Herramientas del Big Data para el Análisis Financiero

Herramientas del Big Data para el Análisis Financiero | 1

 TABLA DE CONTENIDO

CONCEPTO DE BIG DATA ............................................................................................................... 3

BUSINESS INTELLIGENCE Y BIG DATA ANALYTICS ......................................................................... 5

SOLUCIONES BIG DATA .................................................................................................................. 7

FUENTES DEL BIG DATA ................................................................................................................. 8

APORTACIONES A LA DIRECCIÓN FINANCIERA .............................................................................. 9

DATA CASH MANAGEMENT .......................................................................................................... 12

1. Principios del Data Cash Management ............................................................................. 13
2. Posibilidades para la Dirección Financiera ....................................................................... 14

SOLUCIONES A LA GESTIÓN FINANCIERA .................................................................................... 15

APLICACIÓN A UN CASO REAL DE BIG DATA ............................................................................... 17

Herramientas del Big Data para el Análisis Financiero | 2

Concepto de Big Data

Big Data es el conjunto de tecnologías diseñadas para conseguir un mejor rendimiento de

grandes volúmenes de datos(1) que no pueden ser procesados por métodos tradicionales. El
enorme volumen de datos procedentes de páginas web, redes sociales, aplicaciones de
imagen y vídeo, dispositivos móviles, apps o sensores necesita sistemas potentes que
permitan su gestión. El Big Data analiza cómo están extraídos, de dónde provienen y si son
fiables y relevantes.

(1) Gigabyte = 109 = 1,000,000,000

Terabyte = 1012 = 1,000,000,000,000

Petabyte = 1015 = 1,000,000,000,000,000

Exabyte = 1018 = 1,000,000,000,000,000,000

Las ideas más avanzadas sobre Big Data surgen en 1999 con:

El primer uso del término Big Data en un trabajo académico: “Visually Exploring Gigabyte
Datasets in Realtime (ACM).

El primer uso del concepto “Internet of Things” (Internet de las Cosas) en una
presentación de negocios de Kevin Ashton para Procter and Gamble.

Desde dicha fecha el crecimiento del concepto de “data” es imparable:

2001. Las tres “V” definida por Doug Laney para Big Data: “Volumen, Velocity, Variety”
(Volumen, Velocidad, Variedad).

2005. La Web 2.0 aumenta el volumen de datos

Herramientas del Big Data para el Análisis Financiero | 3

2007. Emerge el uso actual del término “Big Data”.

2008. Globalmente, 9,57 zetabytes (9.570.000.000.000 gigabytes) de información se

procesa por las CPUs del mundo. Se estima que 14,7 exabytes de información nueva se
produciría este año.

2009. Una compañía promedio estadounidense con más de 1.000 empleados, almacena
más de 200 terabytes de datos de acuerdo al informe sobre Big Data: “The Next Frontier
for Innovation, Competition and Productivity”(La próxima frontera para la innovación, la
competencia y la productividad) realizado por McKinsey Global Institute.

2010. Eric Schmidt, presidente ejecutivo de Google, dice en una conferencia que la
cantidad de datos que ahora se están creando cada dos días, es mayor que la creada
desde el comienzo de la civilización humana hasta el año 2003.

2011. El informe McKinsey señala que en 2018 los EE.UU. se enfrentará a un déficit de
entre 140.000 y 190.000 científicos profesionales de datos, y advierte que cuestiones
como la privacidad, la seguridad y la propiedad intelectual tendrán que ser resueltas antes
de que se den cuenta de todo el valor de Big Data.

2015. El uso de Internet móvil supera a las computadoras de escritorio por primera vez. El
88% de los ejecutivos que respondieron a una encuesta internacional realizada GE dice
que el análisis de grandes volúmenes de datos es una prioridad

Herramientas del Big Data para el Análisis Financiero | 4

Las principales ventajas del Big Data son:

Los volúmenes de información son mucho más grandes y amplios de lo que las empresas
suelen procesar.

La información es obtenida de fuentes externas a la empresa (redes sociales, terceras

personas, datos públicos...)

Se integran para su análisis conjuntos de información distintos.

Análisis en tiempo real e instantáneo de la información.

