Los procesos de conciliación al final del día crean desafíos de datos que impiden a las empresas del lado comprador lograr eficiencias con las nuevas tecnologías y las iniciativas de IA.
Los desafíos que plantea la dependencia de procesos de conciliación establecidos desde hace tiempo surgen a medida que el lado comprador transforma sus modelos operativos para adaptarse a las nuevas estrategias de gestión de datos, inversión y liquidación.
Este desafío se destacó en un estudio reciente, que reveló que más de dos tercios de las empresas del lado comprador aún dependen principalmente de las conciliaciones al final del día, y aproximadamente la mitad afirmó que las discrepancias en los datos y las diferencias de tiempo eran la causa principal de las discrepancias en los flujos de operaciones. La encuesta a líderes sénior del lado comprador se realizó en una mesa redonda organizada por la empresa de soluciones de datos Smartstream.
El desafío de la conciliación de datos al que se enfrentan las instituciones del lado comprador se ha agudizado a medida que han buscado pasar a la negociación de múltiples activos, a medida que se ha intensificado el escrutinio regulatorio y a medida que se espera cada vez más que pasen a un ciclo de liquidación T+1.
Nuevas eficiencias
A medida que la mejora de las tecnologías de investigación y negociación les dificulta competir en los rendimientos de la inversión, las empresas intentan competir en las comisiones. Para ello, han buscado eficiencias operativas para mejorar el rendimiento y reducir los costes. Una forma de hacerlo ha sido externalizar sus procesos de adquisición de datos, pero eso también está afectando a sus operaciones, afirmó Robin Hasson, director de conciliación de Smartstream.
«Los desafíos de los datos en la conciliación suelen ser la amplitud de los datos, la complejidad y la inconsistencia», dijo Hasson a Data Management Insight.
«Hay muchos más puntos de datos en los formatos modernos, y si todo el mundo los usara de la misma manera, las cosas serían mucho más sencillas. Pero esa no es la realidad».
La encuesta de Smartstream, titulada «Smart Reconciliations: The Buy-Side Perspective», reveló que el 59 % de los encuestados afirmó que las dependencias de datos externos eran su riesgo principal.
«Cuanta más sincronización se necesite entre los sistemas, mayor será el riesgo, más frágiles se volverán las cosas y mayor será el coste del cambio», dijo Hasson.
Más use cases
Las conciliaciones son importantes para proporcionar puntos de control para los datos que entran y se mueven a través de los sistemas de una organización. A medida que los use cases de los datos se han multiplicado, las conciliaciones ahora deben funcionar en toda la organización —no solo en la actividad de negociación— a medida que la información se transfiere de un equipo a otro. Esto tiene que ocurrir en tiempo real y sin pérdida de integridad de los datos, lo que añade presión a los responsables de datos para que el proceso sea correcto.
La necesidad más crítica para garantizar la calidad de los datos es que puedan utilizarse de forma segura para entrenar y alimentar modelos de IA, que pueden generar resultados erróneos si los datos que se les introducen no son precisos y fiables.
«Esa se ha convertido en una de las consideraciones más importantes», dijo Hasson. «Si se tiene acceso a datos de alta calidad y bien descritos, los modelos de IA pueden aprender lo que los datos realmente representan. Eso se vuelve realmente revelador y puede generar importantes beneficios comerciales».
Desafíos acumulados
Sin embargo, ejecutar esas comprobaciones vitales al final del día significa que la irregularidad y las interrupciones de los datos pueden acumularse de antemano, creando dificultades y errores en el flujo de trabajo. Las soluciones de IA están ayudando a acelerar y automatizar el procesamiento de los problemas, evitando inconsistencias que podrían causar daños antes de la conciliación al final del día.
La solución a esto es una estrategia de conciliación siempre activa, dijo Hasson. Una capa de control sobre la arquitectura de gestión de datos puede ayudar a identificar y rectificar irregularidades e interrupciones de inmediato, y a reducir los riesgos que plantean.
«Tan pronto como se detecta un fallo en la calidad de los datos, tan pronto como empieza a desviarse, se puede abordar», dijo Hasson.
«Con las soluciones de IA, se puede ser mucho más proactivo, a menudo detectando cambios de patrones e identificando riesgos antes de que se produzcan interrupciones. Se pueden ver desviaciones en los flujos de datos y recomendar cómo corregirlos».
Sistemas centralizados
La base tradicional de las conciliaciones en la mayoría de los use cases ha sido la gestión de datos maestros, que crea una única fuente de verdad. Esto se ha vuelto más importante a medida que las organizaciones han comenzado a adoptar una estrategia centralizada de gestión de datos para supervisar mejor sus procesos de datos cada vez más complejos.
«Existe un impulso hacia la estandarización del almacenamiento de datos para tener una única fuente de verdad. No solo para apoyar la formación de modelos de IA y la auditoría, sino también para impulsar conocimientos, análisis de tendencias y una inteligencia empresarial más amplia», dijo Hasson.
Tradicionalmente, esto se ha visto obstaculizado por arquitecturas de datos heredadas fragmentadas. Este no es un problema tan grave para algunas operaciones, pero la consolidación de sistemas dispares ha sido generalmente la regla general para los gestores de datos. Si bien la IA puede ayudar a vincular de manera más eficiente esas estructuras independientes utilizando herramientas de Protocolo de Contexto de Modelo (MCP), no sustituye a una modernización completa, dijo Hasson.
«Puede que esté enmascarando el problema subyacente», dijo. «Si se resuelven los problemas de forma táctica caso por caso, ¿realmente se está mejorando el control operativo en los próximos dos o tres años? La respuesta es: probablemente no. La calidad lograda nunca igualará la de un programa de datos estratégico».
