Saber qué organizaciones se desempeñan mejor en cualquier dimensión solía requerir encuestas subjetivas o dolorosa investigación. Actualmente, ya existen los datos para responder a esas preguntas, son obtenidos por las firmas de software como servicio, a las que recurren las compañías para manejar sus negocios.

Las grandes compañías de software están comenzando a presentarle “espejos de datos” a sus consumidores, lo que permite calificar y comparar las estrategias de los consumidores. Ya hemos visto que es posible usar datos externos para evaluar firmas con base en el modelo de negocios que dicen estar empleando, y lo que esos modelos de negocio significan para sus valuaciones. Dichos análisis se basan en fuentes de información públicamente disponibles.

Ahora, los proveedores de software están acumulando crecientes cantidades de información privada sobre casi todos los aspectos de la tecnología, operaciones, personal y estrategias de sus consumidores. Es tiempo de que esos acumuladores de datos compartan sus conocimientos con los creadores de toda esa información. Muchas firmas están comenzando a hacerlo.

Las firmas de software que más tienden a tener información privada de los consumidores son aquellas que brindan capacidad de transacciones a los consumidores usando un modelo SaaS por suscripción. SAP, por ejemplo, tiene datos sobre una variedad de ámbitos transaccionales, desde las órdenes de los consumidores hasta balances vacacionales. Una de sus unidades de negocios, Fieldglass, brinda a los consumidores conocimientos y referencias sobre el manejo de fuerzas de trabajo externas. El software MarketShare, de Neustar, posibilita que sus clientes midan los efectos de sus programas de marketing y los comparen con los de otras firmas. Incluso es posible presentarle el espejo de datos a usuarios individuales de tecnología. Microsoft Office, por ejemplo, tiene un programa llamado MyAnalytics, que informa a los consumidores acerca de cuánto tiempo pasan en diversas tareas, y el tamaño y fortaleza de sus redes de comunicación.

Al mismo tiempo que los espejos de datos y las calificaciones han emergido en el mundo corporativo, los mercados de capital se están interesando más en el análisis de series de datos alternativas. Inversionistas activos, como los fondos de cobertura, buscan superar al mercado y a los proveedores de índices. Justo por esa razón, el gigante de índices bursátiles S&P compró a Kensho, una firma boutique de análisis basado en inteligencia artificial: para mejorar en el uso de IA en decisiones de inversión y diversificar la clase de datos utilizados para tomar esas decisiones.

Las empresas de software y otras que desarrollan calificaciones y espejos de datos pueden incrementar sus ingresos y ganancias con casi ningún costo marginal, al construir índices invertibles que se correlacionan con sus singulares conocimientos y datos sobre los réditos de los inversionistas. Estos pueden ser promocionados y monetizados a través de los mercados de capital en sociedad con firmas de intercambio y calificadoras.

Creemos que hay muchas más oportunidades para que las compañías de software adopten este enfoque –reuniendo datos, relacionándolos con los resultados deseados y devolviéndoselos a sus consumidores–. Salesforce, por ejemplo, podría dejar que sus consumidores evalúen su propia habilidad de impulsar prospectos en el proceso de venta. Workday podría brindar análisis y comparaciones de rendimiento incluso más detallados que ADP o SAP Fieldglass sobre la fuerza de trabajo de una compañía. Oracle podría dejar que las empresas conozcan el costo promedio de una orden de compra en comparación con otras firmas.

Permitir que una compañía se compare con otras con base en atributos específicos es valioso, pero hay una oportunidad incluso mayor de crear valor a partir de los datos, asignando calificaciones a los consumidores usando análisis que muestren cómo se comparan con sus pares en funciones o procesos amplios. La calificación FICO es un excelente ejemplo; la compañía sintetiza la compleja historia crediticia de un consumidor a una calificación de tres dígitos, que tanto acreedores como deudores pueden entender. Imagine si todos los fabricantes tuvieran, por ejemplo, una calificación de eficiencia para la cadena de suministros o una calificación para el desarrollo de liderazgos. Esto le brindaría a los líderes la motivación para mejorar sus calificaciones, y le permitiría a los mercados de capital tomar mejores decisiones acerca de las capacidades de las compañías en las que invierten.

El atractivo de generalizar las mediciones no financieras para evaluar las compañías ha sido discutido durante muchas décadas, pero nunca se ha logrado a pesar del continuo crecimiento de activos y prioridades pobremente medidos usando los principios de contabilidad generalmente aceptados.

Recomendaciones

Por supuesto, hay muchos pasos que las compañías de software necesitan tomar para hacer posibles los espejos de datos. He aquí algunas consideraciones clave:

• Es esencial asegurarse de que su compañía sea dueña de los datos o tenga permiso para usarlos. Muchos acuerdos de licencia de software ya permiten el uso de dicha información para propósitos de análisis y comparación, pero no todos lo hacen.
• Agregar los datos y usarlos para permitir comparaciones respecto a otros consumidores, de forma que sus clientes y prospectos sepan cuál es su posición.
• Las firmas de software quizá quieran mostrar los datos sólo en forma anónima, para preservar la confidencialidad del consumidor. Por supuesto, esto reduce el valor de la información e inhibe la habilidad de monetizarlos. Si una compañía está tratando de brindar valor para los inversionistas, el anonimato no funciona pero podría ser desafiante para las firmas de software hacer que los consumidores acepten ser mencionados. En dichas situaciones, pueden usarse datos externos públicamente disponibles para calificaciones y clasificaciones.
• Las compañías podrían necesitar algunas capacidades de inteligencia artificial para hacer que funcionen los espejos de datos, particularmente si la calificación o índice está relacionada con el desempeño financiero. El aprendizaje de las máquinas es la tecnología ideal para crear una serie de calificaciones predictivas a partir de una recopilación de datos. Otras tecnologías de IA pueden usarse para extraer datos de sistemas transaccionales, o para analizar y cuantificar datos textuales.
• Al igual que las empresas que actualmente brindan recomendaciones personalizadas de cómo mejorar una calificación crediticia, las compañías necesitarán análisis prescriptivo y recomendaciones de cómo elevar su calificación en cualquier medida que esté siendo evaluada. El aprendizaje de las máquinas y la generación de lenguajes naturales puede brindar dichas recomendaciones.

Casi todas las compañías a las que hemos investigado, de las que hemos escrito y aconsejado, están en las etapas iniciales de este movimiento y van tomando ritmo. Aprecian cada vez más el potencial valor de clasificar y optimizar las operaciones y recursos del consumidor con recomendaciones automatizadas. Nos hemos referido a este fenómeno como “robo-consejeros corporativos”, y los vemos más todo el tiempo. Sin embargo, las compañías de software están quizá mejor equipadas para ofrecerlos.

Este enfoque de datos-primero obviamente abre una variedad de temas relacionados con la privacidad y propiedad de la información, productos vs servicios, interpretación de datos, estrategias de monetización, y el poder de los monopolios de plataforma. Sin embargo, esperamos que los constructores de espejos de datos, y los sistemas de calificación que ellos están creando, cambien a numerosas industrias, procesos y funciones. Actualmente hay disponibles tantos datos internos y externos, que parece inevitable el que al menos parte de ellos se usen para evaluar el crecimiento de las empresas comerciales.

Thomas H. Davenport es el president’s distinguished professor en administración y tecnologías de la información en Babson College. Barry Libert es miembro de juntas directivas y consejero de CEO’s enfocado en redes y plataformas. Es president de OpenMatters, una compañía de aprendizaje de las máquinas. Megan Beck es jefa de productos en OpenMatters.