Los Drones Comerciales están Revolucionando las Operaciones Comerciales

by Francesco Castellano - Finance Expert @ Toptal (translated by Yesica Danderfer)

Los drones tienen una mala reputación. La mayoría de las personas los asocian con aviones militares caros o pequeños juguetes de consumo. Sin embargo, datos recientes muestran que el futuro de los drones en realidad se verá influenciado por aplicaciones comerciales prácticas. El uso de drones en las operaciones comerciales se ha ampliado en diferentes industrias en los últimos años debido a su capacidad de impulsar la eficiencia y el análisis de datos. Los capitalistas de riesgo han invertido un total de 1.5 billones desde 2012 en emprendimientos comerciales de drones que están dando forma a la industria.

En este artículo, definiré los drones y su mercado direccionable y resaltaré cómo se pueden aprovechar sus capacidades en las operaciones comerciales. También incluiré las tendencias de inversión y explicaré su atractivo para los inversionistas. Concluiré con mis predicciones para el futuro de la industria. En general, proporcionaré no solo análisis de terceros sino también mi visión personal después de conocer la industria en el curso del desarrollo de una compañía de drones, (Archon).

¿Qué es un Dron?

En pocas palabras, un dron es un avión sin un piloto humano a bordo, ganando su nombre alternativo como vehículos aéreos no tripulados (UAV). Los drones son robots, típicamente, controlados remotamente por un piloto, aunque los drones totalmente autónomos se encuentran en las últimas etapas de desarrollo. Los Drones fueron originalmente creados como alternativas más seguras y baratas a los aviones militares tripulados. Hoy en día todavía se usan con fines militares, pero ahora también son juguetes de consumo y proveedores de eficiencia operativa comercial.

Los drones pueden variar en forma y tamaño, pero los elementos centrales principales (batería, microcontrolador, motor, sensores) son esencialmente los mismos. Como los drones son hechos con partes de teléfonos inteligentes, las inversiones durante los últimos 10 años en estas partes han reducido los precios de los drones, lo que aumenta el acceso a los consumidores y las empresas.

Los drones se pueden ver como teléfonos inteligentes con la capacidad de volar o moverse. A diferencia de la mayoría de los desarrollos fintech como los grandes datos y la innovación de pago, los drones son valiosos por su combinación de hardware móvil y conectividad a Internet. Los drones son sensores distribuidos que hacen que el internet sea más inteligente. Pueden servir como una plataforma en la que se pueden construir diferentes aplicaciones, software y modelos comerciales. De hecho, ha surgido todo desde drone software de mapeo al software de planificación de vuelo, seguro de drones, y mercados para que las personas encuentren pilotos de drones.

Tamaño del Mercado de Drones

El mercado de drones crecerá constantemente en los sectores de consumo, comercial y militar. En un informe de 2016, Goldman Sachs estimó que las tecnologías de drones alcanzarán un tamaño de mercado total de 100 billones entre 2016 y 2020. Aunque el 70% de esta cifra estaría vinculada a actividades militares, el negocio comercial representa la oportunidad de crecimiento más rápida, proyectada en 13 billones entre 2016 y 2020.

El Mercado Comercial—No Consumidor o Militar—Impulsará la Industria hacia Adelante

En muchas actividades comerciales, los drones pueden sustituir los métodos tradicionales de operación. Este desarrollo viene después de la Administración Federal de Aviación entregó permisos para uso comercial de drones, no aficionado. Con menos operación humana y sin infraestructura de seguridad, los drones pueden reducir el tiempo y los costos. También pueden mejorar los análisis de datos que permiten a las empresas comprender y predecir mejor el rendimiento operativo. En algunas industrias, los drones incluso habilitarán nuevos modelos de negocios y oportunidades.
PWC estima que las aplicaciones comerciales tienen un mercado total direccionable de 127 billones de dólares a nivel mundial. Se espera que los drones se conviertan en parte de las operaciones diarias en industrias tan variadas como seguros, agricultura y periodismo. La Empresa consultora BCG estima que la flota de drones industriales en Europa y Estados Unidos será de 50 billones para el año 2050 y más de 1 millón de unidades, con la mayor parte del valor vinculado a los servicios de drones y la recopilación de datos.



De acuerdo con estudios de mercado de Gartner, el tamaño del mercado para drones comerciales en 2016 fue de 2.8 billones con sólo 110,000 millones de unidades vendidas. En 2017, se estima que las ventas de drones comerciales crecerán alrededor del 60% y llegarán a 170,000. Mientras que los drones personales dominan las ventas de unidades en 94% del mercado, solo comprenden el 40% del reparto de ingresos del mercado. Los drones comerciales solo representan el 6% del mercado pero se proyecta que sus etiquetas de precio de alrededor de 100,000 dólares representen el 60% de los ingresos de la industria.



Según PWC, la industria más prometedora parece ser la infraestructura, con un valor potencial mundial de 45 billones de dólares, seguido de la agricultura y el transporte.

El Hardware de los Drones será Mercantilizado; El Valor Derivará de los Servicios

Dado que el hardware de drones se ha vuelto más asequible para producir y comprar, la fabricación y el hardware en sí no impulsarán el crecimiento de la industria en el futuro. En cambio, los servicios que operan y administran drones para compañías generarán la mayor parte del valor. Las empresas de usuarios finales entregarán servicios que operan drones, administrarán datos de drones y administrarán el mantenimiento a terceros. Por ejemplo, las empresas de telecomunicaciones pueden terminar vendiendo servicios de comunicaciones de datos de drones para guiar a estos y transmitir los datos que recopilan. De hecho, los servicios de valor agregado representarán 23 millones de dólares del mercado total de 50 millones de dólares.

Casos de Uso Comercial para Drones

Los drones se pueden utilizar en una amplia gama de aplicaciones pero algunos de los más valiosos se detallan a continuación.

Mapeo 3D

Los drones pueden ejecutar mapas 3D, topografía de lugares y tomar fotos para crear mapas. Los drones ofrecen vistas a “vista de pájaro” que trazan las áreas de manera más eficiente de lo que un agrimensor podría hacerlo a pie.

Con esta capacidad, los drones ya están dando forma a las operaciones de las compañías de construcción, agrícolas y mineras. En la agricultura, los agricultores pueden obtener una idea más clara de cómo se ven los cultivos, lo que puede ayudarlos a tomar decisiones basadas en datos para aumentar el rendimiento. Los drones pueden alimentar datos en el tractor de un agricultor, identificar más fácilmente qué áreas de maíz requieren más nitrógeno y permitir que el agricultor actúe rápidamente sobre el problema. Según Forrest Meyen, director de operaciones de startup Raptor Maps, “Los agricultores no son lo que ven como el tipo tradicional en el campo con una horquilla y una pala … son gerentes comerciales de operaciones complejas. Todo lo que hacen tiene que aumentar su retorno de la inversión”.

No es difícil imaginar el valor que los drones también ofrecen para la construcción y minería, donde los drones pueden generar mapas de contorno precisos, monitorear el cambio a lo largo del tiempo y compartir información a través de la nube. La recopilación de datos es más precisa, ocurre en una fracción del tiempo normal y el presupuesto y genera un nivel de análisis sin precedentes.

Entrega

La entrega en rango por drones puede servir para propósitos médicos en áreas del mundo difíciles de alcanzar. Zipline, una nueva empresa de Silicon Valley, entrega suministros de sangre y vacunas a los países africanos que carecen de infraestructura. En estas áreas, volar es más eficiente que conducir y puede ser un sustituto eficaz de soluciones más costosas como helicópteros.

Los drones también se consideran el futuro de la entrega de última milla para bienes de consumo, ya que reduciría el costo por entrega y el tiempo de entrega. De acuerdo con un informe de McKinsey, un ahorro del 40% en los costos de envío podría traducirse en un aumento del 15-20% en el margen de beneficio y una disminución del precio resultante del 15-20%. Dado que es probable que los salarios sigan aumentando, la entrega autónoma será cada vez más ventajosa, especialmente en las naciones desarrolladas.

Amazon Prime Air: Patentes de Drones Imaginativas

El gigante del comercio electrónico Amazon hace tiempo que publica sus grandes planes de entrega en 30 minutos utilizando drones para la entrega bajo un proyecto llamado Amazon Prime Air. Los drones autónomos de Amazon, guiados por GPS, pueden volar a alturas de hasta 400 pies y llevar paquetes de hasta 5 libras a velocidades de hasta 50 MPH.

En junio de 2017, Amazon presentó una patente para un depósito parecido a una colmena que se usa para enviar drones. Esta patente retrata un centro de cumplimiento de niveles múltiples que acomoda tanto drones de entrega entrantes como salientes. La instalación tiene múltiples niveles, con múltiples ubicaciones de aterrizaje y despegue.

