Tesis:
Modelos cuantitativos aplicados al entorno estratégico financiero
- Autor: MARÍN DE LA BÁRCENA GRAU, Amparo
- Título: Modelos cuantitativos aplicados al entorno estratégico financiero
- Fecha: 2020
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIEROS DE TELECOMUNICACION
- Departamentos: SEÑALES, SISTEMAS Y RADIOCOMUNICACIONES
- Acceso electrónico: http://oa.upm.es/67159/
- Director/a 1º: PORTILLO GARCÍA, Javier
- Resumen: Esta tesis doctoral responde a la siguiente cuestión: “¿hasta qué punto son aplicables los modelos cuantitativos al entorno estratégico financiero? El uso de datos y la analítica de datos cuenta con más de 400 años de historia, pero en los últimos años, la caída de los costes de la tecnología y el avance de la Inteligencia Artificial (AI) y Machine Learning (ML) han destapado oportunidades para capturar su valor mejor y más rápido. El problema para muchas de las compañías tradicionales es que su comprensión del estado de la cuestión de la captura del valor esencial del dato está en fase incipiente. Adicionalmente, el COVID-19 ha evidenciado que el análisis de información, su disponibilidad en tiempo quasi-real y su relevancia para la toma de decisiones se ha convertido en imperativo para que los negocios sobrevivan a la crisis. En los últimos 3 años, los bancos a nivel global han invertido $1 trillion (trillones americanos) en tecnología, principalmente asociada a Transformación Digital, pero dicha inversión no ha generado el retorno esperado. La digitalización está redefiniendo los comportamientos de los consumidores y las estrategias de las empresas. Sin embargo, la tasa de éxito de la transformación digital es limitada. La mayoría de las empresas no han sabido diferenciar entre transformación digital y la habilidad de capturar datos de alto impacto para generar retorno. La monetización de datos consiste en capturar su valor esencial para crear valor. Esta tesis doctoral propone un modelo para capitalizar el valor del dato y analizar el impacto en la transformación del negocio desde el prisma de la mejora de resultados a corto plazo, ayudando a entender las principales palancas para generar retorno. La implantación del modelo requiere 3 elementos: 1) identificación de las métricas clave para generar valor y medir impacto; 2) simplificar la toma de decisiones; 3) establecer un liderazgo que apoye la monetización de datos – empoderando a los individuos desde una dimensión cualitativa. A medida que las personas perciben que su contribución genera un retorno en un grupo de “test”, se puede extender al resto de la organización. La naturaleza de la muestra con la que se ha testado el modelo ofrece un nivel aceptable de confianza, dado que las empresas seleccionadas eran líderes en su sector y operan a nivel global. Una de las principales contribuciones de la presente tesis es ayudar a entender la importancia de una estrategia de inteligencia de datos para mejorar el desempeño. A propósito de lo anterior en este trabajo se han explorado varios casos de uso que corroboran el amplio rango de oportunidades en cuanto a: 1) generación de ingresos, 2) reducción de costes, 3) minimizar riesgos, 4) mejorar el desempeño. Otra de las contribuciones reside en el impulso que ofrece para otras tecnologías como Blockchain o Big Data, que el modelo ha utilizado para dotar a los resultados de mayor resiliencia y trazabilidad y hacerlos compatibles con los requerimientos regulatorios. La tesis acompaña el modelo propuesto, de las hipótesis y métodos utilizados para entender mejor las conclusiones y sugerencias de evolución Uno de los principales hallazgos es la necesidad de modelos duales que combinen las dimensiones cuantitativa y cualitativa. La razón de optar por nuestro enfoque es su idoneidad realizar predicciones con poblaciones de datos con <500 puntos de profundidad histórica. En la última sección se incluyen las conclusiones de este Trabajo, aportando un asistente para sistematizar la elaboración de modelos de generación de retorno a partir de la captura de aquellos datos esenciales con impacto en cuenta de resultados. La originalidad de nuestro Trabajo viene avalada por la NASA y la Comisión Europea que han mostrado su interés por ejecutar una prueba de concepto para medir el impacto en los Objetivos de Desarrollo Sostenible de la Agenda 2030 de las Naciones Unidas y estandarizar el reporting no financiero. Con carácter circunstancial hemos tenido la oportunidad de testar también la efectividad del modelo híbrido para mitigar la crisis sanitaria. Quizás hayamos descubierto una alternativa para navegar el camino de la recuperación y regenerar una nueva economía. ----------ABSTRACT---------- This doctoral Thesis attempts to answer the following