Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
2001. Las tres “V” definida por Doug Laney para Big Data: “Volumen, Velocity, Variety”
(Volumen, Velocidad, Variedad).
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
Los volúmenes de información son mucho más grandes y amplios de lo que las empresas
suelen procesar.
Estructurados. Son los que tienen bien definido su longitud y formato y están
almacenadas en tablas: fechas, números, cadenas de caracteres...
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).
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.
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.
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.
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
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.
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:
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.
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.
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.
Aplicar las tecnologías emergentes como Big Data y Data Analytics para promover la
próxima generación de eficiencias en la empresa.
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.
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.
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.
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.
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.
Generar estrategias corporativas a cualquier nivel, con la confianza de contar con los
flujos de fondos para atenderlas.
Producir un reporting operativo que identifique las variables críticas que permitan una
toma de decisiones eficiente y eficaz.
Una fuente común de información para todos los procesos de contabilidad regulatoria y de
gestión.
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
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