Fuente: Amazon

Eso no es todo. Las otras patentes de drones y logística de Amazon han sido materia de imaginación: almacenes de dornes en el aire a 45,000 pies, almacenes de drones submarinos, y estaciones de recarga de drones unido a postes de teléfono, edificios y farolas. Aunque la adquisición de Amazon de Whole Foods es probablemente su movimiento de mayor perfil para la expansión de la huella de distribución, muchas patentes de logística de Amazon demuestran el énfasis de la compañía en el cumplimiento y la entrega.Sin embargo, las predicciones de Gartner sobre la entrega de drones son pesimistas, estimando que la entrega comprenderá solo 1% de todas las operaciones comerciales para 2020.

Inspecciones

Los drones son particularmente valiosos para inspeccionar áreas difíciles de alcanzar a ciertas altitudes o en entornos contaminados. Por ejemplo, el uso de drones ya está revolucionando la inspección de las torres de telecomunicaciones, donde un dron puede implementar actividades de monitoreo a una fracción de los costos y tiempos tradicionales.

Los drones también se pueden utilizar para un análisis aéreo de edificios y otra infraestructura como tuberías, [paneles solares]](http://www.uasvision.com/2016/09/15/drones-cut-cost-of-thermographic-pv-panel-inspections/), redes eléctricas y plataformas fuera de la costa marina. Los drones pueden emplear cámaras termográficas para identificar “hotspots” en paneles solares: puntos en los que la energía no se transmite correctamente. Esto puede aumentar la productividad de la planta, al identificar rápidamente áreas potencialmente dañadas.

Los drones también han demostrado ser útiles para las compañías de seguros después de eventos como desastres naturales, convirtiéndose en seguro para las aseguradoras al proporcionar un método preciso y eficiente para determinar la causa, obligación, la responsabilidad y el daño total.

Transmisión de Data

Los Drones pueden amplificar las señales de red de internet y acceder a lugares remotos como desiertos o áreas dispersas de África o Asia. Una red totalmente inalámbrica en el cielo sería menos costosa, menos perjudicial y tomaría menos tiempo al construirla que la infraestructura terrestre.

Google adquirió Titan Aerospace, una nueva empresa que hace drones a gran altitud y ha estado probando drones de banda ancha con energía solar para apoyar la implementación de Project Loon, que tiene como objetivo proporcionar Internet para todos los ciudadanos del mundo.

Fuente: Google

La transmisión de datos utilizando drones también se puede utilizar durante eventos a gran escala como partidos deportivos o conciertos cuando la cobertura es inadecuada para todos en un estadio.

Además, los drones pueden utilizar señales de radio para recopilar mediciones de actividades específicas (Ej., Consumo de gas) cuando de otro modo no es posible conectar contadores inteligentes a Internet.

Colección de Videos

Con la recolección de videos, los drones se pueden usar para seguridad y para patrullar áreas remotas.

Con los drones es más fácil reaccionar más rápidamente en una situación crítica y eliminar el riesgo de exposición humana en situaciones peligrosas. Por otro lado, los drones también se utilizan a menudo en la producción cinematográfica gracias a su capacidad para producir vistas aéreas de alta calidad a un costo menor que los helicópteros.

Tendencias de Inversión

Las Inversiones se Concentran en China, Israel y Estados Unidos, Y Cada País Tiene un Segmento de Mercado Diferente

La mayoría de las inversiones y nuevas empresas bien financiadas se concentran en China, Israel, y Estados Unidos. Sin embargo, cada país tiene un enfoque diferente dentro del mercado: por una parte, China ha dominado el mercado de consumo y las soluciones de hardware con Dajiang Innovations (DJI), lo cual representaron el 36% de ventas de drones de América del Norte el año pasado. Por otro lado, las empresas de Estados Unidos están centradas en desarrollar soluciones de hardware comerciales específicas o software de extremo a extremo para aplicaciones comerciales, e Israel ha estado a la vanguardia del desarrollo de la aplicación militar. Las empresas de drones israelíes también están liderando el camino para soluciones autónomas para las empresas con Airobotics con sede en Tel Aviv.

Hasta la fecha, la carrera por el desarrollo de soluciones comerciales avanzadas ha sido liderada por empresas y empresas nuevas estadounidenses impulsadas por el mercado local maduro y la demanda de soluciones analíticas para empresas. Dicho esto, espero que las empresas chinas adquieran una posición más fuerte en el mercado comercial, aprovechando sus competencias en fabricación, soluciones de hardware y el desarrollo de su mercado interno. De hecho, el DJI gigante de China comenzó a producir drones comerciales y el desarrollo de aplicaciones de software hace un año.

Las Inversiones Siguen Siendo Altas: IA, Costos de Producción Decrecientes y Oportunidades Comerciales

Las inversiones en el espacio totalizaron cerca de 1,5 billones de dólares desde 2012. Los principales impulsores de estas inversiones incluyen la disminución de los precios de los componentes del dron (por ejemplo, sensores, baterías), el enorme potencial del mercado comercial y los avances tecnológicos en inteligencia artificial (IA) y análisis.
Por estas razones, las inversiones en drones han crecido constantemente. Hasta junio de 2017, hemos visto 52 acuerdos por valor de 216 millones de dólares, superando el total anual de 2014 en 11 negocios y 52 millones de dólares. A la tasa de ejecución actual, se prevé que las ofertas alcanzarán un nuevo récord de 122, con un valor de 506 millones de dólares en fondos.

En su Mayoría, Inversiones Iniciales y Pocas Salidas

Es importante tener en cuenta que las inversiones en drones suelen sesgarse temprano; las inversiones en semillas y series A representan el 62% de las inversiones de 2017, aunque bajó de un máximo del 73% en 2014. Esto indica que las diferentes áreas de la industria de drones todavía están en desarrollo y producirán impacto en los próximos 5 a 10 años.



Algunas de las áreas que atraen la mayoría de las inversiones incluyen soluciones autónomas, así como inteligencia empresarial o software de análisis.
En 2017, las principales ofertas hasta la fecha incluyen:

• 53 millones de dólares de la serie D para Robótica 3D, que se promociona a sí mismo como “la plataforma completa de drones comerciales”
  
• 34 millones de dólares de la serie B para Swift Navigation, que está impulsando el futuro de los vehículos autónomos.
  
• 32 millones de dólares de la serie C para Airobotics, una nueva empresa que construye drones autónomos para el sector empresarial.
  
• 29 millones de dólares de la serie B para Echodyne, una compañía que desarrolla una plataforma de visión de radar.
  
  

Como industria relativamente joven, la mayoría de las inversiones todavía tienen que producir las salidas esperadas o OPV. Desde 2012, ha habido 34 salidas y OPV, y se esperan muchas más en los próximos cinco a diez años.

Las Inversiones son Impulsadas por Smart VC (Software de Imagen) y las Principales Empresas Corporativas

 

Fondos de Capital de Riesgo

En 2017, los capitalistas de riesgo ya han apostado más de 200 millones de dólares en el fenómeno global de los drones. Uno de los inversionistas más activos de VC es Lux Capital, que ha cubierto una variedad de nuevas empresas desde la navegación con drones hasta las carreras de drones y la automatización de drones y ve la industria de los drones como una de las más lucrativas. Andreessen Horowitz también ha sido un VC activo en el espacio, invirtiendo en áreas que van desde la entrega de largo alcance hasta la automatización o defensa de drones. De acuerdo con el socio Chris Dixon, “Hay decenas de millones de trabajos peligrosos que implican escalar edificios, torres y otras estructuras que se pueden realizar de forma mucho más segura y efectiva utilizando drones. “Desde 2012, VC de “dinero inteligente” han participado en aproximadamente 46 ofertas, contabilizando 681 millones de dólares en fondos de capital revelados. Algunos de estos VC incluyen Felicis Ventures, NEA, Social Capital, Accel, First Round y Bessemer Venture Partners.

Empresas Corporativas

En el lado corporativo, los brazos de empresa de muchas compañías han realizado importantes inversiones. Está claro que estas empresas han priorizado la robótica como parte de su estrategia a largo plazo y están interesadas en una multitud de capacidades de drones. Los financiamientos también han sesgado hacia las empresas en etapa inicial, con más de dos tercios de los acuerdos corporativos en los últimos cinco trimestres en las etapas de semilla o serie A. Las empresas corporativas buscan ingresar a segmentos específicos o adquirir conocimientos específicos, como capacidades de “detectar y evitar”, que equiparía a los drones con el “sentido” para pensar y evitar colisiones y para lograr sus propósitos de manera segura.

Entre los inversionistas corporativos más activos están:

• Qualcomm Ventures, el inversor de riesgo más activo, haciendo seis inversiones hasta la fecha en compañías enfocadas en mapeo, inspección de tuberías, entrega, mapeo 3D, soluciones autónomas y soluciones comerciales. Qualcomm también adquirió Kmel Robotics para expandir sus tecnologías celulares dentro de las operaciones de drones, lanzando sus propias soluciones comerciales de robótica.
  
• Google Ventures, que también ha estado invirtiendo activamente en la entrega a gran distancia, soluciones comerciales de extremo a extremo y mapeo en 3D. Google Ventures ha desarrollado 63 patentes relacionadas con drones a través de diversas capacidades de drones.
  
