Foco de atención: Calidad de datos - Dimensión 7, Punto en el tiempo
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 7 - Momento
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 del punto en el tiempo y su relación con la calidad de los datos.
Chris Ciompi: Gracias de nuevo, a todos, por tomarse el tiempo para charlar a través de otra dimensión de la calidad de los datos. La siguiente es el punto en el tiempo. Ángel, ¿podrías definir el punto en el tiempo en relación con la calidad de los datos?
Ángel Agudo: Point in time es la capacidad de ver los diferentes valores que proporcionamos a lo largo del tiempo para métricas, organizaciones, gobiernos... y cómo están evolucionando. Nuestra plataforma proporciona actualizaciones que se producen en tiempo real. Por ejemplo, las noticias identificadas sobre empresas pueden aparecer con frecuencia, lo que afecta a la percepción y el análisis de la empresa. La información puntual le permite ver cuáles son las fluctuaciones en la empresa que pueden estar ocurriendo debido a esos acontecimientos en tiempo real.
Chris Ciompi: Usted está hablando de las fluctuaciones en tiempo real y yuxtaponiéndolo a punto en el tiempo, ¿puede explicar eso de nuevo?
Ángel Agudo: Claro. Definimos punto en el tiempo como la combinación de información que se produce en cada momento en que actualizamos la información. Aportamos los datos que tenemos sobre las organizaciones, que pueden venir con muy baja frecuencia, como actualizaciones anuales de la información que reporta la empresa, o con alta frecuencia que pueden venir de otras fuentes de información que no necesariamente proporciona la empresa, como noticias de ONG. Todos ellos motivarán cambios en la empresa en métricas individuales o en la percepción general de la empresa.
Chris Ciompi: Gracias. De acuerdo, Patricia. ¿Por qué es importante el punto en el tiempo para los consumidores de datos de sostenibilidad?
Patricia Pina: Para nuestros clientes es fundamental comprender el camino hacia la sostenibilidad que están recorriendo las empresas y en qué punto se encuentran en cada momento. Si nos centramos, por ejemplo, en la necesidad de descarbonizar nuestra economía, no basta con entender qué empresas tienen hoy bajas emisiones de carbono. Lo realmente interesante son las empresas con altas emisiones que están iniciando su camino hacia la descarbonización y están cobrando impulso. Descarbonizar la economía real requiere identificar y apoyar a estas empresas de altas emisiones en su transición; sólo a través de la evaluación de la evolución de la trayectoria de emisiones de las empresas en diferentes puntos en el tiempo podemos hacerlo. Del mismo modo, el punto en el tiempo permite a nuestros clientes identificar a las empresas que aún no se están descarbonizando para que puedan crear estrategias de compromiso.
Chris Ciompi: Gracias, Patricia. Juan Diego, ¿cómo se asegura Clarity AI de que sus datos incorporan el punto en el tiempo como dimensión de la calidad de los datos?
Juan Diego Martín: Para entender lo que había disponible en un momento diferente en el pasado, necesitamos combinar dos cosas: datos y procesos. En el caso de los datos, todo debe ir unido a una marca de tiempo, a una firma y al momento en que se publicaron, investigaron, procesaron y expusieron al cliente. Esto combina diferentes frecuencias de datos, donde las noticias pueden cambiar instantáneamente y la capitalización del mercado puede cambiar cada día o minuto, mientras que la información sobre políticas y normativas puede tardar más en actualizarse. El otro elemento que tenemos en cuenta es contar con procesos que sean robustos ante cosas que puedan afectar a la capacidad de reconstruir esta imagen en el pasado. Por ejemplo, si una empresa cambia de nombre o se produce una fusión, tenemos que estar preparados para combinar la información y ofrecer una visión exacta de lo que había disponible en un momento determinado.
Chris Ciompi: Bueno, vamos a ir a través de ese ejemplo. Acaba de mencionar que se comunica un punto de datos y que un año más tarde ese punto de datos se actualiza. ¿Cómo funciona nuestro sistema, cómo funciona el punto en el tiempo en ese escenario?
Juan Diego Martín: Entonces, si nos fijamos en la visión histórica frente a la puntual, deberíamos utilizar la información reexpresada porque proporciona la visión más precisa de la puntuación de esa empresa en ese preciso momento. Pero si nos fijamos en el punto en el tiempo, lo que estamos tratando de entender es qué información estaba disponible en un momento dado, y entonces tenemos que utilizar la información no reexpresada para que la información que se publicó originalmente tenga sentido.
Chris Ciompi: Gracias. Bien, Ron, ¿cómo influye la inteligencia artificial en el punto en el tiempo en Clarity AI ?
Ron Potok: Vamos a utilizar un ejemplo claro y específico aquí como las emisiones de Alcance 3. ¿Por qué es especial el Alcance 3? Es especial porque es muy difícil de notificar. Su notificación aún no está normalizada. Muchas empresas no informan de todos los campos del Alcance 3 que son extremadamente relevantes para sus industrias. Así pues, la falta de normalización y de madurez del alcance 3 nos obliga a realizar una comprobación adicional. Utilizamos nuestra estimación del Alcance 3 y la comparamos con los datos notificados, y tenemos la posibilidad de sustituir los datos notificados por nuestra estimación debido a la falta de coherencia y madurez de los datos notificados del Alcance 3. Por lo tanto, creo que este es uno de los aspectos que más nos preocupa. Así que creo que es el único caso en el que el punto en el tiempo tiene una gran influencia en nuestros modelos de estimación. Por lo demás, en referencia al punto en el tiempo, como ya comentamos en un episodio anterior de esta serie, el programa de noticias incorpora el punto en el tiempo para cambiar las puntuaciones ESG.
Chris Ciompi: ¿Puedes decir un poco más?
Ron Potok: Permitimos que las nuevas controversias influyan en las decisiones que estás tomando tan pronto como podemos. Tan pronto como encontramos esos datos, los procesamos a través de nuestra plataforma de una manera muy eficiente. De este modo, no se recibe la influencia de una controversia un mes después de que se haya producido. Queremos que pueda saber que nuestras puntuaciones ASG reflejan el verdadero riesgo ASG o la sostenibilidad asociada a la empresa en ese momento.
Chris Ciompi: Entendido. Gracias a todos.