Los datos alternativos son datos utilizados para estudiar una actividad económica pero creadas fuera de las fuentes financieras habituales, como precios, informes empresariales y comunicados. Las imágenes por satélite, las visitas a una web, las compras agregadas con tarjeta y las reseñas son ejemplos comunes. Un dato poco habitual no es automáticamente útil ni fiable.
Del dato bruto a una lectura
El punto de partida es una observación del mundo real: vehículos en un aparcamiento, barcos en movimiento o uso de una aplicación. Convertirla en investigación exige una procedencia verificable, fechas correctas y una comparación con la actividad que pretende medir. Los datos alternativos complementan los informes y los precios; no los sustituyen por definición.
“Alternativo” describe la fuente frente a los datos financieros tradicionales. “No estructurado” describe el formato. Una fotografía por satélite puede ser ambas cosas; una tabla de gasto agregado puede ser alternativa y estar ya estructurada.
Controles antes de usar los datos
La primera pregunta es qué representa realmente la muestra. Los clientes de un único proveedor de pagos, por ejemplo, podrían no parecerse a todos los clientes de una empresa. La cobertura geográfica, los dispositivos observados y los cambios en la recogida pueden crear movimientos que parecen económicos pero solo son cambios de medición.
Después hay que reconstruir la cadena del dato: quién lo recogió, qué transformaciones sufrió, qué derechos permiten usarlo y cuándo llegó. Privacidad, licencias y condiciones contractuales no son detalles técnicos menores. Las obligaciones aplicables dependen de la jurisdicción y de la organización que utilice el dato.
Por último, se comparan coste y utilidad marginal. La compra, la limpieza, la asociación con empresas y el mantenimiento pueden costar más que la información obtenida. Una señal que funcionó en el pasado también puede debilitarse cuando cambian la muestra, el comportamiento observado o el número de operadores que la utiliza.
Profundización: tiempo, fuga de datos y deterioro
Una prueba profesional conserva versiones point in time: en cada fecha usa solo lo que estaba disponible entonces. Si un estudio histórico incorpora correcciones publicadas después, información futura entra en el pasado y crea fuga de datos. Eliminar de forma retroactiva empresas quebradas o usuarios desaparecidos también puede introducir sesgo de supervivencia.
La validación fuera de muestra ayuda a limitar el overfitting, pero no basta. También deben vigilarse retrasos, revisiones, cobertura y entity mapping, la asociación de observaciones con las empresas correctas. Si uno de esos elementos cambia, puede cambiar el significado económico de la señal.
Los datos alternativos no contienen necesariamente información material no pública. Aun así, el personal de la Division of Examinations de la SEC ha observado en Estados Unidos deficiencias de algunos asesores en la diligencia sobre proveedores, condiciones de recogida y riesgo de MNPI.
Por eso un proceso defendible documenta procedencia, señales de alerta, revisiones periódicas y decisiones de uso. El dato es un insumo para la investigación, no un atajo legal ni una promesa de rentabilidad.
Fuentes
- SEC Division of Examinations, Investment Adviser MNPI Compliance Issues — definición, ejemplos y observaciones estadounidenses sobre la diligencia en datos alternativos.
- CFA Institute, Data science and AI: A guide for investment managers — ciclo del dato, fuentes no tradicionales, calidad y principios de gobierno.
- CFA Institute Research and Policy Center, Unstructured Data and AI — distinción entre datos alternativos y no estructurados y uso responsable en investigación.
- CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — sesgos de supervivencia y anticipación, pruebas fuera de muestra y validación temporal.