• Intel Capital, que ha invertido en una solución comercial integral completa, una solución de análisis y una empresa de hardware. También han adquirido dos compañías, incluida Ascending Technologies, que se está desarrollando algoritmos de “sentido y evitar”, y MaVinci, que está desarrollando un software de planificación de vuelo. Estas adquisiciones e inversiones han ayudado a Intel a desarrollar sus propias soluciones para aplicaciones de drones comerciales.
  
  

Predicciones para Tendencias Futuras

Creo que los siguientes desarrollos serán significativos para el futuro de los drones:

Mayor Fusiones y Adquisiciones y Consolidación

Con el negocio del consumidor ya dominado por unos pocos jugadores importantes, espero una mayor consolidación en el espacio comercial mediante fusiones y adquisiciones importantes. Según Chris Korody, Director en DroneBusiness.center, un escenario probable es que una empresa para la que los drones son un complemento, en lugar de un negocio principal “comprará una tecnología particular [dron] y el equipo detrás de ella para completar una oferta o reducir el tiempo de comercialización”. Esto podría generar el desarrollo de una solución de drones más completa donde los resultados son simples y ofrecen información procesable en lugar de datos brutos. La consolidación también dará lugar a que algunas empresas se vean exprimidas: unas pocas compañías que luchan por la participación en el mercado se convertirán en estándares de facto mientras que el resto caerá en el olvido.

El Seguro se Elevará a la Vanguardia para los Operadores Comerciales

Hasta la fecha, las necesidades y requisitos relacionados con el seguro no han sido una prioridad. Según Chris Proudlove, Vicepresidente sénior de Global Aerospace, “El crecimiento y alcance de los casos de uso comercial ha llevado a una mayor conciencia sobre los factores de riesgo y esto, junto con los procedimientos generales de gestión de riesgos de las empresas, significa que cualquier operador comercial que quiera ser capaz de cumplir una variedad de los contratos comerciales necesita un seguro adecuado”. Tener límites significativos de seguro para cumplir con los contratos, se convertirá en una práctica estándar para los operadores comerciales de alta gama.

Los Drones Autónomos Controlados por Algoritmos Serán de Gran Influencia

Hoy, los drones son controlados por operadores humanos. Sin embargo, el vuelo autónomo a través de análisis predictivos o prescriptivos haría innecesarios a los pilotos de drones, haciendo que los drones sean aún más económicos en las operaciones comerciales. Hasta la fecha, solo Airobotics con sede en Tel Aviv ha recibido permiso de volar drones verdaderamente autónomos en Israel. De acuerdo con un informe de análisis de Interact, aunque hoy inexistente, se enviarán más de 12,000 drones totalmente autónomos para el 2022.

Las capacidades de drones “autónomos” se extenderán más allá de un vuelo autónomo—también abarcará la operación autónoma en curso, que resolverá la cuestión actual de la duración limitada de la batería de los drones y anulará la necesidad de que operadores capacitados intercambien baterías o recarguen los drones. Las baterías de drones normalmente limitan su vuelo a, alrededor de, 15-30 minutos en el aire, pero eventualmente podría ofrecer 24/7, operaciones continuas para inspección, vigilancia y entrega. En un nivel aún más sofisticado, los drones desarrollarán un rendimiento de tarea autónomo. Con esto, los drones crearán percepciones basadas en datos recolectados y los traducirán automáticamente en decisiones y acciones. Imagínate un dron monitoreando continuamente los volúmenes de materiales de construcción y ordenando suministros en tiempo real según sea necesario. “La próxima generación de drones no necesitará pilotos en absoluto, solo pedidos.”

La Inteligencia de Enjambre Permitirá que Varios Drones Colaboren

Imitar la forma en que ciertos grupos de animales trabajan en conjunto; la inteligencia de enjambre aprovecha la inteligencia artificial para planear las actividades de cientos, si no miles, de robots, lo que permite a los drones lograr colectivamente tareas más grandes y complejas. Actualmente, los robots colaborativos son entrenados por humanos; sin embargo, nos estamos acercando a un momento en que los robots pueden “pensar” y entrenarse unos a otros sin humanos. Los grupos de drones pueden cubrir extensas ubicaciones geográficas y llevar a cabo tareas especializadas al mismo tiempo. También pueden formar una red, es decir, si el drone B está demasiado lejos del centro de control para comunicarse con él, pero está lo suficientemente cerca como para pilotar A, puede pasar efectivamente un mensaje por la línea.

Enjambre de drones en el Show de medio tiempo del Super Bowl del 2017.
https://media.giphy.com/media/1rhemVnSq9IHe/giphy.gif

Conclusiones

Los drones no son solo una moda—están aquí para quedarse y pronto se convertirá en la corriente principal. Los mismos beneficios de costo y eficiencia que históricamente han hecho que los drones sean atractivos para los militares son ahora aplicables para un amplio espectro de funciones de negocios y gobierno civil. Ahora estamos tocando la punta del iceberg en términos de aprovechar el verdadero poder de los drones para las operaciones comerciales y nuevas formas de llevar a cabo negocios.

Aún así, según un informe reciente en el Economist, “Tratar de imaginar cómo evolucionarán los drones, y los usos que se les dará, es como intentar pronosticar la evolución de la informática en la década de 1960 o los teléfonos móviles en los años ochenta. Su potencial como herramientas de negocios estaba claro en ese momento, pero la tecnología se desarrolló de forma inesperada. Lo mismo seguramente será cierto para los drones.”

https://www.toptal.com/finance/market-research-analysts/los-drones-comerciales-estan-revolucionando-las-operaciones-comerciales/es

Ray Dalio de Bridgewater: Pionero Silencioso de Big Data, Aprendizaje de Máquina y Fintech

by Orinola Gbadebo-Smith - Finance Editor @ Toptal (translated by Marisela Ordaz)

No Hay Premios por Declarar lo Obvio…

…pero empezaré justamente por lo obvio. Ray Dalio es rico—fabulosamente rico; también es famoso y lo ha sido por bastante tiempo, desde que él predijo la crisis financiera de 2008 y dirigió su fondo, de manera excepcional, a una ganancia de 14 por ciento donde sus rivales perdieron 30 por ciento en promedio, en el mismo período.

Pero ser rico y famoso, en su contexto, parecen recompensas por una vida bien gastada: una vida dedicada a construir una institución de tal sustancia y valor como lo ha hecho con Bridgewater Associates—el fondo de cobertura más grande del mundo. Hoy en día, Bridgewater administra 160 billones de dólares en nombre de 350 de las instituciones globales más grandes y sofisticadas, incluyendo fondos de pensiones, fundaciones públicas y privadas, bancos centrales y gobiernos extranjeros y es considerada una de las gestoras de inversiones más exitosas de todos los tiempos.

Pero seamos sinceros: No hay nada particularmente especial en la construcción de algo “grande y malo” como miembro del club de multimillonarios del mundo. Por el contrario, otros como Jobs, Ortega, Dangote, Arnault, Son, Musk, y Ma lo han hecho con mucho más estilo, flash y energía que Dalio. Lo que distingue a Dalio, sin embargo, es que pocos en la historia han construido, tan exitosamente, dos tipos organizativos dispares en tándem, establecido en culturas y prioridades únicas para cada uno y escalado como uno solo. En Bridgewater, Dalio ha construido una de las casas de inversión más destacadas del mundo, ofreciendo los mejores rendimientos de su clase de manera más consistente que cualquier otro fondo de cobertura de la historia al tiempo que construye sistemáticamente una de las mejores organizaciones de personas de nuestros tiempos.

Estoy aquí para discutir que Ray Dalio logró estas grandes hazañas al adherirse a algunos de lo que yo llamo, principios de primer negocio; principios que desde hace mucho tiempo han sido destilados por mejores mentes en marcos prácticos, universalmente aplicables a cada tipo de riesgo que van desde nuevas empresas de corriente principal hasta vehículos de inversión abstrusa. Este artículo destacará una serie de estos marcos e ilustrará cómo Ray Dalio los aprovechó con éxito para construir efectivamente servicios financieros y un gigante como Fintech.

Capítulo 1: Sueña Grande, Comienza Pequeño

“Las cosas grandes normalmente tienen comienzos pequeños.”
– David, Lawrence of Arabia

En 1975, Ray Dalio fundó Bridgewater Associates desde su apartamento de dos dormitorios en Manhattan. Lo hizo sin financiamiento, credibilidad o estatus, sino simplemente con un plan, un entusiasmo por los mercados y un ojo para reducir los sistemas complejos en relaciones de causa y efecto simples. Empezaría pequeño; él arrancaría.

En el lanzamiento, Dalio enfrentó dos desafíos comunes para la mayoría de los empresarios de primera vez. La primera fue una brecha de credibilidad—una frase acuñada en 1965 por el New York Herald Tribune, y más relevante para los esfuerzos iniciales de recaudación de fondos de Dalio. El segundo desafío fue su decisión de estrategia de mercado fija, que se ve como una representación de nuestro primer framework universalmente aplicable.

