Cómo las finanzas pueden usar los datos para crear valor en toda la empresa

La analítica avanzada de datos a menudo se percibe como una oportunidad para abordar los desafíos comerciales con la ayuda de nuevas tecnologías. También se puede utilizar en la función financiera para crear valor añadido para la empresa.

1. Valor del ciclo de vida del cliente

El valor del ciclo de vida del cliente (CLV, por sus siglas en inglés) es un índice de gestión clave para medir el margen de contribución que los clientes o grupos de clientes obtienen durante todo el curso de su "vida". Un factor importante que afecta al CLV es la confianza del cliente en una marca o empresa. Los parámetros tradicionales para calcular el CLV (fidelidad del cliente, combinación de productos, margen del producto, edad, poder adquisitivo) ya no encajan: la analítica de datos utilizados por los consumidores determinan cada vez más el parámetro de fidelidad del cliente. Hace solo unos años, la lealtad del cliente dependía principalmente de las experiencias directas con el producto y el marketing. Ahora los clientes pueden usar soluciones de análisis para recopilar información sobre todos los aspectos imaginables de un producto y cambiar rápidamente su evaluación.

Un ejemplo de esta solución analítica es Codecheck, un servicio gratuito que proporciona información sobre ingredientes nocivos en alimentos y cosméticos. La aplicación escanea el código de barras de los productos y proporciona instantáneamente una calificación con respecto al origen, los ingredientes utilizados y cuán saludables o no están. Codecheck recibe la información requerida para estas evaluaciones de instituciones como la Comisión de la UE o el Departamento de Salud Pública de California. Esto guía las decisiones de compra sin que las empresas puedan influir en el proceso. Por lo tanto, una medida de control basada en CLV no solo debe incluir las razones financieras, sino también las analíticas externas sobre productos, marcas y calificaciones de consumidores bajo el parámetro de lealtad del cliente.

2. Costo de capital

El costo de capital de una empresa también destaca la importancia de la analítica para la función financiera. Si bien el costo del capital dependía principalmente de la solvencia y las perspectivas económicas de una empresa en el pasado, la creciente importancia de la sostenibilidad y otros factores sociales están haciendo que la atención se desplace hacia la "financiación verde". Los inversores institucionales de todo el mundo ejercen una intensa presión sobre las empresas para que operen de forma ética y sostenible. La analítica permite a los inversores obtener información detallada sobre el impacto ambiental, social y de gobernanza (ESG, por sus siglas en inglés) de una empresa utilizando datos disponibles gratuitamente en el mercado. Las empresas que no realizan análisis de datos adecuados en este contexto pueden verse desagradablemente sorprendidas por los hallazgos externos sobre su empresa y, de repente, enfrentar una caída en el interés de los inversores y un aumento en el costo del capital.

3. Gestión de riesgos reputacionales

Los riesgos de reputación clásicos a menudo surgen como resultado de escándalos a escala global, que incitan a los clientes a reevaluar una empresa. Pero la analítica avanzada de datos aumenta la posibilidad de que incluso los escándalos más pequeños se puedan agregar a una imagen general más grande. O la analítica puede permitir que partes externas cuestionen o refuten afirmaciones en los informes de sostenibilidad de las empresas. Es posible que esto no provoque necesariamente escándalos con un impacto público significativo, pero de todos modos puede surgir un riesgo para la reputación.

Por lo tanto, un objetivo clave de la función financiera será alinear las afirmaciones de calidad en los estados financieros con los datos disponibles en el mercado. A diferencia de los análisis externos, el CFO siempre debe estar en condiciones de obtener una visión más profunda, acceder a mejor información y hacer pronósticos más precisos que las partes externas. El establecimiento de un modelo de gestión y analítica es necesario para permitir la generación de informes rápidos sobre los impulsores de valor clave.

4. Acceso al mercado

Además de los clientes, las compañías de inversión y los activistas, las empresas también se enfrentan a otro grupo de stakeholders que pretende aumentar su uso de analíticas de datos: gobiernos, autoridades y otras instituciones. Se está poniendo una carga creciente en la generación de reportes sobre la función financiera, especialmente en el entorno regulatorio, que no se puede gestionar adecuadamente sin soluciones analíticas y de reportes flexibles. Otra palanca será la calificación y evaluación de la información de la empresa por parte de las autoridades, como es el caso ya con impuestos.

