CONECTOR INTRASTAT: UNA FORMA DE CONOCER A UNA EMPRESA NACIONAL POR SUS VENTAS O COMPRAS REALIZADAS EN OTROS PAÍSES COMUNITARIOS — SCORING DE RIESGO.

1. QUÉ ES INTRASTAT

El sistema INTRASTAT es una normativa europea que nace como consecuencia de la necesidad de conocer, con fines estadísticos, los movimientos de mercancías (compra o venta) que realizan los actores comerciales de todos los países miembros debido a la constitución del Mercado Único en 1993 (lo que supuso la desaparición de las formalidades aduaneras entre los distintos estados miembros).

Será preceptivo la cumplimentación y presentación de la declaración INTRASTAT por todos aquellos operadores nacionales, personas naturales o jurídicas con sede en la península o Baleares (los territorios de Canarias, Ceuta y Melilla por tener un régimen aduanero especial y distinto al comunitario no se tienen en cuenta para este tipo de declaración), que hubiesen alcanzado en sus operaciones intracomunitarias un importe facturado de 400.000 euros (umbral de exención) en el ejercicio precedente o en el corriente y en uno o en ambos flujos (importación o exportación), quedando obligados a su presentación a partir del periodo de referencia y debiendo reflejar en dicha declaración la totalidad de operaciones intracomunitarias realizadas correspondientes al flujo de expedición (exportación) o introducción (importación) cuyo umbral se haya superado.

La declaración INTRASTAT podrá ser presentada hasta el día 12 del mes siguiente a la finalización del periodo de referencia, envidándola a través del portal de la Agencia Tributaria o bien a través de una empresa colaboradora de la Agencia Tributaria, actuando de forma directa o por medio de un tercero declarante. Dicha declaración se sustenta en el intercambio de mensajes por medio de la red EDIFACT, en concreto basándose en los mensajes CUSDEC y CUSRES.

2. MENSAJES INTRASTAT — RED EDIFACT: CUSDEC Y CUSREC — ENTORNO NORMALIZADO

El mensaje EDIFACT CUSDEC es la base del mensaje CUSDEC/INSTAT, cuya finalidad es proporcionar información estadística sobre las operaciones intracomunitarias de intercambio de bienes (según lo especificado en el punto anterior, en cuanto a la obligatoriedad de cumplimentar y presentar dicha declaración).

El mensaje se ha elaborado para ser utilizado por todos los países de la Unión Europea. Cada uno de los estados miembros lo adoptará con arreglo a sus propias normas de aplicación. En concreto los mensajes CUSDEC/INSTAT/INTRASTAT y CUSRES/INSRES/INTRASTAT corresponden a los utilizados en el estado español y son el resultado del trabajo desarrollado por la Subdirección de Aplicaciones de Aduanas e II.EE. del Departamento de Informática Tributaria.

El mensaje CUSDEC/INSTAT/INTRASTAT contiene la información relativa a todas las operaciones intracomunitarias de exportación o importación, según corresponda por el umbral que se haya superado, que ha llevado a cabo el obligado estadístico durante el periodo de referencia (el mes anterior). El mensaje CUSRES/INSRES/INTRASTAT corresponde a la respuesta de aceptación del documento anterior por parte de la Agencia Tributaria.

Ambos mensajes, por sustentarse en la red EDIFACT, codifican y estructuran la información en Segmentos con una finalidad determinada y en Compuestos y Campos dependientes de cada uno de los Segmentos con un significado particular. En otras palabras, el intercambio de declaraciones INTRASTAT entre los operadores correspondientes y la repuesta de aceptación de dichas declaraciones por parte de la Agencia Tributaria conforman un entorno normalizado.

3. CAPTURA Y ALMACENAMIENTO DE LA INFORMACIÓN DEL MENSAJE: VARIABLES ENDÓGENAS

La estructuración, codificación y organización de la información en entornos normalizados posibilita a Smart Escrow la captura, tratamiento y procesamiento de lo datos de forma completamente automatizada.

La remisión de los mensajes, tanto de la propia declaración INTRASTAT (CUSDEC/INSTAT/INTRASTAT) así como la aceptación de dicho documento por parte de la Agencia Tributaria (CUSRES/INSRES/INTRASTAT), por parte del interesado cada mes, nos proporciona una visión completamente global de las operaciones intracomunitarias de exportación o importación, según sea pertinente, que el operador llevó a cabo. A diferencia de otros conectores donde un usuario puede o no enviar la información relativa a la totalidad de las operaciones que ha llevado a cabo con dicho conector (lo normal por ejemplo será que nos envíen la información relativa a las operaciones que quieran financiar para el Conector EDI o el Conector DUA), con la declaración INTRASTAT nos aseguramos contar con la totalidad de operaciones intracomunitarias del operador en el flujo que haya superado el umbral.

Cada una de estas operaciones intracomunitarias contenidas en la declaración INTRASTAT del periodo de referencia se organizan en “partidas de orden”, es decir, el conjunto de datos que se tiene que reflejar de cada operación en la declaración y que se estructuran posteriormente en los diversos Campos y Compuestos que integran los Segmentos del mensaje. Forman parte de este conjunto de datos por cada una de las operaciones: Designación de las Mercancías, Procedencia o Destino de la Mercancía, Estado Miembro de Origen o Destino, Provincia de Origen o Destino, Condiciones de Entrega, Naturaleza de la Transacción, Modalidad de Transporte Probable, Puerto o Aeropuerto de Carga o Descarga, Código de la Mercancía, País de Origen, Régimen Estadístico, Masa Neta, Unidades Suplementarias, Importe Facturado y Valor Estadístico entre otros.