La Brecha de Credibilidad

Parafraseando al psicólogo organizacional y profesor de Wharton Adam Grant, la credibilidad se encuentra en la intersección de dos dimensiones socio-antropológicas: poder y estatus. El poder implica la autoridad para influenciar a otros mientras que el estatus implica la conformidad del respeto por otros. Cualquier intento por uno de ejercer poder (es decir, influencia) sin estatus—por ejemplo, intentar recaudar fondos, pre-ingresos o sin un historial—generalmente termina en fracaso, como fue el caso no sólo de nuestro Dalio de 26 años, sino también de muchos fundadores que luchan por primera vez por encontrar su estabilidad.

Por lo tanto, como parte del proceso de elaboración de su estrategia de lanzamiento al mercado, Dalio esbozaría y respondería a una serie de preguntas que allanarían el camino para el establecimiento de su historial, resolviendo así su problema de estatus—y por lo tanto credibilidad—. Las preguntas fueron las siguientes: En primer lugar, ¿en qué soy bueno hoy, pero podría ser mejor en el mundo mañana? En segundo lugar, ¿qué problema puedo resolver que el mercado también encuentra valioso? Tercero, ¿en qué forma debe entrar mi solución y cómo será diferente de sustitutos? Cuarto, ¿cómo ponerle precio a esta solución? Y quinto, ¿quiénes serán mis clientes?; ¿cómo alcanzaré, participaré y me comunicaré con ellos?

Estrategia de Orientación de Mercado

Una estrategia de orientación de mercado, cómo lo asoman las cinco preguntas anteriores, es un plan previo al lanzamiento de cómo nuevas empresas alcanzan su cliente y precio deseado y distribuyen su producto o servicio elegido, logran una adopción temprana y establecen ventajas. Las estrategias robustas de esta estrategia suelen tener en cuenta nuestro segundo framework aplicable universalmente, las “Cuatro P” de Mercadeo: Producto, Precio, Lugar (Place), y Promoción.

 

El Primer Modelo de Negocios de Bridgewater

“Donde comienzas no debe ser necesariamente donde termines”
– Joel Osteen

Desde el comienzo, Dalio sabía cuales eran sus fortalezas y donde podría tener una ventaja—en cuanto a “visualizar, reducir y sintetizar sistemas complejos en inversiones y flujos interdependientes, apoyado por relaciones de causa y efecto;” relaciones que tradujo a modelos cuánticos “basados en reglas y determinantes de tiempo” que reflejaban matemáticamente lo que él llamó “máquinas económicas” (o “máquinas”).

Teniendo claridad sobre sus fortalezas, Dalio luego decidió que su vehículo de valor de entrega sería una práctica asesora que maneja exposiciones de riesgo [en nombre de clientes] mientras que también ofrece consejos y observaciones de mercado. Aún más, él le daría precios a estos servicios con base en tarifas de éxito, ej., una estrategia back-end de peso que yo recomendaría para cualquier mercado nuevo que busca ganar acciones, al reducir las barreras de costo, para lograr la adopción de posibles nuevos clientes.

Con su producto y estrategia de precios cimentados, Dalio ahora tenía que asentarse en un mercado de entrada/nicho con el cual establecer un historial. Él escogió el ganado, las carnes, los granos y la canola mercados que desde mi análisis (sesgo retrospectivo no obstante), eran ideales por tres razones.

Primero, estos mercados estaban estrechamente correlacionados. Mi intento de dar sentido a esto es de la siguiente forma: El ganado come cantidades cuantificables de maíz (grano) y soya (canola) antes de terminar en el mostrador del carnicero como carnes; el maíz y la soya compiten por la superficie cultivada, las precipitaciones y los insumos de fertilizantes (todos ellos cuantificables en función del rendimiento), así como los ciclos de recolección de las cosechas. En períodos de tiempo específicos, las superficies plantadas, las precipitaciones (medidos por semana, por área importante de cultivo de Estados Unidos.) y la entrada de fertilizantes se traducen en tamaños de cosecha predecibles y costos de transporte en distancias establecidas. Datos que, cuando se unen a niveles de inventario de ganado por edad, grupo de peso, ubicación y tasa de ganancia de peso, determinan la cantidad y velocidad del consumo de alimento de grano. Superponiendo estos conjuntos de datos correlacionados sobre el margen minorista, las preferencias de los consumidores (es decir, los cortes de carne) y las capacidades de los mataderos permitieron realizar regresiones detalladas y otros análisis, lo cual Dalio hizo hasta el final de la programación de un sistema patentado de “máquinas” para su mercado. Estas máquinas habrían producido entonces las predicciones de precios que él continuó utilizando con éxito en el mercado.

La segunda razón por la que el ganado, las carnes, los granos y la canola fueron un gran mercado de lanzamiento para Bridgewater es que estos mercados eran menos sensibles a las distorsiones especulativas y sentimentales del mercado, en relación con los mercados de valores públicos; el cual fue otro atributo que encajaba muy bien con la fuerza de Dalio al reducir los sistemas complejos en simples máquinas económicas.

La tercera razón para elegir estos mercados de nicho para ir al mercado está en consonancia con nuestro siguiente principio de negocio probado y defendido con frecuencia: en la medida de lo posible, los empresarios deberían lanzarse a mercados pequeños, de nicho, escasamente comprendidos y establecer el dominio del monopolio antes de comenzar con la expansión. La expansión bajo este modelo aprovecha, posteriormente, la reputación de la marca establecida NewCo y la competencia estratégica para crecer en mercados/verticales relacionados o aprovecha sus activos e infraestructura existentes para vender nuevos productos al mismo grupo de clientes. Así, al igual que Amazon comenzó con los libros, Google con la búsqueda y Facebook con los estudiantes de Harvard, Bridgewater comenzó con el ganado, carnes, cereales y la canola.

Estrategia de Marketing de Bridgewater

La pieza final de la estrategia de orientación de mercado/modelo de negocio de lanzamiento fue el plan de Dalio para alcanzar, comprometer y comunicar sus servicios y éxitos a sus clientes. En este sentido, Dalio se asentó en una estrategia de bajo costo todavía muy vigente hoy en día—el periódico. Todos los días durante la mayor parte de diez años, Dalio envió por télex sus Observaciones Diarias—una circular de investigación que detalló sus análisis de mercado, observaciones y técnicas de gestión de riesgos—a una creciente expansión de clientes; una estrategia que eventualmente le ganó los mandatos entrantes por McDonald’s Corp, el Fondo de Pensiones de Kodak y el Banco Mundial y acumuló en su primer turno de capital externo. Parafraseando un adagio de Alex Graham, Experto en Finanzas de Toptal “sólo porque lo construyes no significa que la gente vendrá” Novatos y gente de negocios experimentada, obsesionada con la comercialización.

Capítulo 2: Ajuste de Producto/Mercado

“Lo Que Te Trajo Aquí, No Te Llevará Más Allá”
– Marshall Goldsmith, Autor

En 1985, Bridgewater ganó sus primeros 5 millones de dólares en capital externo, marcando formalmente su transición al Bridgewater que conocemos hoy—es decir, un fondo de cobertura. Para tener éxito en esta nueva fase, la empresa de Dalio requeriría un tipo muy diferente de estructura organizativa, composición y estrategia frente al Bridgewater de años pasados. Lo que es más importante, y en línea con nuestro cuarto marco de negocios fundacional, Bridgewater requeriría una estrategia de operaciones totalmente congruente.

Una estrategia de operaciones es un framework de unificación que dirige el patrón total de decisiones que configuran las capacidades a largo plazo de una organización hacia una estrategia singular y coherente. O, según lo definido por el Profesor de Harvard Business School Gary Pisano, una estrategia de operaciones es un conjunto consistente y completo de políticas operativas que especifican cómo una organización arreglará sus recursos, prioridades y procesos (RPP) para alcanzar sus prioridades estratégicas más importantes.



Para llevar a cabo la tarea de diseñar una nueva estrategia de operaciones, Dalio, al igual que todos los emprendedores que han cruzado el abismo hacia la adopción en masa y la escala, primero tendría que redefinir el problema que estaba por resolver (es decir, el trabajo por hacer) y detrás de eso establecer las prioridades estratégicas de su empresa.

El “Trabajo por Hacer”

Introducido por un renombrado erudito y profesor de la Universidad de Harvard Clayton Christensen, el framework del trabajo-por-hacer está diseñado para eliminar el problema fundamental que un cliente en particular necesita que sea resuelto como una preocupación de empresa de negocios en marcha.



Cuando Dalio empezó por primera vez en 1975, su trabajo era manejar la exposición de riesgos en nombre de sus clientes. En su nueva capacidad como gestor de activos, este trabajo, naturalmente, había cambiado y necesitaría dar un giro. Como muchos empresarios que iteraban hacia un ajuste de producto/mercado, Dalio inicialmente confundió su proposición con “la construcción de sistemas basados ​​en datos con los cuales mapear las máquinas económicas y prever precios futuros”.