Los datos de Big Data pueden ser de 3 tipos:

Estructurados. Son los que tienen bien definido su longitud y formato y están
almacenadas en tablas: fechas, números, cadenas de caracteres...

No estructurados. No tienen formato específico y pueden ser generados por máquinas y

computadoras y personas mediante un ordenador.

Semiestructurados. Son una mezcla de los estructurados y no estructurados.

Business Intelligence y Big Data Analytics

Business Intelligence (BI) es el conjunto de metodologías, aplicaciones y tecnologías

cuyo objetivo es obtener y tratar datos y convertirlos en conocimiento útil para la empresa
con el fin de obtener una ventaja competitiva.

La metodología tradicional de BI se basa en el principio de agrupar todos los datos

empresariales en un servidor central. Estos datos se analizan en modo off-line tras almacenar
dicha información en un entorno denominado Data Warehouse.

Los datos se estructuran en una base de datos relacional convencional con un conjunto
adicional de índices y formas de acceso a las tablas (cubos multidimensionales).

Herramientas del Big Data para el Análisis Financiero | 5

Desde finales del siglo pasado se habla de “Business Intelligence”, indicando con esta expresión
tanto los procesos como las herramientas utilizadas para obtener la información necesaria para
que una organización pueda planificar una estrategia capaz de incrementar su ventaja
competitiva en el mercado.

Cuando la información es fiable, exacta y completa es una fuente de valor. Una información
insegura, incompleta, imprecisa o analizada fuera de su contexto puede convertirse en un
elemento de inestabilidad ya que puede dar lugar a decisiones basadas en datos incorrectos y
generar resultados diferentes de los deseados.

Big Data Analytics (Business Analytics - BA) es una herramienta muy útil para analizar
grandes bases de datos para obtener correlaciones, predicciones, patrones ocultos... Su
objetivo principal es ayudar en la toma de decisiones ya que permite analizar grandes
volúmenes de bases de datos, seguimiento de clics en Internet, llamadas de móviles,
informes de actividades de medios sociales, información captada por los sensores…

La Advanced Analytics se centra en analizar por qué están pasando las cosas y en predecir
qué va a pasar. En la gestión financiera de una empresa el desconocimiento de las previsiones,
posibles contingencias, pérdidas de liquidez, impagos, etc puede suponer la diferencia entre
crecer, mantenerse o desaparecer.

El Advanced Analytics es el nombre de las herramientas como la investigación de operaciones,

la estadística paramétrica y no paramétrica, el análisis multivariante y los modelos predictivos
basados en algoritmos que son la base de los sistemas basados en grandes datos.

Aunque Big Data y Business Intelligence (BI) son dos tecnologías que sirven para analizar datos
existen otras diferencias metodológicas. Difieren tanto en el modo en el que lo hacen como en
el tipo de datos que analizan.

La evolución natural de la Business Intelligence es el Big Data Analytics: herramientas,

procesos y sobre todo la capacidad de analizar, relacionar y contextualizar grandes
cantidades de datos heterogéneos. Una vez que se hayan interconectado pueden
suministrar una información de inestimable valor. Business Analytics (BA) = Big Data +

Herramientas del Big Data para el Análisis Financiero | 6

 Business Intelligence (BI) + Herramientas estadísticas

Big Data es todo lo que no puede ser tratado y analizado con los paradigmas tradicionales
extraídos de las bases de datos relacionales, debido a que se trata en su mayoría de datos no
estructurados.

Los límites principales a la gestión y análisis del Big Data no dependen tanto de la tecnología en
sí misma como de las altas y multiformes competencias que deben tener.

Soluciones Big Data

En el entorno de Big Data los datos se almacenan en un sistema de ficheros distribuido en lugar
de en un servidor central (Como se hace en el Business Intelligence). Al estar el análisis
centrado en torno al dato permite manejar cantidades muy grandes de información de forma
ágil y analizar enormes volúmenes de información de forma rápida, que es de suma importancia
desde el punto de vista del valor de los datos, de su medición, interpretación y gestión.

La tecnología de Big Data emplea conceptos de Procesamiento Paralelo Masivo (MPP) lo cual
mejora la velocidad en el análisis. Con MPP muchas instrucciones se ejecutan de forma
simultánea ya que los trabajos se dividen en varias partes de ejecución en paralelo y al final se

Herramientas del Big Data para el Análisis Financiero | 7

reunifican y se presentan los resultados globales.