El conjunto de datos, la información que capturamos de cada una de las operaciones que conforman la declaración INTRASTAT dan valor a las Variables Endógenas, llamadas así al explicitar la naturaleza particular y propia que hace única a la declaración INTRASTAT del mes actual de este operador concreto.

4. CONTEXTUALIZACIÓN DE LAS VARIABLES ENDÓGENAS RESPECTO A LAS BASES DE DATOS EXÓGENAS

Aunque es evidente que el conjunto de Variables Endógenas, por sí mismo, tiene un gran valor, parece a la vez insuficiente: si por ejemplo sabemos que un operador ha exportado a Alemania 5.000 kilos netos de un determinado producto en el mes de Agosto de 2021 podríamos comparar dicho dato con el mes anterior, con el mismo mes del año anterior o con la media de los últimos 6 meses, pudiendo así obtener cómo evoluciona en el tiempo el comportamiento de las exportaciones de ese producto en particular de nuestro operador concreto al estado alemán. ¿Pero realmente así tendríamos en el análisis la riqueza de todos lo matices o nos faltaría por contextualizar esta información? Parece razonable pensar que nuestro estudio sería mucho más completo si a lo anterior le diéramos significado, por ejemplo, junto a las tendencias de importación de Alemania de ese producto en particular de muchos otros proveedores. De esta forma podríamos efectivamente encuadrar y contextualizar de forma plena si la evolución particular de nuestro operador en el tiempo está siendo positiva o por el contrario su respuesta está siendo peor de lo esperada en comparación con el resto de proveedores que venden ese producto a Alemania.

El conjunto de datos, en este caso externos a la propia idiosincrasia del operador que nos remitió la declaración INTRASTAT, que corresponden a las tendencias de los grandes mercados dan valor a las Variables Exógenas, y son aquellas que nos ayudan a contextualizar y completar la información proporcionada por las Variables Endógenas, enriqueciendo el análisis. En concreto, a través de iniciativas públicas dedicadas a la recolección y organización sistemática de datos a lo largo de todo el mundo como por ejemplo EUROSTAT (la Oficina Europea de Estadística), ICEX España Exportación e Inversiones, los propios datos a los que puedes acceder en la web de la Agencia Tributaria (donde por partida arancelaria están categorizados la exportación e importación de bienes, especificando el volumen de estas mercancías en el año actual y anteriores), etc. y de forma análoga, con el apoyo a nuestro proyecto de varios Puertos que están en disposición de facilitarnos datos sobre las exportaciones e importaciones vía marítima correspondientes a la mercancía que sale y llega a sus muelles, contamos con una buena base, estructurando todos estos datos en Bases de Datos “Externas”, para dar significado pleno con las Variables Exógenas a toda la información que capturamos y almacenamos de cada una de las declaraciones INTRASTAT que procesamos.

5. OTROS ATRIBUTOS Y ÁMBITO TEMPORAL DE LAS VARIABLES

En otros Conectores desarrollados por Smart Escrow como el EDI o el DUA, además de las variables endógenas y exógenas identificábamos otros atributos como eran las variables históricas y dinámicas. En el caso del conector INTRASTAT solo podemos contar sobre variables históricas (las operaciones del último mes o de los meses anteriores) ya que no existe documentación normalizada que nos permita monitorizar una operación individual de exportación o importación durante su ejecución (operaciones en vuelo) dividiéndola en hitos sucesivos verificables automáticamente y sobre los cuales sería así posible construir un sistema de alertas. Por lo tanto, en el caso del Conector INTRASTAT no podemos hablar de variables dinámicas propiamente dichas.

Sin embargo, en el ámbito de las variables históricas podemos distinguir:

1. Variables que afectan únicamente a la Declaración INTRASTAT del Periodo de Referencia Actual, que son aquellas que expresan información plena o contextualizan ésta respecto a la última declaración del periodo de referencia actual y que determinan las características que hacen únicas a esta declaración INTRASTAT en comparación con cualquier otra (ya sea o no del mismo operador) o a la forma de importar o exportar un determinado producto en una nación en esta última fotografía más próxima al momento actual (por ejemplo el Operador que nos la ha remitido, el Estado Miembro de Destino de la Operación número 15 del mes de referencia, el Importe Facturado en dicha operación, su Valor Estadístico, la Masa Neta Total Importada por Francia de un Producto en Agosto de 2021, etc.),

2. Variables de carácter Global, que engloban y contextualizan lo ocurrido en toda la serie de declaraciones cuando necesitamos tener en cuenta la evolución, la tendencia, la variación de un valor en el transcurso del tiempo (serían de esta naturaleza temporal por ejemplo la Masa Media Neta de un Producto Determinado comprada por el Operador en Alemania en los últimos 6 Meses, Número Medio de Operaciones de Exportación de un Operador en Ventas a Francia en las últimas 12 Declaraciones, Importe Facturado Total en el último Año por el Operador en todas sus Exportaciones Intracomunitarias, Masa Neta Media Mensual de un Producto determinado Importado por Italia en 2020, etc.).