No fue hasta que sufrió una serie de pérdidas casi insuperables que Dalio dio un giro por última vez hacia su verdadera proposición. Esta proposición se trataba de utilizar sistemas de datos propietarios para reaccionar y comercializar, continuamente, información de mercado en tiempo real sin intentar predecir dónde iría el mercado. Él haría esto construyendo una “máquina económica” unificada, impulsada por decenas de millones de conjuntos de datos discretos que pasó a través de indicadores en tiempo real que probaron los fundamentos cambiantes. Por último, evaluaría sus resultados a través de un sistema diferente de filtros de tendencia diseñado para confirmar/rechazar los movimientos de precios basados ​​en la consistencia con los resultados pasados. El objetivo final de todo esto—es lograr el verdadero trabajo de Bridgewater que se debe hacer: generar los mejores rendimientos ajustados al riesgo de la clase en nombre de sus socios limitados.

 

En Cuanto a las Amenazas/Riesgos Comerciales…

Un beneficio secundario pero críticamente importante que también vino de los primeros fracasos de Dalio (mientras reiteraba hacia el ajuste del producto/mercado), fue su penetración en la mayor amenaza de Bridgewater: falibilidad humana; falibilidad que con frecuencia se presentaba en forma de ego, arrogancia, recuerdo imperfecto, procesamiento mental inadecuado, programación imperfecta, negligencia y error y se hizo presente en su gente.

Estas perspectivas, tanto en el trabajo por hacer como en los riesgos de negocio, permitieron a Dalio construir una estrategia operativa verdaderamente cohesiva y auto-reforzada con capacidades tanto ofensivas como defensivas y las RPP apropiadas para arrancar.

Cómo Construir una Institución de Gran Ofensiva

En “ofensiva”—ej. La estrategia de Bridgewater de intercambiar datos e información en tiempo real para generar los mejores rendimientos de su clase, Dalio idearía e integraría un nuevo conjunto de sistemas patentados para mapear sus máquinas económicas. Mucho antes de que “Big Data” y “aprendizaje de máquina” se convirtieran en una corriente principal, Dalio reconoció la ventaja inherente de invertir en poderosos sistemas computacionales, los cuales complementó con un equipo de estadísticos técnicos y de doctorado, economistas, econométricos, informáticos, expertos en aprendizaje de máquina y big data y haciéndolo en silencio se convirtió en uno de los primeros adoptantes de grandes estrategias de big data y aprendizaje de máquinas. Probablemente fue una de las primeras compañías en fintech.

Para reforzar sus inversiones en recursos (tanto en máquinas como en seres humanos) y para impulsar su logro en el logro de sus prioridades estratégicas, Dalio también diseñó procesos estrictos para asegurar la mejora perpetua de su sistema, cerrando así el círculo en el framework RPP presentado anteriormente. Hizo esto ordenando lo siguiente: cada vez que él o su equipo tomará una decisión de inversión, los criterios se traducirían en algoritmos basados ​​en reglas, probados contra datos históricos (a veces desde hace un siglo) y simulados retroactivamente contra resultados conocidos.

Los algoritmos asociados con resultados sub-óptimos se retendrían, ajustarían y volverían a intentar, continuamente, hasta que el resultado correcto fuera realizado y documentado; produciendo la impecable máquina de auto-perpetuación que hoy es Bridgewater.
Este proceso/filosofía se convirtió en la pieza central de Bridgewater del “acercamiento sistematizado para la inversión;” una filosofía que dio lugar a una progresión acelerada hacia el ajuste del producto/mercado. Hoy en día, los ordenadores, programas y sistemas de Black Box de Bridgewater analizan más de 100 millones de conjuntos de datos en ruta a cada decisión—estableciendo un foso económico que cada empresa busca y se mantiene como un estudio de caso fantástico en cuanto a la importancia de las estrategias de operaciones totalmente cohesionadas.

Estrategia de Defensa de Bridgewater

En “defensa”—ej., trabajo de mitigación del riesgo, Dalio identificó correctamente que la mayor amenaza para el éxito de su negocio está en el error humano. Dando una respuesta directa a esto, Dalio diseñó y montó estratégicamente un equipo que incorporaría diversas estrategias de mitigación de riesgo como una forma de ser. Logró esto de la siguiente manera:

En primer lugar, contrató a pensadores hiperinteligentes e independientes en quienes confiaba para desafiar rutinariamente sus tesis de razonamiento e inversión. Luego, estableció una cultura de “verdad radical y transparencia”, la cual describe como una cultura de desacuerdo honesto, abierto y agresivo. Y, finalmente, estableció una “idea de meritocracia”—ej., un entorno en el que las ideas de inversión de las personas se pesaban sólo en proporción a sus méritos, sin la ponderación de valor otorgada al rango, título o antigüedad.

Tangencialmente, Dalio también fue pionero en un proceso al que llamó “registro de errores” mediante el cual los comerciantes tenían que registrar, diagnosticar y volver a referirse sistemáticamente a todos los errores cometidos anteriormente como una forma de minimizar sistemáticamente las repeticiones de “errores no forzados” durante el resto de su posición laboral en Bridgewater.

En cuanto a la composición del equipo, Dalio implementó innovaciones de proceso en las que cada empleado debía tener sus estadísticas (fortalezas, debilidades, logros, fracasos, resultados de las pruebas psicométricas) en las tarjetas físicas de béisbol y tablas electrónicas abiertas a la vista de la empresa. Todo esto como un constante impulso para que sus empleados puedan tomar en serio la tarea de montar equipos de inversión bien equilibrados como una manera de compensar las deficiencias individuales.

 

Los Frutos de la Labor de Dalio

Una vez que las estrategias de operaciones de Dalio fueron implementadas en su totalidad y sus mecanismos de auto perpetuación y mejora continúa funcionando en estado estacionario, Bridgewater continuó disfrutando de un éxito explosivo. Entre 1985 y 1988, los 5 millones de dólares iniciales de Bridgewater crecieron rápidamente a 180 millones de dólares, que posteriormente crecieron a 4 billones de dólares en 1995 y a 32 billones de dólares en 2000. Bridgewater había logrado finalmente un ajuste de producto/mercado y una escalabilidad sostenible.

Capítulo 3: De Cero a Uno

El framework final en nuestra caja de herramientas es el más fácil de teorizar pero más difícil de realizar. Según el renombrado capitalista de riesgo y empresario Peter Thiel, “cuando pensamos en el futuro, hay dos tipos de progreso: progreso horizontal, definido como ir de 1 a n, o progreso vertical, definido como ir de 0 a 1. Pasar de 0 a 1 (progreso vertical) representa un salto de función escalonada tan material que sólo puede ser provocado por la innovación radical o saltos tecnológicos. Imagínate lo que el teléfono inteligente hizo al teléfono analógico, lo que Google hizo a una búsqueda basada en la pregunta, lo que el procesador de textos hizo a la máquina de escribir.”

Estas innovaciones tienden a provocar cambios drásticos en el ecosistema imperativo al igual que rendimientos insondables para sus proveedores. Dentro del turbulento mundo de la inversión, Dalio fue el arquitecto de tres innovaciones separadas de 0 a 1; innovaciones que establecieron, de manera concluyente, una ventaja insuperable en sus mercados y consolidaron a Bridgewater como una de las mayores instituciones de inversión de todos los tiempos.

Superposición Alfa

La primera de estas innovaciones fue la “superposición alfa”—un principio que implica el establecimiento de una posición de referencia de “riesgo neutral” mientras se desvía de ella con apuestas medidas. Más específicamente, con la superposición alfa se separan la beta (exposición pasiva) y la alfa (exposición activa), obteniéndose además una amplificación de los resultados mediante la superposición de portafolios más diversificadas de alfas hacia una mezcla óptima. La comercialización de esta innovación dio como resultado el primer y mejor desempeño de Bridgewater, su Fondo Pure Alpha, fue diseñado para ser la “fuente alfa diversificada” a los Socios Limitados de Bridgewater que invierten en grupos de clases de activos.

 

Bonos Indexados a la Inflación

La segunda etapa de la función de innovación fue el descubrimiento, creación y comercialización de Dalio bonos indexados a la inflación como una nueva clase de activos. En la solicitud de la Fundación Rockefeller en los años 90, Dalio tuvo que diseñar un portafolio que volvería exactamente un 5 por ciento por encima de la tasa de inflación de Estados Unidos. Teniendo en cuenta que no existían bonos indexados a la inflación en los Estados Unidos, Dalio aprovechó un portafolio de bonos indexados a la inflación extranjera con las monedas asegurado de nuevo al dólar estadounidense. Fue en la parte posterior de esto que él diseñó el primer portafolio de bonos globales indexados a la inflación diseñado para tener el mismo rendimiento esperado que las acciones, pero con menos riesgo y una correlación negativa con los bonos y las acciones a largo plazo. Sobre la base de su éxito con esta clase de activos, Dalio siguió asesorando al gobierno de los Estados Unidos sobre cómo estructurar el primer bono y emisión indexada a la inflación en los Estados Unidos.

