Serie de entrevistas con el equipo ejecutivo de Clarity AI sobre las 8 dimensiones de la calidad de datos
¿Cómo garantiza Clarity AI que sus datos son de la máxima calidad?
Clarity AI utiliza un marco de 8 dimensiones para garantizar la máxima calidad de los datos. Estas dimensiones son: cobertura, actualidad, exactitud, actualización de datos, explicabilidad, coherencia, puntualidad y retroalimentación. En esta serie de entrevistas con ejecutivos de Clarity AI , se explora y explica cada una de estas dimensiones. Clarity AIEl equipo de expertos de la empresa crea metodologías científicas y basadas en pruebas que luego aprovechan una inteligencia artificial potente y escalable (por ejemplo, el aprendizaje automático) para recopilar, limpiar, analizar y ampliar los conjuntos de datos existentes con el fin de impulsar su plataforma tecnológica de sostenibilidad o integrarla directamente en los flujos de trabajo existentes de los usuarios.
Dimensión 6 - Coherencia
Clarity AIÁngel Agudo, Vicepresidente de Producto, Patricia Pina, Directora de Investigación e Innovación de Producto, Juan Diego Martín, Director de Estrategia de Datos, y Ron Potok, Director de Ciencia de Datos, debaten con Chris Ciompi, Director de Marketing de Clarity AI, la dimensión crítica de la coherencia y su relación con la calidad de los datos.
Chris Ciompi: Hola a todos. Bienvenidos de nuevo a otro debate sobre la calidad de los datos. Ángel, ¿podrías definir la coherencia en relación con la calidad de los datos?
Ángel Agudo: La coherencia puede describirse desde distintos ángulos, pero para nosotros se trata principalmente de tratar la información de la misma manera a lo largo del tiempo y de ser capaces de ofrecer imágenes de cómo les ha ido a las empresas. También está relacionada con la capacidad de comparar, y uno de los principales retos de la calidad de los datos es comparar manzanas con manzanas. La precisión de la definición de la métrica debe ser exactamente la misma para todas las empresas. El objetivo final es poder hacer comparaciones y tener coherencia al leer la métrica en todas las empresas. También hay coherencia en la forma en que agregamos toda la información y en cómo tratamos a las empresas, las filiales, los valores... Así, cuando se observa una cartera, todo va a estar organizado y agregado de forma coherente en los distintos valores, empresas y fondos.
Juan Diego Martín: Absolutamente, estoy de acuerdo con Ángel, y desde la perspectiva del cliente, la coherencia es crucial porque nuestros clientes están mirando el problema de la sostenibilidad desde diferentes lentes. Algunos se fijan en ESG, otros en el impacto o en las normativas. La coherencia es esencial para combinar y agregar las carteras de renta variable de diferentes empresas y extraer comparaciones, pero los clientes también quieren cotejar diferentes perspectivas. Necesitan comprender las carteras, los fondos y las empresas desde diferentes perspectivas para tener una mejor visión, por lo que necesitan que se les conceda y facilite toda esta coherencia.
Chris Ciompi: De acuerdo, muy bien. Patricia, ¿por qué es importante la coherencia para los consumidores de datos de sostenibilidad?
Patricia Pina: Cuando hablamos de coherencia hay dos dimensiones diferentes: en primer lugar, la coherencia entre los análisis relacionados con la sostenibilidad y, en segundo lugar, la coherencia temporal. Centrémonos primero en la primera, se refiere a que una misma empresa tiene un valor métrico o una puntuación que es diferente según el producto. Por ejemplo, el cliente vería un valor diferente para la puntuación de carbono de la empresa en el producto climático y en el producto de puntuación de riesgo ESG. Y podría haber muy buenas razones para esta discrepancia: diferentes frecuencias de actualización de datos por producto, diferentes universos de cobertura, por producto que conducen a diferentes puntuaciones al calcular las clasificaciones relativas y las puntuaciones de los mejores de su clase, o diferentes lógicas de herencia entre empresas matrices y filiales en función del caso de uso. Sin embargo, lo primero que notarán los clientes es la incoherencia y perderán rápidamente la confianza en los datos. Además, los clientes suelen mezclar datos analíticos de distintos productos para hacerse una idea completa de la trayectoria de sostenibilidad de una empresa, por lo que las incoherencias entre productos les dificultan mucho saber cuál es la verdad de fondo y qué deben pensar de esa empresa en concreto.
En lo que respecta a la coherencia temporal, los clientes se enfrentan a grandes cambios inesperados entre años; en este caso se trata de la explicabilidad y de garantizar que esos cambios estén justificados en el contexto de una serie temporal. En otras palabras, hay que asegurarse de que esos grandes cambios se deben a cambios reales de comportamiento y no a que la empresa haya modificado los límites de notificación u otros cambios metodológicos. La cuestión de las empresas que reexpresan los valores comunicados en años anteriores también constituye otro reto, ya que da lugar a que la empresa tenga dos valores diferentes para la misma métrica y el mismo año, lo que constituye otro tipo de incoherencia. Estos casos deben evaluarse cuidadosamente para comprender qué es lo que impulsa la reexpresión y cómo debe abordarse en función del caso de uso.
Chris Ciompi: Gracias, Patricia. Juan Diego, ¿cómo garantiza Clarity AI la coherencia de sus datos?