6. PROCESO DE CALIFICACIÓN DE LA EMPRESA: SCORING DE RIESGO Y SUS APLICACIONES

La sucesión en la captura y análisis de una serie continuada en el tiempo de Declaraciones INTRASTAT de Expedición (exportación) o Introducción (importación), según sea el caso, de un operador determinado nos posibilita el cálculo de un Scoring Histórico INTRASTAT (que varía por cada iteración o llegada de la nueva declaración del periodo de referencia actual) basado en el avance del tratamiento de grandes Bases de Datos (lo que nos permite manejar, procesar y analizar la ingente cantidad de información que se generará con el transcurso del tiempo, resultado de las sucesivas declaraciones y principalmente con el conjunto de variables exógenas), y especialmente con el reciente desarrollo de Machine Learning, una rama de la Inteligencia Artificial encargada de la creación de sistemas autónomos de aprendizaje basados en la identificación de patrones complejos entre millones de datos para predecir comportamientos futuros, que nos ayudará a plasmar el rating de riesgo del operador en cuestión.

Como decíamos anteriormente, a diferencia del Scoring Dinámico propio de Smart Escrow para otros conectores (EDI o DUA) que permite financiar una operación individual, en vuelo y compuesta de distintos hitos sucesivos verificables automáticamente, las aplicaciones y el uso del Conector INTRASTAT solo se dirige a la realización de un Scoring Histórico. Gracias a este podemos calcular un Scoring de Riesgo Inicial para aquellos operadores que quieran acceder a financiación como adelantar el cobro de sus facturas (exportadores) o a Confirming (importadores). El tratamiento de sus declaraciones INTRASTAT aporta un análisis de gran interés al mostrarnos de forma absolutamente global la situación y evolución de la empresa en sus negocios comunitarios.

El Conector INTRASTAT resulta de gran utilidad si utilizado en combinación con otro Conector, como el Conector Factura, para el caso de un operador nacional (afincado en la península o Baleares) que quiera recibir financiación aportando únicamente una factura de venta o compra efectuada con otro estado miembro.

CONECTOR DUA: CÁLCULO DE PRE-SCORING DE PROVEEDORES Y FINANCIACIÓN DE PROVEEDORES NACIONALES QUE EXPORTAN SU MERCANCÍA A TERRITORIOS DONDE ES PRECEPTIVO EL DUA DE EXPORTACIÓN.

FlipSimply1 day ago·6 min read

1. INTRODUCCIÓN Y OBJETIVOS

La financiación del sector productivo puede plantear dudas en cuanto al control y trazabilidad sobre el proceso: no son válidos todos los mercados ni cualquier tipo de proveedor. Se necesita al menos contar con certeza absoluta en cuanto a la existencia y veracidad de la operación en cuestión, así como el conocimiento, mediante hitos que puedan acreditarse, del desarrollo y consecución de dicha operación.

Ambas condiciones se cumplen para las relaciones comerciales donde es preceptiva la realización de documentos aduaneros, presentados ante la Agencia Tributaria y validados por ésta, para la exportación de mercancía desde territorio nacional o la importación de bienes dentro de uno de los territorios aduaneros que integran el estado español: el DUA de Exportación y el DUA de Importación respectivamente. Además, dichos documentos aduaneros, cuya autenticidad puede comprobarse en la web de la Agencia Tributaria, conforman un entorno de información normalizada que, por tanto, posibilita la captura y análisis automático de los datos y que nosotros denominamos “Conector DUA”.

Bajo este paraguas y apoyándonos una vez más en los avances tecnológicos surgidos en campos como la Inteligencia Artificial y el tratamiento de la Big Data, seguimos estando en condiciones de llegar a este tejido empresarial primario, desarrollando servicios fundamentados en la verificación de autenticidad, la normalización de la información y la automatización completa de todo el proceso, y enfocándolos de forma ágil a las empresas que lo conforman, pudiendo facilitar el acceso a financiación de las mismas para las operaciones donde intervenga el “Conector DUA” a través del cálculo dinámico de un scoring de riesgo o anticipando posibles escenarios a las empresas mediante la elaboración de informes tras el análisis de su histórico de operaciones, basándonos en ambos casos en Inteligencia Artificial.

2. DOCUMENTACIÓN NECESARIA

En cualquier envío que para poder efectuarse necesite de la presentación de documentos aduaneros, en el tránsito desde el territorio aduanero de origen hasta el de destino podremos diferenciar dos hitos destacables en el transcurso de la operación: el Despacho de Exportación, que supone la salida efectiva de la mercancía desde el territorio aduanero de origen, y el Despacho de Importación, que implica la liberación de la mercancía en el territorio aduanero de destino para que pueda ser entregada al comprador (que tendrá que hacerse cargo del pago de impuestos y aranceles).

La realización de cualquier tipo de documento aduanero está unívocamente ligado a un envío de mercancía determinado y por tanto a una factura o serie de facturas (un envío de un proveedor a su cliente puede aglutinar varias compras distintas) únicas, caracterizadas por número y fecha de factura, entre el proveedor y comprador con el que se efectúa el documento aduanero. Es decir, el documento aduanero que permite la salida efectiva en origen o la liberación de la mercancía en destino consta, entre otras cosas, de los datos del vendedor y comprador, número de factura, fecha de factura, base imponible de la factura, naturaleza y cantidad de producto enviado, etc.

Smart Escrow trabaja principalmente con proveedores y compradores que efectúan DUA de Exportación como documento aduanero de salida y DUA de Importación como documento aduanero en destino, ya que es ampliamente la opción mayoritaria elegida para este tipo de envíos y que además cuenta con C.S.V. en el propio documento (si bien nuestra tecnología es capaz de capturar y analizar de forma automática la información de un Tránsito T1 o T2, siendo otra forma válida de documento aduanero que permite la exportación de mercancías hasta otro territorio con régimen aduanero distinto). Es necesario que se nos remita la Hoja 3 del DUA de Exportación y la factura o facturas asociadas a este documento aduanero y que corresponden a la mercancía que compone el envío. Igualmente es altamente recomendable contar con el Título de Transporte (Máster para envíos aéreos, BL para embarques marítimos o CMR para transporte por carretera) y la Hoja 8 del DUA de Importación una vez la mercancía sea despachada en destino. Además, como punto de partida, también será imperativo constatar la existencia de un Contrato de colaboración entre el proveedor y su cliente.

