Escribe Laura Veldkamp / F&D FMI – Los datos son el combustible para los algoritmos de inteligencia artificial que han llevado los mercados bursátiles a máximos históricos gracias a la promesa de transformar economías. Pero, ¿cómo determinamos el valor de los datos? Los datos no se extraen de la tierra, ni se forjan en fábricas. Se acumula sin ser visto como un subproducto de la vida moderna: cada búsqueda, clic o paseo matutino con el móvil en el bolsillo deja un residuo de información que alguien, en algún lugar, puede usar.

Cuando un bien no tiene un precio observable—como un servicio público, por ejemplo—normalmente lo valoramos al coste. Pero los datos no tienen un coste explícito. Cuando un minorista registra ventas o una aplicación de mapas anota tu ubicación, eso es producción de datos. Por supuesto, las empresas gastan mucho en procesar, analizar y transformar datos. Contratan ejércitos de científicos de datos e invierten en infraestructura informática para extraer patrones del ruido. Pero los datos en bruto subyacentes son como los gases de escape de nuestro motor económico. ¿Cómo valoramos algo que simplemente aparece?

La verdad es que los datos no son gratuitos. Todos somos productores de datos remunerados. Una vez que comprendemos que los datos se producen a través de transacciones, surge una lógica económica más profunda. Si una empresa que maximiza el beneficio valora los datos que recibe de los clientes, tiene un incentivo para fomentar más transacciones, porque más transacciones significan más datos. Los clientes compran más cuando pagan menos. Las empresas que no ofrezcan descuentos verán cómo los clientes recurren a competidores que sí lo hacen. Por tanto, las empresas que maximizan el beneficio deben descontar sus bienes y servicios, no por equidad, sino para generar más ventas y más datos.

La mayor parte de la economía actual opera bajo este pacto oculto. Cada compra digital, cada descarga de una aplicación, cada clic es una transacción dual: los consumidores compran un bien o servicio y, al mismo tiempo, venden sus datos. El precio observable —la cantidad de dinero que cambia de manos— es realmente el precio neto de estos dos intercambios. Las empresas obtienen ingresos y datos; Los consumidores obtienen productos y comodidad.

Agrupación de precios

Aquí está el problema: como clientes, no sabemos qué precio ni qué descuento recibimos por los datos. Esto hace imposible saber si recibimos suficiente. Normalmente, los consumidores no tienen la opción de comprar un bien sin vender sus datos. Exigir dos transacciones al mismo tiempo—en este caso, una venta de datos y una compra de producto—es lo que los economistas llaman agrupamiento. Al ocultar el precio de los datos, el empaquetado garantiza que los clientes reciban menos.

Imagina llegar a un país extranjero con una moneda diferente. Al llegar, pagas el equivalente a 18 dólares por un almuerzo que debería costar 3 dólares. Tras unos días, aprendes cuándo regatear, cuándo marcharte y qué precio es justo. En la economía digital, somos perpetuamente ese turista de primer día. Vendemos nuestros datos cada vez que navegamos o compramos. Pero como la transacción está agrupada, nunca vemos el precio. No podemos aprender de la experiencia.

Las regulaciones que obliguen a las empresas a desagregar las transacciones —a publicar tanto el precio con derecho a usar los datos de la transacción como el precio de una transacción privada— arrojarían luz sobre el mercado de datos. Los consumidores podían aprovechar el descuento de datos. Algunos pueden decidir que merece la pena; otros pueden retener sus datos a menos que el descuento sea sustancial. Con el tiempo, los consumidores evolucionarían de turistas ingenuos a proveedores astutos de datos, exigiendo su parte de las ganancias de la economía de datos.

El reto para economistas y responsables políticos es convertir los datos—un activo ambiental e invisible—en algo que podamos contar, contener y valorar. Los economistas han comenzado a construir un kit de herramientas para la medición de datos. Cada enfoque ofrece una visión diferente del “valor” y será factible en distintas situaciones.