Big Data puede analizar datos en diferentes formatos, tanto estructurados como no
estructurados. El volumen de datos no estructurados (los no almacenados en una base de datos
tradicional) está creciendo a niveles muy superiores que los datos estructurados pero su análisis
conlleva distintos retos.

Las soluciones de Big Data los solventan permitiendo un análisis global de distintas fuentes de
información: formularios de clientes, datos consolidados del ordenador central-host de la
compañía, información contable, información bancaria...

Los datos procesados por las soluciones de Big Data pueden ser históricos o provenir de fuentes
en tiempo real para que las empresas puedan tomar decisiones que afectan a sus negocios de
forma ágil y eficaz.

Los avances de la tecnología han proporcionado la oportunidad de desbloquear el “tesoro”

escondido y enterrado bajo una masa de información desordenada. Hacen falta sofisticados
algoritmos capaces de extraer del Big Data las constantes que se repiten, las correlaciones
ocultas que a primera vista pueden escapar. Hacen falta profesionales con habilidades
matemáticas, análisis de la inteligencia artificial y alto conocimiento del contexto en que se
realiza el análisis de datos.

Fuentes del Big Data

A pesar de que la explosión de la información digital es reciente al volumen del Big Data
contribuyen una variedad de datos e informaciones acumulados en el tiempo. Las fuentes
de origen del Big Data son diferentes pero reconducibles a algunas principales macro-
categorías:

Información people to machine: Es la fuente de la mayoría de los datos acumulados,

originados incluso mucho antes de la formulación del concepto de Big Data. Se trata
principalmente (sobre todo para la información ya acumulada) de datos transaccionales,
es decir, de datos asociados con una transacción (por ejemplo, la compra de un bien o
servicio) que fueron almacenados originalmente sólo para fines de contabilidad y no para
propósitos analíticos.

Herramientas del Big Data para el Análisis Financiero | 8

 Este tipo y cantidad de información ha llamado la atención de las funciones de marketing
de las empresas, que fueron las primeras en empezar a pensar en aprovechar estos datos
para realizar el perfil de sus clientes y de su comportamiento con el objetivo de componer
una oferta cada vez más alineada a sus necesidades.

Información people to people: Se trata de información que surge de las interacciones

humanas, que se producen cada vez más en formato digital a través de las redes sociales.
La información que viaja en el medio digital deja una pista, lo que da lugar a las prácticas
de “social listening“ (de escucha de las redes sociales).

El social listening ha permitido recopilar con mayor fiabilidad un conjunto de información que
antes no era posible (o muy difícil) recuperar de forma tradicional, con cuestionarios, entrevistas
o focus group. La posibilidad de cruzar e integrar esta información con la acumulada por los
sistemas transaccionales permite a las empresas enriquecer más la conciencia del “sentiment”
de la audiencia.

Aportaciones a la Dirección Financiera

Las áreas de la empresa donde el modelo de Big Data está más desarrollado son: ventas,
marketing, servicio al cliente e investigación y desarrollo (I+D). No obstante también se
está aplicando al área de finanzas, sobre todo en la medición del riesgo y la mejora de
presupuestos y previsiones.

El Big Data Analytics aporta a la Dirección financiera:

Reporting financiero: el resumen y consolidación de series de datos históricos.

Análisis de tendencias: descubrimiento de patrones ocultos en las series temporales de

datos para toma de decisiones del departamento.

Segmentación: identificación de similitudes dentro de dichas series de datos.

Modelos predictivos: predicción de eventos futuros partiendo de datos históricos: flujos de

caja, cash-flow, tesorería, capacidad de crédito, posiciones de riesgo de clientes, etc.

Herramientas del Big Data para el Análisis Financiero | 9

La mejor forma de medir el efecto del Big Data es en el cálculo del ROI, no sólo el utilizado
(return on investment) sino también el nuevo ROIn (return on information) que afecta tanto al
área financiera como a todas las áreas de la empresa, convirtiéndose en una poderosa
herramienta de control y gestión.