3. VERIFICACIÓN DEL PROCESO Y CAPTURA DE DATOS: INFORMACIÓN ENDÓGENA

Cabe destacar que en España la presentación de los documentos aduaneros se efectúa a través de la Agencia Tributaria, siendo ésta la que tiene la potestad de validarlos y ejerce el control sobre estos envíos. Es decir, la Agencia Tributaria es conocedora, valida y controla todos y cada uno de los envíos que se efectúan desde territorio nacional a cualquier otro territorio con régimen aduanero distinto (algo que afecta también, por ejemplo, a un envío que va a salir desde Valencia a Tenerife) y todas y cada una de las llegadas de mercancía a territorio nacional desde cualquier otro territorio con régimen aduanero distinto (algo que afecta también, por ejemplo, a un envío que llega a Melilla procedente de Madrid). Además al validar un DUA de Exportación o un DUA de Importación tras su presentación, la Agencia Tributaria dota a este documento de un Código de Autenticación C.S.V., pudiéndose comprobar la veracidad del documento por cualquier persona, sin estar registrado, en la sede electrónica de la web de la Agencia Tributaria (que proporciona “otras hojas” del documento aduanero con los que comparamos los datos que figuran en la Hoja 3 del DUA de Exportación o la Hoja 8 del DUA de Importación, acreditándose la autenticidad del mismo).

Si tenemos en cuenta también, como ya hemos mencionado anteriormente, que una factura o serie de facturas puede asociarse de forma unívoca a un documento aduanero por los datos que constan en este último de la información que contiene la factura y unimos este punto a lo expresado en el párrafo anterior, podemos entender que las expectativas de veracidad y trazabilidad en el proceso que nos brinda el “Conector DUA” son máximas para permitirnos trabajar con los actores involucrados en este tipo de relación comercial, ofreciéndoles los servicios que podemos desarrollar gracias a nuestra tecnología.

La Hoja 3 de un DUA de Exportación, el Levante de Importación, el Documento de Acompañamiento de una Exportación, la Hoja 8 de un DUA de Importación, el Levante de Exportación, etc. son todos ellos documentos normalizados en tanto que la información que contienen está estructurada y organizada por “casillas” (campos), de igual manera en España que en EEUU que en cualquier país. Igualmente ocurre con otros documentos propios del mundo del transporte como es el Máster Aéreo, BL Marítimo o CMR para transporte terrestre. Esto nos posibilita capturar los datos que incluyen, definir nuevas variables (por ejemplo relacionando una Hoja 8 de un DUA de Importación con la información contenida en la Hoja 3 del DUA de Exportación o una Hoja 3 de Exportación con el Máster Aéreo con el que vuela la mercancía) y analizar la totalidad de la información de forma automática.

Por otro lado, somos capaces de extraer y capturar los datos más relevantes de otro tipo de documentos, no normalizados, como puede ser una factura o un contrato (aunque es común que en casi cualquier factura que se produzca en diferentes regiones del mundo figuren ciertos datos, no es obligatorio que en la presentación de los mismos se contemplen ciertas normas, convenciones o criterios. De ahí que entendamos que una factura no es un documento normalizado) mediante tecnología OCDR para la lectura e interpretación de archivos PDF (en nuestro caso la factura y el contrato).

El conjunto de información que podemos extraer de los documentos aduaneros, su factura asociada, el título de transporte y el contrato entre el proveedor y su cliente asigna valor a las variables de naturaleza endógena, llamadas así porque representan la naturaleza de carácter particular que caracteriza la relación entre un proveedor y comprador determinados para la operación actual (o dicho de otra manera, son variables internas a la propia relación comercial entre ese proveedor y su cliente que muestran una fotografía del momento actual). Son variables de este tipo la partida arancelaria del producto que se va a exportar, el número y fecha de la factura, el CIF del proveedor, el número de productos incluidos en el envío actual, la cantidad servida de producto así como su precio unitario, la base imponible total de la factura, si ha llegado a destino la misma cantidad de mercancía que se exportó, el número de máster aéreo que transporta la mercancía, la aduana de salida y la de destino, fecha del vuelo, el MRN de la exportación, la masa neta de producto que se envía…

4. HERRAMIENTAS Y PARTNERS QUE APOYAN EL PROYECTO: INFORMACIÓN EXÓGENA

En la actualidad se cuentan con iniciativas públicas dedicadas a la recolección y organización sistemática de datos a lo largo de todo el mundo. Ejemplos de ello por ejemplo son EUROSTAT (la Oficina Europea de Estadística), ICEX España Exportación e Inversiones o los propios datos a los que puedes acceder en la web de la Agencia Tributaria, donde por partida arancelaria están categorizados la exportación e importación de bienes (especificando el volumen de estas mercancías) en el año actual y anteriores. De forma análoga, contamos con el aporte de varios puertos que están en disposición de facilitarnos datos sobre las exportaciones e importaciones vía marítima correspondientes a la mercancía que sale y llega a sus muelles en los cargueros.