Paridad de Riesgo

La tercera innovación 0 a 1 de Dalio estuvo en su descubrimiento de la paridad de riesgo y la creación de su segundo fondo emblemático, el Fondo All Weather. Este descubrimiento se produjo inadvertidamente cuando trató de diseñar una confianza personal neutral para su familia; neutralidad que efectivamente controlaba el crecimiento y las oscilaciones y presiones inflacionistas al pasar el tiempo. Logró esto al casar cuatro estrategias de inversión diferentes y construir una mezcla de activos que mantuviera la paridad en los entornos económicos relevantes (aumento del crecimiento con el aumento de la inflación, el aumento del crecimiento con la caída de la inflación y a la inversa). Diez años más tarde, Dalio manejaría cerca de 80 billones de dólares en su Fondo Principal All Weather.

Los Principios de Ray Dalio y un Inevitable Resultado

A lo largo de los años, gran parte del éxito increíble de Dalio se ha atribuido a una combinación de su intelecto, perspicacia de las inversiones y la peculiar cultura del equipo. Creo, sin embargo, que esta historia subestima enormemente el alcance de la visión del hombre, la precisión de su ejecución, el genio de sus innovaciones y la presciencia de sus apuestas tecnológicas. No se escucha nada de su diseño organizativo (personas, cultura y composición), la singularidad de sus sistemas, el ethos pionero que lo llevó a la big data y a la inteligencia artificial—nada de estos atributos fue por error, sino por el diseño y la creación deliberada hacia una congruencia completa de la organización y del sistema.

Así que si eres una nueva empresa o una empresa establecida, un fondo de búsqueda o un fondo de cobertura, espero que este artículo haya podido demostrar (a través de sus diversos marcos) que los negocios, en primer lugar—especialmente cuando se reduce a sus primeros principios—es, en su esencia, simple. Y segundo, que estos principios son universalmente aplicables, a casi todo tipo de negocios imaginables. Siempre comienza con la dinámica de tu disciplina y no te equivocarás.
¡Feliz Construcción!

https://www.toptal.com/finance/business-plan-consultants/ray-dalio-de-bridgewater-pionero-silencioso-de-big-data-aprendizaje-de-máquina-y-fintech/es

Cómo la Inteligencia Artificial está Afectando el Mundo de las Finanzas

by Melissa Lin - Finance Editor @ Toptal (translated by Marisela Ordez) - Utilizado con permiso.

Puntos Importantes

La Inteligencia Artificial (IA) Está Despegando

Gestión de Riesgo

Comercio IA

Robo-advisory

Suscripción de Seguros y Reclamos

La tecnología de uso general es un término que los economistas guardan para las tecnologías que estimulan el crecimiento económico prolongado y los avances sociales, revolucionando así las operaciones de hogares y corporaciones de la misma manera. Una muestra de tecnología de propósito general es la electricidad. La electricidad generó una multitud de productos y sectores, incluyendo refrigeradores, lavadoras, trenes y, por supuesto, computadoras. La llegada de la electricidad transformó radicalmente el mundo.

Un artículo reciente en la Reseña de Negocios de la Universidad de Harvard designó a la inteligencia artificial (IA) como la tecnología de propósito general más importante de nuestra era. Estamos familiarizados con el poder de la IA. Ésta se manifiesta en la forma de un robot derrotando a un jugador de ajedrez de renombre mundial. Un carro que puede estacionarse en paralelo por sí mismo. Dispositivos que responden con el clima de mañana cuando lo preguntamos.

Pero gran parte de nuestro contacto con—y la comprensión de—la IA gira en torno a productos que afectan nuestra vida cotidiana como consumidores. A nivel organizativo, hay una pregunta más amplia sobre cómo la IA afectará las industrias y específicamente cómo los servicios financieros aprovecharán la IA.

El siguiente artículo definirá la inteligencia artificial, la esfera de sus tecnologías relacionadas, el tamaño de la industria global de la IA y las aplicaciones de la inteligencia artificial en las finanzas. Esta pieza no pretende proporcionar un juicio normativo sobre el desarrollo de la IA; más bien, se centrará en cómo la IA está afectando las finanzas.

Inteligencia Artificial: ¿Qué es la IA?

La inteligencia artificial es [un área de la informática] (https://www.techopedia.com/definition/190/artificial-intelligence-ai) centrada en la creación de máquinas inteligentes que funcionan como seres humanos. Las computadoras de IA están diseñadas para realizar funciones humanas incluyendo aprendizaje, toma de decisiones, planificación y reconocimiento de voz.

La inteligencia artificial permite a las máquinas mejorar continuamente su rendimiento sin que los seres humanos proporcionen instrucciones prescriptivas sobre cómo hacerlo. Esto es significativo por un par de razones. Primero, los humanos saben más de lo que somos capaces de entender. Es decir, los seres humanos son capaces de reconocer una cara o ejecutar una estrategia inteligente en un juego de ajedrez. Sin embargo, antes de la avanzada tecnología de la inteligencia artificial, la incapacidad de los humanos para articular nuestro propio conocimiento significaba que no podíamos automatizar muchas tareas. En segundo lugar, la tecnología de la IA es sobrehumana en su ejecución, operando con mayor rapidez y con más frecuencia que los humanos.

Tecnologías de la Inteligencia Artificial

La inteligencia artificial abarca una multitud de capacidades y tecnologías. La empresa de consultoría PWC refuerza el hecho de que la IA no es “un área monolítica”. Abarca una serie de cosas que todos agregan a nuestra noción de lo que significa ser “inteligente”. A continuación se presentan algunas de las áreas más populares de la IA:

• Aprendizaje de Máquina es un método de análisis de data que automatiza el modelo de construcción analítico. Usando algoritmos que aprenden iterativamente de la data, el aprendizaje automático permite a las computadoras encontrar ideas ocultas sin tener, explícitamente, programado donde mirar
• Aprendizaje profundo es un subconjunto de aprendizaje de máquina. Ha facilitado el reconocimiento de objetos en imágenes, etiquetado de video, reconocimiento de actividad y ha avanzado en la percepción (incluyendo audio y habla). Por ejemplo, *DeepFace* la aplicación de aprendizaje profundo de Facebook ha sido entrenado para reconocer a las personas en las fotos. Muchos dibujan la comparación entre la tecnología de aprendizaje profundo y la biología pero los expertos generalmente están de acuerdo en que, mientras que está inspirado en el cerebro humano, no está necesariamente moldeado a su imagen.
• Proceso de Lenguaje Natural es la capacidad de un programa de computadora de entender el habla humana en tiempo real. La investigación y el desarrollo están cambiando hacia sistemas capaces de interactuar con las personas a través del diálogo, no sólo reaccionar a las peticiones estilizadas.
• La internet de las cosas (IoT) se dedica a la idea de que una amplia gama de dispositivos, incluyendo aparatos, vehículos y edificios pueden ser interconectados. Por ejemplo, si tu alarma suena a las 7:00 am, podría pasar la información automáticamente a tu cafetera para que empiece a hacer el café. Las tecnologías de uso general que actúan como sensores cuando son utilizadas también son parte de esta tendencia más amplia.

Por supuesto, esta lista no es exhaustiva. Ve a continuación una gama más amplia de temas y tecnologías de inteligencia artificial.

 

Tamaño del Mercado de la Inteligencia Artificial

El ya mencionado [artículo en la Reseña de Negocios de la Universidad de Harvard predice que “los efectos de la IA serán magnificados en la próxima década, ya que la manufactura, el comercio minorista, el transporte, las finanzas, la salud, la ley, la publicidad, los seguros, el entretenimiento, la educación y virtualmente cualquier otra industria, transforman sus procesos básicos y modelos de negocio para aprovechar el aprendizaje de máquina. El embotellamiento está en la gestión, la aplicación y la imaginación de los negocios.”

Con la adopción generalizada de la IA en todas las industrias se [predice] (http://www.idc.com/getdoc.jsp?containerId=prUS41878616) que maneje ganancias globales de 12.5 billones de dólares en 2017 y 47 billones en 2020, con una tasa de crecimiento anual compuesto (CAGR) de 55.1% a partir de 2016 a 2020. Específicamente, las industrias que más invertirán en la tecnología son la banca y el comercio minorista, seguidos por la industria de la salud y la manufactura. En conjunto, estas cuatro industrias comprenden más de la mitad de los ingresos mundiales de la IA en 2016, y los sectores: bancario y minorista entregarán casi 1.5 billones.

En todas las industrias, las mayores inversiones de IA en 2017 serán en áreas tales como agentes automatizados de servicio de atención al cliente, inteligencia automatizada de amenaza y análisis de fraude (ver carta abajo). Según Jessica Goepfert, directora de programas en IDC, empresa de investigación de mercado, “Las oportunidades a corto plazo para los sistemas cognitivos están en industrias como la banca, los valores e inversiones y la manufactura. En estos segmentos, encontramos una gran cantidad de datos no estructurados, un deseo de aprovechar las ideas de esta información, y una apertura a las tecnologías innovadoras”. La siguiente sección de este artículo profundiza en los diversos casos de uso de inteligencia artificial en la industria de servicios financieros.

 

Aplicaciones Presentes y Futuras de la Inteligencia Artificial en Finanzas

La inteligencia artificial podría generar eficiencias operativas en áreas que van desde la gestión de riesgos y el comercio, hasta la suscripción de seguros y los reclamos. Si bien algunas aplicaciones son más relevantes para sectores específicos dentro de los servicios financieros, otras pueden ser aprovechadas de forma general.

