Modelando y simulando el futuro con el apoyo de los datos

Para enfrentarnos a la realidad y conocerla, vencerla o transformarla a partir de una interpretación de la misma, los seres humanos desarrollamos desde hace milenios herramientas con las que defendernos o hacer el trabajo más fácil. Estas pueden ser los utensilios habituales para prolongar la fuerza de nuestras manos o unas formulaciones más o menos imprecisas para conocer la realidad cambiante de lo social, económico, biológico, operativo, artístico, etc. En lo abstracto, nos referimos a las teorías y a los modelos, escritos en general en lenguajes matemáticos, así como a los algoritmos que los hacen funcionar para simular, inferir y optimizar lo que ha ocurrido o puede ocurrir.

Los modelos matemáticos requieren datos de todo tipo de la realidad y un entramado físico y social para su búsqueda, captura y almacenamiento. El que los modelos produzcan unos resultados más o menos útiles a los estudiosos, a la sociedad o a los que toman decisiones y resuelven problemas con su concurso depende de la cantidad y fiabilidad de los datos, así como de su análisis e interpretación.

De la bondad, o no, de los modelos matemáticos en la economía y en la sociedad, y su fiabilidad para simular y prever situaciones que se escapen del statu quo presente a escala micrométrica, dicen mucho las finanzas a escala internacional, la crisis a la que nos han llevado y el ejemplo dramático de la ilusión fatal que proporcionan a los que los han diseñado y usado de tenerlo todo controlado. Aun cuando los modelos en este ámbito deberían simular el equilibrio entre el riesgo y el rendimiento de aportar crédito a la economía, siendo verdad que han mejorado la cuantificación de los riesgos, no han sido capaces de evitar errores monumentales ni prever, arbitrar o evitar conductas macroeconómicas absurdas —cuando no delictivas— con consecuencias que todos sufrimos todavía.

A pesar de la gran cantidad de talento que en las últimas décadas ha absorbido el sector financiero de la sociedad las consecuencias de esa diferencia entre prever y acertar, a partir de un diagnóstico adecuado sin visiones dogmáticas, se conocen bien y las seguimos pagando todos de diversas y dolorosas maneras. ¿Tan difícil es simular que puede acarrear tal o cual decisión o política e interpretar objetivamente los resultados?

La cantidad de datos que proporcionan todos los aparatos y personas conectados que están para soportar la labor apuntada de acercarnos a una percepción mejor de la realidad se cuentan actualmente por zettabytes (1015 megabytes). Su masiva recopilación y la capacidad de procesamiento de los mismos a precios muy asequibles se estima, por el Stanford Strategic Decisión Center de esa universidad, que aporta un mercado a la economía de más de 20.000 millones de dólares anuales. De esos datos, el mismo centro evalúa en solo un 20% los que son relevantes para la toma de decisiones de cierto alcance estratégico y realmente resolver los problemas de las personas más allá de controlar la operativa de reducidísimo plazo.

El aprovechamiento de datos es evidente que en el futuro presenta muchas oportunidades de negocio real y más de innovación para extraer conocimiento y percepciones de los propios datos, mejorar la toma de decisiones y la calidad y recorrido de las mismas, aportar más valor económico y democratizar su uso y puesta en valor social y político. No se trata sólo de incrementar la cifra del PIB a partir de ello, sino de acercarse inteligentemente a cómo las decisiones resuelven los problemas reales de las personas —los inmediatos y los futuros— y extraer valor práctico de ello.

Todos los elementos que convergen en este área –big data, modelos, algoritmos, internet of things (IoT), analytics, inteligencia artificial, etc.– y su gran capacidad de tratar datos de fuentes diversas, ponen encima de la mesa un gran desafío al que nuestra industria de servicios no debe ser ajena: cómo trascender de las mejoras en decisiones operativas de cortísimo plazo donde ahora se concentran y apuntar a niveles más amplios y complejos para tratar de simular nuevas trayectorias de crecimiento, nuevas estrategias que las guíen y nuevos razonamientos que los impulsen (out of the box en términos anglosajones).

Los algoritmos numéricos para toma de decisiones que en gran medida se utilizan actualmente, y que constituyen el cerebro pensante de los modelos matemáticos y sistemas de decisión, se formularon con gran visión a partir de situaciones que gigantes como Newton, Gauss, Lagrange, Kantorovich o Dantzig debieron resolver. Y de eso hace varios siglos en algunos casos, por lo que seguimos aupados a hombros de esos gigantes todavía. Es indudable que sobre esta base debemos incorporar los desarrollos de las últimas décadas y su potencia de cálculo para diseñar los nuevos algoritmos y procedimientos que han de transformar el paisaje de la percepción y ayuda en la toma de decisiones de los próximos decenios.

Los modelos matemáticos para vislumbrar realidades muy fluctuantes e interdependientes en la industria, la economía, la sociedad y el medio ambiente serán cada día más ambiciosos y detallados, los algoritmos más inteligentes –en el sentido humano de razonamiento– y adaptables a situaciones que integren y crucen ingentes cantidades de datos de sectores considerados hoy distantes. Ambos afrontan un futuro con grandes posibilidades en sectores productivos y de servicios a corto o medio plazo a los que se les requiere flexibilidad para adaptarse a los mercados y a los vaivenes de la economía a una escala global.

Nuestra propuesta sería que hay que estimular los ecosistemas horizontales que dinamicen comunidades de inteligencia científica y de actividad económica mucho más amplios a partir de la perspicacia, la creatividad y experiencia de las personas y grupos que comanden esos desarrollos. Que hayan vivido escenarios similares, con acierto o desacierto, y su interacción en el entorno económico, social e industrial es un punto de partida que ya se emplea en bastantes redes universitarias y profesionales a escala mundial y que debe tener una réplica decidida y valiente en nuestro país y en la UE. Estos tipos de ecosistemas enraízan fácilmente en el entorno y, funcionando adecuadamente, son difíciles de deslocalizar y resisten bien las crisis.

Para que este ecosistema de inteligencia colectiva de frutos, es esencial un sistema educativo sólido e interrelacionado. A pesar de sus defectos, nuestro país tiene buenos mimbres públicos y privados, tradición de esfuerzo ante las dificultades y necesidad de formarse cuanto más mejor. Sólo hace falta desencadenar entornos ágiles para que el emprendizaje universitario y el empresarial se encuentren y estimulen mutuamente —sin esperar a que lo hagan otros con nuestros mimbres— y ponerlos en marcha con una cierta visión y estrategia de país.

Elena Moliné es Independiente ‘Senior Advisor’.

José Luis de la Fuente O’Connor es profesor de la Politécnica de Madrid y presidente de ASEPIC.