Cinco enfoques

Primero, la aproximación de precios de mercado. Algunos datos se negocian en mercados abiertos, en plataformas como Snowflake o Datarade, donde se compran y venden conjuntos de datos. Pero estos datos no constituyen una muestra representativa de datos económicamente importantes. La mayoría de las empresas no te venderán sus datos más valiosos, porque son fundamentales para su ventaja competitiva. Pero para el subconjunto de datos representado en estos mercados, el precio es una señal de valor probada y comprobada.

Segundo, el enfoque de ingresos. Esto trata los datos como cualquier otro activo productivo: vale cualquier ingreso extra que pueda generar. Este método plantea una pregunta contrafactual: ¿Cómo serían los beneficios si una empresa no tuviera algunos datos? Este enfoque requiere un modelo que pueda predecir cuáles habrían sido los beneficios sin los datos. En finanzas, esto es factible porque sabemos que los inversores utilizan datos para comprar más activos que generarán altos rendimientos. En otros contextos, los datos pueden tener múltiples usos que son más difíciles de medir y cuantificar.

Tercero, enfoque de entradas complementarias. Una forma de inferir el valor del stock de datos de una empresa es analizar los recursos que destina a gestionar y explotar esos datos. Los datos no producen valor por sí solos; solo se vuelven productivos cuando se combinan con personas y herramientas. Si sabes cuánta mano de obra y potencia de cálculo emplea una empresa para trabajar con datos, y cuánto cuesta, puedes inferir el valor implícito del stock de datos que hace que el gasto merezca la pena. Es indirecto, pero la señal más clara de que algo es valioso es que las empresas pagan dinero real por usarlo.

Cuarto, el enfoque de comportamiento correlacionado. Si los datos mejoran las decisiones, deberíamos verlo en la alineación entre lo que hacen las personas y la recompensa por esas decisiones. Los economistas pueden medir esas correlaciones entre acciones y beneficios para estimar cuánta información debieron tener los responsables de la toma de decisiones. En los mercados de consumo, eso puede significar rastrear cuán exactamente las recomendaciones coinciden con las compras, o cuán precisamente una empresa almacena bienes que se vendan bien. Una alta covarianza implica datos valiosos en acción. Este enfoque mide los datos por su huella conductual.

Por último, el enfoque de contabilidad de costes. Por instinto, los contables simplemente suman las facturas para obtener datos. En cierta medida, el nuevo Sistema de Cuentas Nacionales de las Naciones Unidas lo hace contando los conjuntos de datos adquiridos como activos. El problema es que la mayoría de los datos no se compran; se intercambian. Los consumidores “pagan” con información cuando compran bienes o utilizan servicios digitales. Esos descuentos implícitos rara vez aparecen en los registros. Un verdadero recuento del coste de los datos tendría que imputar el valor de los dólares o céntimos recortados en cada compra para fomentar más transacciones y más revelación de datos.

Es el enfoque más sencillo en teoría y el más difícil en la práctica, porque nos pide ver transacciones de datos que nunca han sido detalladas. Desagregar datos y transacciones de bienes exigiendo precios separados para las transacciones con y sin derechos de uso de los datos de las transacciones haría viable la contabilidad de costes.

Hacia la cuantificación

En conjunto, estos cinco enfoques describen una clase de activo invisible. Cada uno captura un aspecto del valor de los datos: trabajo dedicado, ingresos generados, precisión de las acciones, precio de mercado o coste implícito. Ninguna es infalible, factible en todos los casos ni holística en su medida. La medición siempre es imperfecta. Sin embargo, para tomar decisiones informadas y elaborar políticas sólidas, debemos trasladar los datos del ámbito de la intuición al ámbito de la cuantificación. Hasta entonces, la economía funciona con un recurso cuyo precio solo podemos adivinar, y cuyo valor Silicon Valley puede explotar libremente.

LAURA VELDKAMP es profesora Leon G. Cooperman de Finanzas y Economía en la Escuela de Negocios de la Universidad de Columbia y autora de The Data Economy: Tools and Applications.