Gestión de Riesgo

La inteligencia artificial ha demostrado ser muy valiosa cuando se trata de seguridad y detección de fraudes. Los métodos tradicionales de detección de fraude incluyen computadoras que analizan data estructurada contra un conjunto de reglas. Por ejemplo, una compañía de pagos determinada podría establecer un umbral para las transferencias electrónicas a 15,000 dólares, de modo que cualquier transacción que supere ese monto se marcaría para una investigación adicional. Sin embargo, este tipo de análisis produce muchos falsos positivos y requiere mucho esfuerzo adicional. Tal vez, e incluso más significativamente, los estafadores de ciber-crimen cambian con frecuencia sus tácticas.

Por esto, los sistemas más efectivos deben pasar a ser más inteligentes de manera continua.

Con algoritmos de aprendizaje avanzados como los de aprendizaje profundo, se pueden agregar nuevas características al sistema para un ajuste dinámico. Según Samir Hans, director de consultoría de Deloitte Transactions y Business Analytics LLP, “Con el análisis cognitivo, los modelos de detección de fraude pueden ser más sólidos y precisos. Si un sistema cognitivo elimina algo que determina como un posible fraude, y un ser humano determina que no es fraude debido a X, Y, y Z, la computadora aprende de esas percepciones humanas, y la próxima vez no te enviará una detección similar. El equipo se está haciendo cada vez más inteligente.”

El Éxito de PayPal con la Inteligencia Artificial y Detección de Fraude

Toma a PayPal, gigante del pago, y sus protocolos avanzados de fraude, por ejemplo. Debido a su escala y visibilidad, PayPal “tiene un gran blanco en su espalda.” Procesó 235 billones de dólares en 2015 de cuatro millones de transacciones por sus 170 millones de clientes. Sin embargo, PayPal ha podido aumentar la seguridad aprovechando la tecnología de aprendizaje profundo. De hecho, el fraude de PayPal es relativamente bajo con un 0,32% de los ingresos, una cantidad mucho mejor que el 1.32% que normalmente ven los comerciantes.

Anteriormente, PayPal usaba modelos simples y lineales. Hoy en día, sus algoritmos extraen data del historial de compras de un cliente y revisan patrones de probable fraude almacenados en sus crecientes bases de datos. Mientras que un modelo lineal puede consumir 20-30 variables, la tecnología de aprendizaje profundo puede ordenar miles de puntos de data. Estas capacidades mejoradas ayudan a PayPal a distinguir transacciones inocentes de las sospechosas. Según Hui Wang, director sénior de Global Risk Sciences de PayPal, “Lo que nos gusta de un aprendizaje más moderno y avanzado de la máquina es su capacidad para consumir más data, manejar capas y capas de abstracción y ser capaz de ‘ver’ cosas […] que incluso los seres humanos no son capaces de ver”

 

Comercio de Inteligencia Artificial

Transición de los Modelos Construidos por el Hombre a la Verdadera IA

Durante años, las empresas de gestión de inversiones han confiado en las computadoras para encargarse del comercio. Alrededor de 1.360 fondos de cobertura, que representan el 9% de todos los fondos, dependen de grandes modelos estadísticos construidos por científicos de data que suelen tener doctorados en matemáticas (también conocidos como “cuánticos”). Sin embargo, estos modelos sólo utilizan data histórica, son a menudo estáticos, requieren intervención humana, y no funcionan tan bien cuando el mercado cambia. En consecuencia, los fondos están migrando hacia modelos verdaderos de inteligencia artificial cada vez más, los cuales no sólo pueden analizar grandes volúmenes de data, sino que también continúan mejorándose a sí mismos.

Estas nuevas tecnologías utilizan técnicas complejas, incluyendo el aprendizaje profundo, una forma de aprendizaje de máquina llamada Bayesian networks, y Computación evolutiva, que se inspira en la genética. El software de comercio de IA puede absorber enormes volúmenes de data para aprender sobre el mundo y hacer predicciones sobre el mercado financiero. Para entender las tendencias mundiales, estos pueden consumir todo, desde libros, tweets, informes de noticias, data financiera, números de ganancias y política monetaria internacional hasta escenas de Saturday Night Live.

Para aclarar, lo anterior es distinto al comercio de alta frecuencia (HFT), el cual permite a los comerciantes ejecutar millones de órdenes y escanear múltiples mercados en cuestión de segundos, respondiendo a las oportunidades en formas en las que los humanos simplemente no pueden. Las plataformas impulsadas por la IA discutidas anteriormente buscan los mejores planes de comercio a largo plazo y las máquinas—no los humanos— están dictando la estrategia.

Algunos de estos sistemas de comercio de IA son desarrollados por nuevas empresas. Por ejemplo, en Hong Kong Aidiya es un fondo de cobertura totalmente autónomo que realiza todas sus operaciones bursátiles utilizando inteligencia artificial (IA). “Si todos morimos”, dice el cofundador Ben Goertzel, “seguiría operando”. Las instituciones tradicionales también están interesadas en la tecnología de comercio de IA. En 2014, Goldman Sachs lideró la ronda de financiamiento de la Serie A y comenzó a instalar una plataforma de comercio de IA llamada Kensho. Para la serie B de Kensho, además de S&P Global, también participaron los seis bancos más grandes de Wall Street (Goldman Sachs, JPMorgan Chase, Banco de América, Merrill Lynch, Morgan Stanley, Citigroup y Wells Fargo).

Comparación del Rendimiento Comercial

Un estudio reciente realizado por la empresa de investigación de inversión Eurekahedge rastrearon el desempeño de 23 fondos de cobertura utilizando IA desde 2010-2016, donde pudieron ver que superaron a aquellos manejados por analistas cuánticos más tradicionales y fondos de cobertura generales.

 

Implicaciones para los Comerciantes y Analistas Cuánticos

Será interesante observar cómo la IA afectará el mercado de trabajo comercial. Sus efectos ya son evidentes en algunas de las principales instituciones bancarias. En el año 2000, la oficina de operaciones de renta fija estadounidense de Goldman Sach en su sede de Nueva York empleó a 600 comerciantes comprando y vendiendo acciones. Hoy en día tiene dos operadores de acciones con máquinas que hacen el resto del trabajo. Daniel Nadler, CEO de Kensho, declara, “En 10 años, Goldman Sachs será significativamente más pequeño en cuanto a la nómina de lo que es hoy.” Y en cuanto a los analistas cuánticos, pueden notar que sus habilidades están en menos demanda en las compañías de gestión de inversión.

Actualmente, alrededor de un tercio de los graduados de los principales programas empresariales se alimentan de las finanzas. ¿A dónde irá a parar el mejor talento de la nación? Mark Minevich, asesor principal del Consejo de Competitividad de los Estados Unidos, cree que “Algunas de estas personas inteligentes pasarán a las nuevas empresas de tecnología, o ayudarán a desarrollar más plataformas de Inteligencia Artificial, o automóviles autónomos, o tecnología energética […] Nueva York podría competir con Silicon Valley en tecnología”.

Robo-Advisory

¿Qué es un Robo-Advisor y Cómo Funciona?

Robo-advisors son plataformas digitales que proporcionan servicios de planificación financiera automatizada basadas ​​en algoritmos con supervisión mínima por parte de los seres humanos.

Mientras que los gerentes financieros humanos han estado utilizando la asignación automatizada del portafolio desde el inicio de los años 2000, los inversionistas tuvieron que emplear a asesores para beneficiarse de la tecnología. Hoy en día, los robo-advisors permiten a los clientes acceder directamente al servicio. A diferencia de sus homólogos humanos, los robo-advisors monitorean los mercados sin parar y están disponibles 24/7. Robo-advisors le pueden ofrecer a los inversionistas hasta un 70% en ahorros de costos y, normalmente, no requieren un mínimos para participar.

Hoy en día, los robo-advisors pueden ayudar con las tareas más repetitivas tales como la apertura de cuentas y la transferencia de activos. El proceso suele implicar a clientes que responden cuestionarios simples sobre el apetito de riesgo o factores de liquidez, que los robo-advisors luego traducen en lógica de inversión. La mayoría de los robo-advisors actuales tienen como objetivo asignar a sus clientes a portafolios de ETF administrados basados en función de sus preferencias. Se espera que las capacidades en el futuro se transformen en ofertas más avanzadas tales como cambios automáticos de activos y cobertura ampliada a través de clases de activos alternativos como bienes raíces.

Robo-advisory puede tener un impacto importante en los sectores de finanzas personales y gestión de riqueza. Mientras que los activos totales bajo gestión (AUM) actuales del robo-advisor sólo representan 10 billones de dólares de los 4 trillones de la industria de gestión de riqueza (menos del 1% de todos los activos de cuentas administradas), un [estudio de Business Insider] (http://www.businessinsider.com/the-robo-advising-report-market-forecasts-key-growth-drivers-and-how-automated-asset-management-will-change-the-advisory-industry-2016-6) estima que esta cifra aumentará al 10% en 2020. Esto equivale a alrededor de 8 trillones de dólares en activos bajo gestión (AUM).