El sistema de crédito social corporativo chino (CSCS, por sus siglas en inglés), programado para su implementación en 2021, forzará la tendencia significativamente más lejos registrando y analizando la información corporativa de acceso público en diversos parámetros. Para lograrlo, China planea utilizar analítica de datos e IA para recopilar la huella de datos digital de las empresas y analizar los datos en tiempo real. Es probable que la calificación de la empresa del análisis tenga un impacto directo en la empresa y pueda incluir sanciones como tasas impositivas más altas, exclusión de procedimientos de licitación de proyectos o listas negras. Los efectos positivos son menos inspecciones aduaneras, procesamiento más rápido de aplicaciones y mucho más.

Incluso si la función financiera no necesariamente asume la responsabilidad de monitorear los análisis de datos planificados en el CSCS, su integración dentro de la función financiera debería estar respaldada. Por un lado, la función financiera también es responsable de otras calificaciones, mientras que por el otro, incorporar el impulsor principal del CSCS en el modelo de control interno solo ya lleva a la operacionalización y al uso de todos los datos relevantes en los procesos de toma de decisiones cotidianos.

En una encuesta realizada por Accounting Today en 2019, el 92 % de los encuestados, principalmente ejecutivos sénior, indicó que planeaban invertir en analítica de datos en el año siguiente.¹ Sin embargo, solo el 28 % pensó que su empresa tenía una base de datos adecuada para usar analítica de datos de manera eficaz.

Según la encuesta DNA of the CFO 2020 de EY, solo un tercio de las empresas estiman actualmente que tienen capacidades adecuadas en analítica avanzada de datos o IA. Quizás aún más importante, solo un pequeño contingente de los CFO encuestados opinaron que sus empresas habían hecho un buen progreso con respecto al acceso a los datos y su uso. Muchas empresas primero tendrían que configurar una infraestructura interna diseñada para manejar la analítica. Sin embargo, hay formas y medios para hacer que este primer paso sea mucho más fácil.

El uso de analítica avanzada de datos como parte de la función financiera se basa en tres factores críticos de éxito.

En primer lugar, se debe desarrollar una dirección estratégica clara para el uso de analítica avanzada de datos. Junto con una iniciativa integrada de gestión del cambio, se pueden implementar los procesos de cambio necesarios. Es necesario un estado objetivo claro y orientado al futuro y debe combinar los componentes estratégicos y tecnológicos de un sistema de utilización de datos uniforme en toda la empresa. Esto puede ser monitoreado de cerca por la gerencia con un fuerte apoyo de liderazgo.

En segundo lugar, las empresas necesitarán una cultura y una metodología de trabajo flexibles con equipos interdisciplinarios. El equipo ideal tendrá una amplia gama de competencias básicas, desde científicos de datos, programadores y analistas de negocios hasta expertos de guardia. Estos conjuntos de habilidades podrán abordar preguntas específicas e impulsar el proyecto con nuevos enfoques, innovaciones que crean valor y decisiones basadas en datos. La composición adecuada del equipo forma el vínculo entre la estrategia y los desafíos operativos de la empresa en su conjunto, incluidas las funciones de IT y finanzas.

El tercer factor de éxito es la infraestructura y la arquitectura adecuadas para las herramientas y los métodos de analítica. La información estratégicamente valiosa se puede extraer de un conjunto de datos internos y externos estructurados y no estructurados utilizando modelos estadísticos, algoritmos y herramientas y soluciones basadas en la nube. El uso de conjuntos de herramientas y métodos matemáticos específicos permite a las empresas modelar escenarios futuros y automatizar las ayudas para la toma de decisiones. El aprendizaje automático, la IA, la minería de datos y procesos, así como el análisis centinela y semántico, hacen posible la integración de datos internos con datos externos enriquecidos. Esta combinación puede producir nuevos hallazgos confiables que se pueden usar para derivar KPI y crear valor agregado en toda la empresa.

La infraestructura basada en la nube brinda acceso a una potencia informática significativa y escalable, lo que hace que los cálculos de los modelos y soluciones de datos más complejos sean posibles. También hay disponibles más y más soluciones plug-and-play, que los empleados pueden usar sin una experiencia de programación específica. Uno de los mayores obstáculos en la implementación de analítica avanzada de datos es el alto costo inicial para implementar la infraestructura y la arquitectura. Sin embargo, esto se puede reducir gracias a las opciones escalables en la nube, lo que reduce el umbral inicial de puesta en marcha en comparación con hace solo unos años, siempre que la empresa tenga el equipo ideal y una estrategia sólida en marcha. El desafío final que enfrentan los CFO en esta década es combinar los tres elementos en un período adecuado.