Juan Diego Martín: Nuestros clientes tienen que utilizar los mismos datos, y nosotros tenemos que asegurarnos de que estamos utilizando la misma cartografía y agregando la información de una manera que tenga sentido. La interpretación tiene que ser coherente, porque la coherencia consiste en ofrecer una visión global. Así entienden mejor las cosas y pueden tomar mejores decisiones de inversión.
Chris Ciompi: De acuerdo, entiendo. Sobre "tomar mejores decisiones de inversión", esto es exactamente lo que hacen...
Juan Diego Martín: Bueno, esta es su magia.
Chris Ciompi: Creo que aquí hay algo que debemos enfatizar. Estamos hablando de diferentes dimensiones en torno a la calidad de los datos, ¿verdad? La coherencia de los datos puede ayudar a formar su convicción. No estamos hablando de tomar decisiones por ellos. ¿Qué opina al respecto?
Juan Diego Martín: No, es confianza, ¿no? Esta convicción es también lo que se ha mencionado anteriormente sobre la generación de confianza. Es un elemento adicional que les hace confiar en la herramienta Clarity AI y en la información que contiene, porque entienden que hay una lógica detrás de todo esto.
Chris Ciompi: Bien, genial. Ron, hablemos de la coherencia y la IA. ¿Cómo influye la inteligencia artificial en la coherencia y en Clarity AI ?
Ron Potok: Algo que vemos muy claramente en los datos de sostenibilidad es que no suelen cambiar mucho de un año para otro, a menos que se produzca un acontecimiento que cambie drásticamente el rumbo de la empresa. Eso es algo que los inversores tienen muy en cuenta. Las empresas no cambian muy deprisa, sobre todo en el sector manufacturero. Así que lo que se espera es que, año tras año, una empresa con peores resultados tarde un poco en convertirse en la mejor de su clase. Hemos aprendido este patrón con la inteligencia artificial y lo aplicamos para garantizar que nuestras puntuaciones se mantienen fieles a la naturaleza del negocio, que a menudo cambia lentamente. También se pueden ver estos patrones en empresas sociales y gubernamentales en las que los consejos de administración y la rotación de empleados no cambian muy a menudo. Identificamos patrones y los aplicamos a los datos, y cuando vemos excepciones, echamos otro vistazo.
Chris Ciompi: Así que hay una unión de IA y expertos humanos trabajando juntos para identificar patrones y aplicarlos a los datos. ¿Es eso cierto?
Ron Potok: Sí, la IA identifica patrones y nosotros los aplicamos a los datos. Cuando vemos excepciones, echamos otro vistazo.
Chris Ciompi: Vale, bien. Patricia, ¿cómo ayuda la coherencia a impulsar la innovación de productos en Clarity AI?
Patricia Pina: La búsqueda de la coherencia nos ha hecho crear una plataforma que integra múltiples productos, todos conectados a una única fuente de verdad. Una arquitectura así nos permite propagar rápidamente la innovación a todos nuestros productos. Por ejemplo, actualmente estamos ingiriendo datos de satélite para estimar el nivel de actividad de los activos que posee una empresa, y estos datos estarán disponibles para nuestro producto climático, así como para nuestro producto de biodiversidad de reciente creación. En clima, los utilizaremos para estimar los datos de GEI, mientras que en biodiversidad, los utilizaremos para cuantificar la parte de las operaciones de una empresa que está expuesta a riesgos relacionados con la naturaleza.
Chris Ciompi: ¿Cómo influye la coherencia de los datos en Clarity AI en las capacidades de la aplicación de software?
Ron Potok: Una de nuestras propuestas de valor es que cubrimos todas las necesidades de sostenibilidad en un solo lugar, lo que supone una gran ventaja. Aprovechamos los mismos datos de base para todas las métricas de sostenibilidad en los distintos marcos: por ejemplo, las métricas de impacto en la biodiversidad incluidas en nuestra solución dedicada a la biodiversidad utilizan los mismos datos que las incluidas en nuestras soluciones de SFDR . Este enfoque, junto con metodologías coherentes, garantiza un alto nivel de coherencia general. Esto significa que una vez que se aprende cómo hacemos las cosas en un módulo, como Net Zero, SFDR, o EU Taxonomy, es lo mismo en todos los módulos. Esto podría ser una propuesta valiosa, especialmente para las pequeñas y medianas empresas. En lugar de tener que ir a varios sitios y preocuparse por diferentes coberturas, herencias y otras cuestiones, pueden confiar en nuestra plataforma para todas sus necesidades de sostenibilidad.
Ángel Agudo: Nuestra plataforma proporciona trazabilidad en todas las diferentes dimensiones que hemos mencionado, garantizando que todo funcione de forma coherente en todas ellas. Le pondré un ejemplo. Cuando subes una cartera, puedes ver cómo se desglosa en organizaciones individuales o gobiernos que pueblan la vista global de la cartera. Esto se extiende a través de diferentes lentes, y se puede ver que todos esos universos se replican a través de los diferentes módulos. Es importante mantener la trazabilidad de los incluidos o excluidos dentro de cada una de las diferentes lentes para entender la información mostrada. También es importante tener buenos vínculos entre valores y organizaciones. Nuestro software ofrece total transparencia sobre cómo están conectadas las distintas piezas, y las definiciones de las métricas son coherentes en todos los módulos. Así que puede confiar en la información que ve.
Chris Ciompi: Gracias de nuevo a todos. Gran debate.