Adopción de la Industria Robo-Advice

Los actores de la industria han adoptado enfoques variados para el robo-advice. Las pequeñas empresas de gestión de riqueza están agregando componentes algorítmicos para automatizar su gestión de inversiones, reducir costos/honorarios y competir con los robo-advisors. Por otro lado, las firmas de inversión establecidas están comprando a los robo-advisors existentes, como la adquisición de Jemstep por parte de Invesco o la creación de sus propias soluciones robo-advisor, como FidelityGo y Schwab Intelligent Advisory.

Robo-Advisors vs. Asesores Financieros: ¿Los Humanos Serán Reemplazados?

El consenso general entre los expertos es que los seres humanos seguirán siendo indispensables. El toque humano seguirá siendo crítico ya que los asesores todavía tendrán que tranquilizar a los clientes durante los tiempos financieros difíciles y persuadirlos con soluciones útiles. Un estudio realizado por la consultora Accenture reveló que el 77% de los clientes de gestión de riqueza confían en sus asesores financieros, mientras que el 81% indica que la interacción cara a cara es importante. Para los clientes con decisiones de inversión complejas, el modelo de asesoramiento híbrido, que acopla servicios computarizados con asesores humanos, está ganando terreno.

Mientras que los asesores financieros seguirán siendo centrales, los robo-advisors podrían causar cambios en sus responsabilidades laborales. Al administrar tareas repetitivas, los gerentes de inversiones pueden asumir las responsabilidades de un científico o ingeniero de data, como el mantenimiento del sistema. Los seres humanos también pueden centrarse más en la construcción de relaciones con los clientes y explicar las decisiones que la máquina ha tomado.

Inteligencia Artificial en Suscripción de Seguros y Reclamos

El seguro depende del equilibrio de riesgo entre grupos de personas; los aseguradores agrupan personas similares, y algunas personas necesitarán pagos, mientras que otras no. La industria se basa en la evaluación de riesgos; las compañías de seguros no son ajenas al análisis de data. Sin embargo, la IA puede expandir la cantidad de data analizada, así como las formas en que puede ser utilizada, lo cual resulta en precios más precisos y otras eficiencias operacionales.

Las nuevas empresas están a la vanguardia en lo referente a impulsar la industria hacia adelante. Según Henrik Naujoks, un socio de Bain & Co, “Las nuevas empresas están mostrando lo que es posible y lo que se puede hacer. Muchos ejecutivos titulares lo están viendo—no lo entienden pero quieren involucrarse”. Los inversionistas también se han apegado a esta tendencia (ver más adelante).

En 2016, la IA fue uno de los temas más populares para la inversión en tecnología de seguros.

Inteligencia Artificial y Suscripción de Seguros

Un informe de PWC predice que la IA automatizará una cantidad considerable de suscripción de seguros antes de 2020, especialmente en mercados maduros donde se dispone de data. Actualmente, un asegurador con la ayuda de software informático y modelos actuariales, evalúa el riesgo y las exposiciones de los clientes potenciales, la cantidad de cobertura que deben recibir, y cuánto se les debe cobrar. A corto plazo, la IA puede ayudar a automatizar grandes volúmenes de suscripción de seguros automotores, residenciales, comerciales, de vida y de grupo. En el futuro, la IA mejorará el modelado, resaltando las consideraciones clave para los humanos a cargo de la toma de decisiones, quienes de otra manera podrían haber pasado desapercibidos. Es también predicho que la IA avanzada permitirá la suscripción de seguros personalizada por empresa o individuo, teniendo en cuenta comportamientos y circunstancias únicas.

La suscripción de seguros mejorada puede aprovechar no sólo el aprendizaje automático para la minería de data, sino también la tecnología portátil y los analizadores faciales de aprendizaje profundo. Por ejemplo, Lapetus, una nueva empresa, quiere utilizar selfies para predecir con exactitud la expectativa de vida. En su modelo propuesto, los clientes enviarán por correo electrónico sus autorretratos, los cuales explorarán y analizarán las computadoras—analizando millares de regiones de la cara. El análisis consideraría todo, desde la demografía básica hasta la rapidez con que la persona envejecerá, su índice de masa corporal y si fuman. Además, la tecnología en general podría hacer que el proceso de suscripción de seguro sea de más colaboración. En lugar de depender de largas revisiones médicas y complicados procesos contractuales, las tecnologías generales pueden proporcionar información en tiempo real en la salud y el comportamiento de los asegurados.

Estos tipos de análisis de riesgos matizados y en tiempo real permitirán no sólo un cálculo más preciso de los precios de los clientes, sino también la detección temprana de los riesgos para la salud y una oportunidad para las compañías de seguros de invertir en prevención. En lugar de pagar eventualmente por tratamientos costosos para el paciente, las compañías de seguros pueden tratar, proactivamente, de reducir la probabilidad de daños y costos asociados. En un estudio de Oxford en 2013 analizando más de 700 profesiones para determinar cuáles eran más susceptibles a la computarización, los aseguradores se incluyeron entre los cinco primeros más susceptibles. Incluso cuando la IA no reemplaza completamente a un suscriptor, la automatización de IA puede alterar las responsabilidades de un asegurador. La IA puede liberar el tiempo de un suscriptor para un mayor valor agregado, como evaluar y fijar los precios en los mercados emergentes menos ricos en data, proporcionando más información sobre la gestión de riesgos y el desarrollo de productos.

Inteligencia Artificial y Reclamos de Seguros

Los Reclamos de Seguros son las solicitudes formales de pago enviadas a las compañías de seguros. Las compañías de seguros luego revisan la demanda de validez y pagan al asegurado, una vez aprobado. Así es como la inteligencia artificial puede mejorar el proceso:

Mejora de la exactitud de los datos de los clientes. El proceso de reclamos es bastante manual: los agentes humanos registran manualmente la información del cliente y los detalles del incidente. De acuerdo con un informe Experian, la calidad de la data puede sufrir: data incompleta representa el 55% de los errores de data, mientras que los errores tipográficos comprenden el 32%. La IA puede mejorar la precisión al reducir la entrada manual. Además, los procesos de reclamos a menudo requieren que los agentes de seguros hagan coincidir la información del cliente con numerosas bases de datos. La IA se puede utilizar para hacer esto de manera más eficiente.

Recomendaciones de pago más rápido. De acuerdo a un estudio de satisfacción de reclamos de propiedades, de J.D. Power & Associates, el momento del ciclo de las demandas lentas es uno de los contribuidores más grandes de la insatisfacción del cliente. La IA puede ayudar a reducir los tiempos de respuesta al validar primero la póliza, luego hacer determinaciones sobre los reclamos y si automatizar o no el pago. Esto se debe a que la IA tiene la capacidad de analizar no sólo datos estructurados, sino también datos no estructurados como formularios escritos a mano y certificados.

Últimas Reflexiones

Algunos futuristas han argumentado que el mundo se está acercando rápidamente a un punto de inflexión, acuñado “singularidad,” donde la inteligencia de la máquina superará la inteligencia humana. Famosos tecnólogos y científicos, entre ellos Bill Gates y Stephen Hawking, han advertido sobre este punto. Elon Musk también ha expuesto popularmente, “La IA es un riesgo existencial fundamental para la civilización humana, y no creo que la gente lo entienda plenamente.”

A medida que la IA continúa proliferando nuestra vida personal y profesional, muchos problemas seguirán surgiendo. Estos incluyen el potencial de errores, un sentimiento general de desconfianza hacia las máquinas y las preocupaciones sobre el reemplazo del trabajo. Sería un error ignorar estos temores. Sin embargo, la sociedad ya está en un camino acelerado hacia un mundo impulsado por la IA. En este nuevo mundo, podría ser más productivo centrarse en cómo las máquinas y los seres humanos pueden coexistir mejor. Será importante que los responsables de la formulación de políticas se mantengan cautelosos, permitiendo que las nuevas tecnologías se desarrollen mientras se vigilan y minimizan sus consecuencias negativas. Los desarrolladores y diseñadores también deberían aumentar la capacidad de los seres humanos para comprender los sistemas de IA, para así crear confianza y aumentar la satisfacción con las aplicaciones de la IA. Todos tendrán un papel que jugar.

Como mencionó Haruhiko Kuroda, Gobernador del Banco de Japón en una conferencia de IA y Servicios Financieros de 2017, “Es esencial que consideremos constructivamente las maneras deseables en las que los seres humanos y la IA se complementan, en lugar de confrontarse entre sí.

Por ejemplo, el juicio humano no está completamente libre de los paradigmas existentes y, es a veces, negligente a los cambios, la IA podría ajustar nuestro sesgo mediante el análisis neutral y encontrar, de igual manera, nuevas correlaciones entre una miríada de datos, mientras que los humanos podrían compensar la debilidad de la IA con su intuición, sentido común e imaginación.”

https://www.toptal.com/finance/market-research-analysts/como-la-inteligencia-artificial-está-afectando-el-mundo-de-las-finanzas/es