IESE Insight
6 enfoques para valorar tus datos
Si los datos mueven la economía de hoy, ¿pueden observarse, medirse y tasarse con las mismas herramientas financieras de la vieja economía? Toca actualizarlas y hacer números.
Por Laura Veldkamp
Piensa en algunas de las empresas más valiosas del mundo, como Amazon, Microsoft o Google. ¿Qué es lo que más se valora de ellas? ¿Sus edificios? ¿Sus empleados? ¿Su tecnología? Principalmente, sus datos. Esto plantea no pocos interrogantes que afectan a todos y cada uno de los aspectos financieros, desde la fijación del precio de los activos (si los datos constituyen un nuevo tipo de activo, ¿cómo se valoran?) hasta la financiación (¿es realista el valor de las empresas intensivas en datos?), pasando por el emprendimiento (si los datos actúan como barrera de entrada a nuevos actores, ¿cómo afecta al poder de mercado la prestación gratuita de los servicios digitales?).
No es lo mismo la economía de los datos que la vieja economía, así que no queda otra que actualizar nuestras herramientas
La respuesta a estas preguntas no es fácil. Las herramientas financieras actuales, herencia de la era industrial, se basan en la mano de obra y el capital para producir. Sin embargo, la economía de los datos es muy distinta a la vieja economía, así que es hora de actualizar nuestras herramientas. Algunas permiten valorar los datos, sí, pero distan de resolver todas las dudas. De hecho, los datos son uno de los activos más difíciles de observar, medir y tasar. Pese a ello y dada su enorme importancia para la economía moderna, debemos intentarlo.
En este artículo propongo seis enfoques sobre la valoración de los datos y cómo avanzar en esta cuestión con las herramientas de medición de las que disponemos, aunque sean imperfectas.
Datos de naturaleza económica
La información sobre datos lleva siglos entre nosotros. La diferencia es que, ahora, los datos se han digitalizado. Pero lo interesante de la digitalización de los datos es el auge del big data –por ejemplo, el generado por los algoritmos de IA con tu historial de búsquedas en Internet, los patrones de movimiento de tu coche, tus compras, y un largo etcétera–, porque se ha convertido más en un subproducto y un predictor de la actividad económica que en un mero input para desarrollar nuevos productos o investigar. Es una diferencia fundamental. Nunca he presentado como subproducto ni mis actividades económicas ni mis trabajos de investigación. En cambio, mis actividades sí generan datos, un activo con el que se puede comerciar como jamás podría hacerlo yo con los conocimientos que he ido acumulando.
Otra diferencia clave entre el big data y demás formas de propiedad intelectual es que puede surgir de un trueque; es decir, das tu información personal a cambio de recibir algo “gratuitamente”, que después la empresa “monetizará” y sacará un rédito económico. Ese es el modelo de negocio de incontables apps. A más transacciones, más datos y más dinero para la empresa, o mayor su calidad, eficiencia o productividad.
¿Habrá más demanda de jerséis rojos que de color violeta? ¿Cuántos debería cargar en el camión o el barco de contenedores? ¿Cuántos he de mantener en el almacén? ¿A quién debería contratar? ¿En qué firmas debería invertir? Todas estas decisiones económicas se basan en datos. Y cuantas más transacciones consiga y más eficiente o productivo sea, más creceré y más beneficios tendré en un círculo virtuoso de rentabilidad.
Funcionamiento de la economía de los datos
La economía de los datos se puede representar en un modelo sencillo (ver esquema superior). Es de suponer que el activo inicial, los datos, sufrirán cierta depreciación con el paso del tiempo, así que hay que calcular un valor de depreciación. Para compensar dicha depreciación, se deben generar más datos, así que hay que añadir más transacciones o clientes, o nuevo capital o mano de obra, y calcular un nuevo valor del activo. También se pueden usar ratios de eficiencia para medir la capacidad de generar ingresos con los activos de datos en un periodo determinado. Es posible enriquecer estas fórmulas tanto como se quiera, pero la espiral de rentabilidad se puede calcular matemáticamente con ecuaciones sencillas parecidas a las utilizadas para medir el capital social.
Hay una segunda perspectiva, que ya he mencionado: ver cómo los datos crean valor e incrementan no solo los beneficios actuales (por ejemplo, fruto de la decisión, basada en datos, de producir jerséis rojos y no de color violeta), sino también los futuros. Las empresas con más datos consiguen más clientes y, a más clientes, más datos, hasta que se convierten en gigantes con los que nadie puede competir. Aquí los datos actúan como una barrera y crean valor impidiendo la entrada a competidores.
Una tercera manera de entender cómo los datos crean valor es desde la perspectiva de la reducción del riesgo. Recordemos que los datos son información útil para anticiparse mejor o con más exactitud, lo que reduce la incertidumbre y la aleatoriedad y, por tanto, el riesgo. Esta es la oportunidad que solemos dejar escapar; muchos directores financieros piensan en los datos desde el punto de vista de cómo aumentar los beneficios actuales o los ven en términos de poder de mercado. Pero pocos piensan en la capacidad de los datos para mitigar el riesgo y en cómo poner un precio a esa ventaja.
Teniendo esto en cuenta, presento ahora seis enfoques sobre la medición de datos. Son aproximaciones derivadas de distintos trabajos académicos que he realizado con Simona Abis (Columbia), Juliane Begenau (Stanford), Cindy Chung (Stanford), Jan Eeckhout (Pompeu Fabra), Maryam Farboodi (MIT Sloan), Adrien Matray (Princeton), Roxana Mihet (HEC Lausanne), Thomas Philippon (NYU Stern), Dhruv Singal (Columbia) y Venky Venkateswaran (NYU Stern).