En definitiva, contar con esta ingente cantidad de información nos ayuda a contextualizar y entender los datos endógenos, internos a la relación comercial del proveedor y su cliente, respecto a lo que está pasando en este preciso momento en el mundo y lo que esperamos que ocurra mañana tras estudiar tendencias y determinar las evoluciones más probables. Son variables exógenas, es decir, externas a la relación particular de un proveedor con su cliente, todas aquellas que marcan las tendencias y evolución de la forma de exportar e importar de un territorio, categorizando dichos movimientos por partida estadística y atendiendo al origen o destino según sea el caso. Cantidad de Aceite de Oliva exportado por España a EEUU en 2020, el incremento en la cantidad de Aceite de Oliva exportado por España a EEUU en 2019 respecto a 2018, el precio medio unitario (por litro) de Aceite de Oliva exportado por España a EEUU en 2017, etc.

5. RELACIÓN ENTRE VARIABLES DE DIFERENTE NATURALEZA Y ÁMBITO TEMPORAL DE LAS VARIABLES

Supongamos que el precio medio de venta de un kg de alcachofa de un proveedor nacional a su cliente en EEUU es de 1,77 euros tras 25 envíos hechos. Ahora se considera una nueva operación donde el precio unitario del kg de alcachofa es de 1,90 euros. Si no tenemos en cuenta nada más parece un dato positivo… ¿pero y si conociéramos que en el mes concreto que se va a producir la exportación número 26 el precio de la alcachofa en la exportación desde España hasta EEUU se incrementa, en media durante los últimos 10 años un 25%? Es evidente que necesitamos definir nuevas variables que relacionen los valores endógenos y exógenos para contextualizar los parámetros a tener en cuenta. Por separado, el ámbito endógeno y exógeno puede resultar incompleto y generar conclusiones equivocadas, pero al relacionarlo de forma satisfactoria los resultados serán sólidos.

Además parece evidente por la propia naturaleza de las variables que no podemos entender su significado pleno sin tener en cuenta su ámbito temporal. Atendiendo a este factor, definimos dos conjuntos: históricas, cuando necesitamos tener en cuenta la evolución, la tendencia, la variación de un valor en el transcurso del tiempo. Serían de esta naturaleza temporal por ejemplo el precio unitario medio de venta del producto, la cantidad de veces que se vende el producto por debajo del precio unitario medio, el porcentaje de envíos que llegan hasta el cliente con menos cantidad de mercancía que la que salió en origen (proporción de pérdida de mercancía), cuántas veces el proveedor no alcanza la media de incremento en la venta de un producto en los meses estivales cuando sabemos que las exportaciones de ese producto al país de destino se incrementa un 15% en esos meses, etc. De ahí, que las definamos como históricas, ya que para entender su magnitud hay que analizarlas durante el transcurso del tiempo, con la totalidad de los envíos efectuados durante un periodo concreto. Y dinámicas, que son aquellas que expresan información plena en el momento actual y que determinan las características que hacen únicas a cada operación. Por ejemplo la partida arancelaria que determina el tipo de producto que se envía en la exportación, la cantidad de producto que se envía, el precio unitario del producto, la forma de transporte, etc.

En total, entre variables endógenas de carácter dinámico e histórico, variables exógenas de ambos ámbitos temporales y las que definimos a partir de ellas relacionándolas para considerar cada una de las operaciones el sistema cuenta con más de 500 variables que se incluyen para el análisis.

6. NUESTRO SCORING: MACHINE LEARNING SUPERVISADO Y APLICACIONES

El avance en el tratamiento de estas grandes Bases de Datos nos permite manejar, procesar y analizar la ingente cantidad de información proveniente de nuestras Bases de Datos endógenas y de las diferentes Bases de Datos que componen la vertiente exógena. Si además contamos con el reciente desarrollo de Machine Learning, una rama de la Inteligencia Artificial encargada de la creación de sistemas autónomos de aprendizaje basados en la identificación de patrones complejos entre millones de datos para predecir comportamientos futuros, contamos con los dos pilares donde sustentar este proyecto: un modelo de Scoring Dinámico (varía cada vez que analiza una nueva fuente de información de un proveedor) de Riesgo que puede traducirse en el acceso de la empresa a financiación por cada nueva operación que realice de la mano al “Conector DUA” (o cualquier otro tipo de conector de Smart Escrow), acceso a la contratación de seguros o incluso la obtención de informes basados en las conclusiones de la propia Inteligencia Artificial que ayuden a dinamizar y optimizar los recursos de la empresa una vez se hacen explícitos sus puntos fuertes y las debilidades con las que cuenta para encarar el futuro próximo.

Todo ello en un proceso automatizado desde la recepción de la documentación en PDF que detallamos en los puntos anteriores, que no supone ningún tipo de molestia adicional para las empresas interesadas y que hace desaparecer los tiempos de espera tradicionales en los tediosos análisis manuales de cuentas y balances trimestrales. Cabe destacar también la posibilidad de analizar el histórico anterior al inicio de colaboración entre una empresa interesada y Smart Escrow, de forma que se pueda obtener (siguiendo exactamente el esquema expuesto) un Pre-Scoring de la empresa como punto de partida, ya que cuantas más operaciones procesa y analiza el sistema, aunque hayan ocurrido en el pasado, más preciso es el scoring que asigna a la empresa y que se podrá traducir en informen de consultoría y la capacidad de acceder a financiaciones o contratación de seguros con mejores condiciones.

Listamos una serie de causas por las que un banco no financia pedidos normalmente y las soluciones que aportamos nosotros para sí poder hacerlo.

CANCELACIÓN DE PEDIDOS: Casi un 30% de las órdenes de pedido son finalmente canceladas.