Los directores financieros han utilizado su experiencia en control de costes y eficacia operativa
para garantizar el desarrollo de las empresas ayudando a mejorar sus funciones pero en el
futuro deben encontrar nuevas formas de mantener el rendimiento y hacer crecer el negocio.

Las herramientas e infraestructuras que sirvieron a los líderes financieros hasta hace unos años
pueden no funcionar actualmente. Los niveles de costes que antes eran eficaces cada vez lo son
menos ya que los márgenes se van reduciendo y los gastos operativos aumentan y son difíciles
de cubrir.

Las tecnologías innovadoras (como Big data) han dado lugar a nuevas formas de competencia
que suponen un gran desafío. Un director financiero puede en una conferencia desde su tablet o
iphone enviar las nóminas de sus empleados a la entidad financiera, realizar una transferencia
internacional para un pago urgente, disponer de una línea de crédito o prever la situación de
tesorería para dentro de 6 meses, por ejemplo.

Las tecnologías emergentes como Big Data cada vez están más presentes en las nuevas
estrategias para resolver los desafíos. El cloud computing, por ejemplo, ofrece oportunidades
de obtener ventajas adicionales porque reduce la necesidad de una inversión inicial en
hardware y licencias de software y minimiza la incertidumbre asociada con la inversión en
nueva tecnología.

Herramientas del Big Data para el Análisis Financiero | 10

Las empresas con un sistema financiero basado en tecnología Big Data son más proclives a
tener capacidades avanzadas en las siguientes áreas:

Estrategia y gobierno: desarrollar un modelo operativo y una estructura de gobierno que

apoye la estrategia de la organización y la capacidad de generación de informes necesaria
para evaluar el rendimiento de la empresa en relación a sus objetivos estratégicos.

Procesos clave y valores: promover un enfoque orientado al valor de los accionistas,

garantizar que se emplean en los procesos claves de toma de decisiones.

Tecnologías emergentes: trabajar para desarrollar un caso de negocio y desplegar

tecnologías innovadoras como la nube, las redes sociales y la analítica. La habilidad en
aplicar las nuevas tecnologías para llegar al nivel siguiente de eficacia y soportar la toma
de decisiones empresariales a gran escala se ha convertido en algo fundamental. Todo
está conectado.

Planificación estratégica financiera y fijación de objetivos: vincular motores de valor e

indicadores clave de rendimiento (kpi) a los objetivos estratégicos, y desarrollar objetivos
que sean aplicables en toda la organización.

Previsión, generación de informes y analítica: desarrollo de un enfoque integrado para

hacer previsiones y generar informes que proporcionen una visión precisa que permita
realizar correcciones de rumbo en tiempo real en toda la organización. La mayoría de
empresas se centran en datos históricos, lo que no les permite hacer correcciones en el
momento correcto.

Gestión de riesgos financieros: gestionar el riesgo de un modo más proactivo y holístico

(algo como un todo) en la empresa. Tradicionalmente, el riesgo operativo y de crédito se
han gestionado de forma independiente. Sin embargo, la capacidad de evaluar y generar
informes de estos riesgos en la empresa proporciona a la organización la capacidad de
supervisar la exposición al riesgo antes de que se conviertan en pérdidas operativas
financieras.

Desde la perspectiva del Big Data el Director Financiero debe:

Aplicar las tecnologías emergentes como Big Data y Data Analytics para promover la
próxima generación de eficiencias en la empresa.

Realizar un examen profundo de la operativa financiera y económica de la organización.

Herramientas del Big Data para el Análisis Financiero | 11

 Desarrollar una mejor comprensión de cómo la tecnología puede apoyar al área financiera
a implementar políticas de eficacia, eficiencia y optimización de la gestión de los flujos de
fondos.

Data Cash Management

El termino Data Cash Management engloba cualquier operación susceptible de materializarse

en dinero relacionada con el tratamiento de la información de flujos de efectivo, históricos,
alertas, proyeccio- nes o escenarios predictivos. Cualquier herramienta de Big Data efectiva
permitirá no sólo un control total sobre la gestión financiera sino también tomar decisiones con
una certeza próxima al 100%.

Big data y Big Data Analyst se convierten en aliados imprescindibles en el día a día de las
organizaciones y en su dirección y control financiero, convirtiéndose en una valiosísima
herramienta de desarrollo, gestión y valoración de los flujos de fondos, anticipándose a posibles
acciones de la competencia y transformando el software en valor.

