet.
Comentarios
Interesante contenido.