– Nuestro sistema realiza un prescoring del proveedor con su cliente (recordad que nuestro sistema solo autoriza pedidos entre proveedor y un cliente en particular, si el proveedor trabaja con varios clientes se tendrá que reevaluar con cada cliente) y revisamos el historial de pedidos y todo el proceso (pedido, llegada a almacén, aceptación de mercancías, emisión de factura, rectificaciones…) pudiendo cuantificar ese % de cancelación en el historial (normalmente revisamos últimos 365 días)

– Nuestro sistema captura el pedido por medio de EDI y lo engloba dependiendo del GTIN (número global de artículo comercial) e identifica si un pedido ha sido cancelado y posteriormente vuelto a emitir la orden (es común en el mundo del retail cancelar un pedido por problemas de almacenamiento o por fallos en su previsiones de aprovisionamiento y vuelto a emitir el pedido cuando esto se subsana -no pasa normalmente ni 2 semanas entre una cancelación y vuelta a emitir el pedido-) Al poder por el GTIN desmenuzar un pedido por producto encargado, el bloqueo del dinero dispuesto del pedido en el momento que sabemos que ha sido cancelado y la posterior disponibilidad cuando se reexpide de nuevo nos permite tener mucha seguridad en esta casuística.

– Nuestro modelo está preparado para financiar proveedores con pedidos recurrentes. Mínimo pedidos semanales de ahí que si uno falla podemos bloquear los siguientes pedidos para siempre tener asociado una financiación a un pedido vivo.

INFLAR PEDIDOS: Cuando una empresa necesita financiación, existen casos, que inflando dichos pedidos con el beneplácito de su cliente pueden conseguir esa financiación que necesitan. Después se rectifican en el momento de la factura pero es ya demasiado tarde para quien ha financiado la operación desde el pedido.

– Nuestro sistema está preparado para trabajar con grandes marcas, marcas que en sus sistemas cuando se hace un pedido se bloquea el espacio en sus almacenes para la fecha de recepción y que pasan por comercial y aprovisionador y siempre a través del sistema EDI, de ahí que métodos de “Anda ponme el doble en el pedido y lo arreglamos en la factura para poder conseguir financiación” es algo muy difícil que ocurra.

– Además los mecanismos que tenemos para la cancelación de pedidos sirven también para el problema de inflar pedidos.

PEDIDOS FALSOS: Comprobar la autenticidad del pedido por parte del banco. Con la factura puede existir mayor control pero con el pedido que no se refleja en balances es más complicado.

– Nosotros solo trabajamos por medio de la red EDIFact y el protocolo EDI y Odette. Todos estos procesos están verificados y autentificados por las empresas por las cuales pasan los documentos, una especie de buzón de email autentificado. Eso significa que cualquier documento que nosotros recibamos porque nuestro proveedor ha configurado para reexpedirlo (pedido, factura, ok de almacén…) podemos asegurar al 100% que es un documento real. Esto no es una hoja de cálculo o PDF que nos reenvían sino que participamos (siempre por la autorización del proveedor) en la conversación EDI con su cliente.

PROBLEMAS EN LA FABRICACIÓN: El adelanto de facturas no tiene el problema de la fabricación que tiene un pedido y ese es un problema que mina la confianza de la operación.

– Nuestro producto está orientado a proveedores habituales de grandes marcas, el enfoque inicial ha sido para grandes superficies y para periodos entre pedido y entrega en almacén que en ningún caso supere los 30 días. Esto conlleva que el producto ya está fabricado y solo es necesario el packeting y logística.

ANÁLISIS y RECURSIVIDAD: El coste de análisis de operaciones que son muy periódicas y pueden ser muy distintas así como la entrega el dinero en cada operación y el seguimiento que conlleva esto.

– Mientras se dispone el dinero de pedidos estamos realizando un scoring sobre el funcionamiento del pedido. Capturamos cuando se hace el pedido, cuando llega al almacén, si hay devoluciones, el cobro… todo esto nos permite hacer un scoring por operación y proveedor que dependiendo de este podemos limitar % del dinero prestado, bloquear pagos o cambiar % de intereses.

– Nosotros capturamos la orden de pedido en tiempo real al reexpedir los documentos instantáneamente. Podemos ser capaces de disponer el dinero para el proveedor en el mismo instante que recibe el pedido pudiendo mejorar la recursividad de un adelanto de facturas.

SOLUCIONES ACTUALES COMPLEJAS: Los métodos alternativos, Supply Chain Finance, están enfocados a una economía circular (sean los propios clientes o proveedores se financian entre ellos) donde el banco no participa o están montados sobre Smart Contracts y métodos similares que son difíciles de poder adaptar en sus oficinas o sistemas de Inteligencia Artificial y Big Data que sin números propios es difícil poder saber si funcionan realmente.

– Nuestro sistema trabaja sobre 2 pilares que llevan existiendo más de 20 años. EDI y Cuentas Escrow (cuentas que transformamos en cuentas bancarias con su propio IBAN y que podemos bloquear por su naturaleza escrow para más garantías de los financiadores).

– Nuestro scoring es sencillo de entender y aunque en este momento disponga de más de 50 variables, son fácilmente ajustables, se pueden añadir nuevas y el funcionamiento interno es sencillo.

– La integración con el EDI es exactamente la misma que hace un proveedor con su central de compras.