Para la gestión de los recursos de la empresa hay que ir más allá de la simple gestión del
efectivo, hay que anticiparse a su necesidad (antes de que se manifieste) mediante
presupuestos de tesorería, análisis y actuación sobre las desviaciones del presupuesto. Hay que
tener una visión global de todo el circuito que sigue el dinero en la empresa y ser muy ágil en el
movimiento de fondos.

El Data Cash Management engloba además el conjunto de técnicas utilizadas para gestionar los
flujos monetarios y la posición de tesorería así como el conjunto de actividades encaminadas a
reducir el capital circulante al mínimo imprescindible con el fin de incrementar el rendimiento de
los fondos de la empresa.

Sin la participación de un protocolo de Big Data en la gestión del sistema financiero (por parte
del Director Financiero Controller o responsable de tesorería) es posible que las decisiones que
se puedan tomar sobre su situación real procedan de datos no exactos o erróneos, lo que en la
práctica puede provocar situaciones de falta de liquidez, tensiones financieras y posiciones de
insolvencia o imposibilidad de mantener las actividades ordinarias de la empresa.

Herramientas del Big Data para el Análisis Financiero | 12

1. Principios del Data Cash Management

Los flujos de salida tienen que estar en consonancia con los de entrada.

Los cobros en la empresa tienen que estar controlados y producirse en el menor plazo
posible.

Los pagos deben de retrasarse en la medida de lo posible, pero siempre cumpliendo con la
legalidad vigente, máximo 60 días según la Ley 15/2010, de 5 de julio por la que se
establecen medidas de lucha contra la morosidad en las operaciones comerciales.

La liquidez debe de gestionarse y aplicarse teniendo en cuenta rentabilidad y

disponibilidad.

Hay que tener en cuenta el coste alternativo del dinero en el tiempo, pues no es lo mismo
cobrar hoy que mañana y en cantidades importantes el coste del retraso puede ser
importante.

Es necesario optimizar y gestionar el “float” de las operaciones, ya que desde el momento

del vencimiento de las deudas comerciales hasta que el cobro se hace efectivo pueden
darse retrasos comerciales y financieros. El primero por demora en el pago por parte del
cliente y el “float financiero” por el retraso a consecuencia de la forma de ingreso
bancaria, ya que por ejemplo en los cobros por cheques o pagarés se producen retrasos
de entre dos o tres días si son de otra entidad y pueden llegar incluso a superar los 15
días en el caso de cheques emitidos en el extranjero.

Herramientas del Big Data para el Análisis Financiero | 13

 Se deben de tener muy en cuenta las diferencias en las fechas de valoración de las
operaciones ya que de lo contrario pueden generarse intereses por descubierto.

Hay que tener las cuentas imprescindibles y con el saldo necesario para cumplir con los
compromisos de pago, ya que no es algo extraño que en muchas empresas existan
cuentas inoperativas, con saldos, donde los únicos apuntes son comisiones bancarias. Hay
que procurar no mantener saldos ociosos.

2. Posibilidades para la Dirección Financiera

Las nuevas herramientas basadas en Big Data proporcionan múltiples posibilidades a la

dirección financiera. Las más importantes son:

Control total sobre la posición neta de tesorería, tanto a nivel individual como a nivel
agregado o consolidado en caso de una multinacional o corporación.

Posicionamiento diario del flujo financiero global para satisfacer las necesidades de la
compañía.

Generación de estados predictivos de posición neta a futuro para acceder a inversiones,

Herramientas del Big Data para el Análisis Financiero | 14

 adquirir productos o servicios o aprovechar una ventaja competitiva.

Generar estrategias corporativas a cualquier nivel, con la confianza de contar con los
flujos de fondos para atenderlas.

Reducir costes operativos en todas las áreas de la compañía e impulsa su crecimiento.

Simplificar el camino crítico aportando valor a la organización.

Producir un reporting operativo que identifique las variables críticas que permitan una
toma de decisiones eficiente y eficaz.

Posicionar a la compañía en elevados niveles de rentabilidad y optimización de sus

activos, por una correcta valoración de los mismos.