question: to what extent are quantitative models applicable to the Financial and Strategic environments? The use of data and data analytics is centuries old, but in recent times data costs have fallen sharply, and there are major opportunities to analyze data and generate business returns better, cheaper and faster. The problem for many legacy firms is that their understanding of state-of-the-art data value capture is still in its infancy. Meanwhile, Artificial Intelligence (AI) and Machine Learning (ML) are advancing rapidly, new tools and techniques are appearing constantly, and companies in other sectors are racing ahead. Data and data analytics are accelerating exponentially and at unprecedented pace. Additionally, the COVID-19 pandemics, has turned the identification of high impact data, its availability in near-real time and significance to support decision making from a “nice to have” into an imperative which is crucial for many businesses to survive and navigate the crisis. Over the last three years alone, global banks have spent $1 trillion on information technology, but little of that investment has produced the expected returns. Most of this huge IT spend is associated with digital transformation, because the rise of digital technologies is reshaping customers’ habits and company strategies. However, the success rate of digital transformation has proved to be very low. Most of these companies have missed out on the high-impact value-creation opportunities because of a failure to differentiate between digital transformation and data value capture. The generation of business returns based on high impact data, is the use of data that is essential to create economic value. This doctoral Thesis proposes a model based on data value capture and analyses the impact on business transformation from a short-term profit enhancement strategy that helps in understanding the essential levers to generate returns. Implementation of our model requires three main elements: 1) identification of the key metrics to generate value and track impact return; 2) radically reducing enterprise decision-making complexity; 3) establishing fully empowered data monetization leadership – by appointing a qualitative dimension that involves individuals. As people feel their contribution matters to results in a test group, it can spread and share lessons learnt and help convert the rest of the firm to the cause. The nature of the sample where the model has been applied contributes to the overall credibility, as the selected firms are leaders in their respective markets and operate in different countries. The main contribution of this doctoral Thesis is to provide a broad understanding of the data intelligence strategy for superior performance. For this purpose, different case studies have been woven into this work. They demonstrate the range of opportunities that can be achieved in terms of (1) Economic impact driven by revenue growth (creating new streams to increase the bottom line); (2) Cost reduction (using data to optimize operations and productivity, personalize customer relationship management, and improve the dialog with the customer); (3) Minimizing risk, and (4) Performance optimization. This work examines different case studies within the Financial and strategic environments and untaps an opportunity to empower and leverage other emerging technologies such as Blockchain or Big data to make results more robust, traceable and compliant with regulatory needs. The proposed research model, research method, findings and research suggestions are presented with associated regression equations and hypotheses. One of the main findings is the need for dual models that combine the quantitative and qualitative dimensions. The reason to opt for this approach is its suitability for predictive studies and usability for small-scale analyses where samples have less than 500 historical points. In the last section, the conclusions of the study are presented and to complement our contribution, apart from the model, an assistant to systematize this type of impact generation models based on data value capture is provided. At this point it is worth mentioning that the originality and relevance of the work is supported by institutions such as the European Commission or NASA who have shown their interest to apply the proposed model to measure the impact of SDGs and evaluate whether the objectives set by the United Nations for the Agenda 2030 will be met. Due to the special circumstances we have had the opportunity to test the effectiveness of our proposed model to mitigate the scarcity of material due to the COVID-19 pandemics. Could this be an opportunity to navigate the recovery path based on a new Economy?