• Ventajas que disponemos en relación a otros productos que ofrecen los bancos

VENTAJAS de nuestro sistema con relación a las Líneas de Crédito:

– Entregamos el dinero por hitos

– Poder Controlar el destino de los fondos de la financiación

– Scoring actualizado en cada operación y pedido

VENTAJAS de nuestro sistema con el Adelanto de Facturas:

– Recursividad

– Autenticación en las operaciones

La banca tradicional financia de forma directa las facturas entre proveedores y sus clientes, pero para órdenes de pedido, que cronológicamente se sitúan en un paso anterior, no tiene un producto propio y lo salvan con préstamos y especialmente con líneas de crédito. La realidad a día de hoy, gracias al desarrollo tecnológico, es que podemos tener un mayor conocimiento del negocio por medio de EDI y podemos tratar y analizar la información para anticipar mucho antes el riesgo o posibles problemas que puedan surgir con un proveedor, consiguiendo así la trazabilidad que nos permitirá controlar la financiación desde la llegada de la orden de pedido hasta el pago de la factura.

Lanzar un producto basado en la creación de una forma de inversión en deuda distinta a la habitual, que proporcione la posibilidad de financiar el tejido empresarial primario en una de sus primeras fases: el pedido, es posible actuando en los mercados que se rigen por EDI (actualmente todas las grandes marcas trabajan con este sistema y obligan a sus proveedores a actuar bajo este paraguas), ya que nos facilita un alto grado de trazabilidad en el proceso y nos permite captar en tiempo real datos que nos suministrarán información sobre el proveedor, su cliente, tiempos de entrega, recursividad en los pedidos, decrecimiento o incremento del volumen operacional del proveedor, cancelaciones de pedidos, discrepancias entre lo pedido y enviado, descuentos en el pedido, etc. (en definitiva, toda la información relevante que podríamos definir como endógena a las operaciones entre el proveedor y la gran marca a la que suministra) y apoyándonos en las nuevas tecnologías, para el análisis y tratamientos del Big Data, que nos aportará la información exógena a las operaciones que en particular lleven a cabo el proveedor y su cliente y que resultan de la misma importancia (por ejemplo, las tendencias que cada producto tienen en los mercados, variaciones estacionales de la demanda de un bien o la evolución de los precios y los descuentos en los grandes mercados).

La idea innovadora que nos va a permitir ofrecer un producto, la financiación directa de órdenes de pedido para proveedores que abastecen a grandes marcas, con menor riesgo que las líneas de crédito actuales es que somos capaces de definir un scoring dinámico, que irá variando en cada nueva operación del proveedor con su cliente y fijará por tanto condiciones distintas en la financiación de cada operación (TAE, porcentaje de dinero respecto al total que figura en la orden de pedido dispuesto en la “cuenta escrow” según la consecución de los hitos que marcan la operación, etc.), basado en la correlación de las variables endógenas (definidas en base a la información que captamos a través de los archivos EDI que se generan en la relación comercial entre el proveedor y la gran superficie a la que suministra) y las variables exógenas (aquellas otras que son externas a la operación concreta entre el proveedor y su cliente, pero que al identificarse con las tendencias y evolución de los grandes mercados no se pueden obviar para confeccionar un análisis preciso de posibles riesgos, y que debido al volumen de datos que representan necesitan de herramientas para el procesamiento de la Big Data) con los eventos: “El proveedor no devuelve la financiación” y/o “El proveedor se retrasa en la devolución de la financiación”.

En resumen, vamos a ser proactivos para anticipar el riesgo mucho antes que los métodos tradicionales, a través de un sistema autónomo de aprendizaje que encuentre patrones de comportamiento analizando las bases de datos, entre una gran cantidad de premisas definidas en base a las variables (como por ejemplo el histórico de retrasos en las entregas del pedido, la cantidad de pedidos cancelados, el incremento del volumen operacional respecto al esperado por las tendencias de los mercados en un mes concreto, el precio de un producto que figura en el pedido respecto al esperado por la evolución de los precios en los mercados, si el proveedor hace descuentos mayores de los esperados, etc.) y la correlación con los eventos del párrafo anterior, dando lugar a un algoritmo que optimice la correlación de éstas. Una MACHINE LEARNING para calcular el scoring de riesgo en una determinada operación fijando por tanto unas condiciones distintas para financiar la misma.

Vamos a desarrollar un ejemplo que nos permitirá visualizar de forma más precisa el funcionamiento de nuestro sistema y algunas de las características que se tendrán en cuenta para predecir posibles escenarios de riesgo: consideremos un proveedor que lleva ya tiempo financiándose a través de Smart Scrow y suministra una media de 1,7 pedidos por semana de aceitunas a una gran superficie. Como aclaración previa, para iniciar la colaboración entre un proveedor y Smart Scrow se realizará un análisis para comprobar la solvencia de dicho proveedor (CIRBE, deudas con Hacienda o la Seguridad Social, contrato que formaliza su vinculación como proveedor de una gran marca, etc.). Si dicho análisis es satisfactorio, tendremos acceso vía EDI a las operaciones que ya ha llevado a cabo con su cliente, permitiéndonos calcular un pre-scoring de riesgo que será el punto de partida para la primera operación que va a financiar con nosotros.

Supongamos ese escenario superado. Nuestro proveedor de aceitunas lleva financiando sus órdenes de pedido 6 meses con nosotros, y por la media de pedidos semanales que comentamos anteriormente, en total hemos financiado 44 operaciones. Paulatinamente, conforme se han sucedido esas operaciones, nuestro sistema ha ido capturando información que nos permite conocer datos como el porcentaje de envíos que llegaron con retraso, envíos cancelados porque la mercancía llegó dañada, envíos cancelados porque cuando el producto llegó al almacén de su cliente la fecha de caducidad del mismo no tenía el margen requerido, cuántas veces se envió menos mercancía de la reflejada en la orden de pedido, cuántas veces se ha retrasado el proveedor en la devolución de la financiación, si se ha incrementado o no el volumen operacional del proveedor con la gran marca, evolución del precio del producto que factura este proveedor en concreto con su cliente, si cada vez realiza más descuentos a la gran marca y muchos más de este estilo. En definitiva, a través de los archivos que se generan en la comunicación vía EDI entre el proveedor y su cliente en cada operación, se generarán bases de datos con las variables que antes identificamos como endógenas al propio proceso y que evidentemente aportan información estrechamente relacionada para poder predecir si un proveedor va a tener problemas para devolver la financiación que se va a generar en la orden de pedido 45 que nos acaba de llegar.