Proyectar operaciones de índole comercial internacional en base a escenarios predictivos,

incluso con la utilización de divisas, coberturas u otros elementos de control del riesgo.

Optimizar tanto la tesorería como la deuda financiera de la compañía, reduciendo gaps o

aprovechando sinergias para rentabilizar posiciones positivas de efectivo para anticipar
pagos obteniendo ventajas en precio, adquisición y/o control.

Soluciones a la Gestión Financiera

Un proveedor de soluciones de herramientas de Big Data orientadas a la planificación y

control de la gestión financiera en general es SAP. Se encuentra en la franja de líderes en el
Cuadrante Mágico de Gartner de herramientas analíticas en febrero de 2015, con su suite
HANA.

Herramientas del Big Data para el Análisis Financiero | 15

Además de la actualización de SAP Lumira (otra herramienta de alto valor para sistemas
inteligencias de datos e información) la compañía ha aprovechado para presentar la solución
SAP ERP Financials (dirigida al área financiera) que aprovecha las capacidades nativas de la
plataforma SAP HANA con una arquitectura de próxima generación para mejorar la experiencia
del usuario.

La solución de gestión financiera está enriquecida con las siguientes funcionalidades:

Una fuente común de información para todos los procesos de contabilidad regulatoria y de
gestión.

Nueva forma en la presentación de informes y capacidades de análisis para los usuarios

de finanzas con acceso de autoservicio a toda la información.

Capacidades on-the-fly para mover el procesamiento de las finanzas, tales como las
actividades a finales de mes o una partida a tiempo real.

Estas funcionalidades también sirven como base para las nuevas soluciones de contabilidad y
gestión de caja SAP Accounting impulsada por SAP HANA y SAP Cash Management impulsada

Herramientas del Big Data para el Análisis Financiero | 16

por SAP HANA, diseñada para satisfacer la evolución de los requisitos de los departamentos de
finanzas.

Aplicación a un caso real de Big Data

PharmaMar, compañía líder en investigación, desarrollo e innovación (pionera en el

descubrimiento de nuevos medicamentos de origen marino frente al cáncer) comenzó a
gestionar su tesorería en 2014 en modo SaaS con el software Big Data de tesorería para
empresas del MidMarket Sage Treasury. Gracias a esta modalidad optimizó su gestión de
tesorería asegurándose la disponibilidad de información en cualquier momento y lugar con
la máxima seguridad.

La solución Sage Treasury SaaS le ha garantizado disponer a primera hora de la mañana su

posición de tesorería actual tanto a nivel nacional como internacional. El acceso web al servicio
(inmediato desde cualquier lugar a través de un simple navegador) le garantiza en todo
momento y lugar la información para la toma de decisiones de optimización de la tesorería.

De esta manera el Tesorero se concentra en el negocio y en el diseño de estrategias y medidas

de mejora del Cash-Flow desde la herramienta de Big Data que incorpora un módulo de análisis
preditictivo y de escenificación de estrategias.

A través del programa de este software de tesorería de Sage PharmaMar se conecta

automáticamente con sus bancos y recupera la información de sus cuentas bancarias,
integrando sus extractos bancarios a primera hora de la mañana sin intervención manual alguna
y optimizando el rendimiento de su departamento financiero.

La compañía consigue seguridad, fiabilidad y agilidad en la obtención de datos que permiten

gestionar su tesorería así como un ahorro considerable de tiempo al eliminar múltiples tareas
que se realizaban manualmente.

Como servicio en la nube no requiere infraestructuras tecnológicas importantes. El tiempo de

instalación es mínimo. Únicamente requiere habili tar unas opciones en el navegador y la

Herramientas del Big Data para el Análisis Financiero | 17

inversión inicial es mucho menor. Además cualquier administración o mantenimiento de los
datos y aplicaciones son realizados por Sage con la máxima fiabilidad y seguridad. Cabe
destacar igualmente la flexibilidad del pago por uso según volumen de las operaciones diarias.

Se puede acceder a una información más amplia de las funcionalidades de este producto a
través del siguiente link: http://www.quonext.com/solu- cion-gestion-tesoreria-sage-xrt-treasury

Herramientas del Big Data para el Análisis Financiero | 18