En esta orden de pedido, que supone la operación 45 que el proveedor va a financiar con nosotros, nos fijamos que la gran superficie pide un 10% más de cantidad de aceitunas de la cantidad media en los pedidos anteriores. En principio parece algo positivo ya que se incrementa el volumen. No obstante, en nuestras bases de datos, que son las que nos aportan la información externa (lo que identificamos como información exógena) a la relación particular entre nuestro proveedor de aceitunas y su cliente, nos damos cuenta que en esta semana concreta del año, el incremento medio de cantidad de aceitunas que las grandes superficies compran es del 30% (debido a que se acerca la Semana Santa y las grandes superficies hacen aprovisionamiento de este producto en las semanas previas por el aumento de ventas en esta determinada época del año). Nuestra Machine Learning ha identificado que un incremento en ventas menor a lo esperado es un evento que está relacionado con el retraso en la devolución de la financiación. Por tanto, nuestro sistema bajará el scoring del proveedor, imponiendo unas condiciones más restrictivas para la financiación. Gracias al análisis de la Big Data, nuestro sistema es capaz de filtrar sucesos que a priori pueden parecer positivos pero realmente suponen una disminución del negocio, como ocurre exactamente en el ejemplo que nos ocupa, con anterioridad a que esto se refleje en las grandes cuentas de la empresa del proveedor.

De igual forma, actuaría si por ejemplo se detecta entre las variables endógenas que podemos definir gracias a la información que nos aportan los ficheros generados a través de la comunicación EDI, que habiéndose producido un incremento en la cantidad del producto requerido por la gran marca en la orden de pedido al proveedor, dicho incremento se debe a un aumento de los descuentos respecto a los esperados. En este caso, realmente se está produciendo una “devaluación” del producto que tiene que reflejarse en las condiciones de la financiación. Cuando se produce un aumento de los pedidos porque dicho producto está «con precio», lo pedido de más va a almacén y el siguiente pedido se realizará más dilatado en el tiempo.

Es decir, a través del análisis estadístico y de Big Data de multitud de variables, tanto internas a una relación particular entre un proveedor y la gran marca a la que suministra y las que representan las tendencias en los grandes mercados, nuestra Machine Learning va identificar los patrones de correlación entre éstas y los posibles riesgos de una operación que puedan derivar en retrasos o impagos de la devolución de la financiación, anticipándonos al modelo más tradicional o clásico basado en el análisis de balances y cuentas trimestrales. De esta forma presentamos un producto innovador, apoyándonos en los avances tecnológicos y en las nuevas formas de tratamiento y análisis de la Big Data, que consigue llegar a las primeras fases del tejido productivo.

Artículo escrito por Oscar Contreras Mora, Ingeniero Matemático.

Vamos a explicar por pasos el sistema que tiene Smart Escrow para construir un sistema de scoring basado en un machine learning supervisado.

1. Queremos financiar Órdenes de Pedido de proveedores de grandes marcas

La banca tradicional financia de forma directa las facturas entre proveedores y sus clientes, pero para órdenes de pedido, que cronológicamente se sitúan en un paso anterior, no tiene un producto propio.

Gracias a los avances tecnológicos producidos en campos como la Inteligencia Artificial o el tratamiento de la Big Data y actuando en mercados que se rigen por EDI, alcanzamos la trazabilidad óptima que nos posibilita llegar al tejido empresarial primario, financiando de forma directa en una de sus primeras fases: las Órdenes de Pedido.

Esquema de Funcionamiento de Smart Escrow con respecto al financiador

2. Para ello necesitamos construir un sistema de scoring automatizado que clasifique a dichos proveedores

Para que nuestro proveedor pueda disponer de la financiación en cuanto una gran marca necesite de sus productos, tenemos que definir un sistema capaz de calcular con alta precisión el rating que determinará las condiciones de dicha financiación, sin dilaciones que puedan perjudicar la posibilidad de crecimiento en su negocio (que a su vez se traduce en un producto de mayor calidad y más competitivo para las grandes superficies). Es decir, necesitamos de un entorno que automatice tanto el análisis de la información como el cálculo del rating (devolviendo un scoring), de forma que se optimiza la detención de posibles escenarios de riesgo y se pone a disposición del proveedor la financiación acortando al máximo los tiempos de espera y sin trámites tediosos.

Desde el momento en que una gran marca comunica a su proveedor un pedido hasta que se paga la factura correspondiente, se generan una serie de archivos EDI (ORDERS, DESADV, RECADV, INVOIC, etc.) que determinan una serie de hitos en la consecución de la operación y que contienen información que caracteriza de forma única a esa operación concreta. Analizar un único pedido para poder extraer conclusiones que deriven en predecir posibles escenarios de riesgo (rating de un proveedor) no aportaría mucho, necesitamos estudiar de forma simultánea la plenitud de la información a través del histórico de pedidos. ¿Cuánto tiempo tardaría una persona en analizar y extraer la información relevante de 500 operaciones?

Imaginad ahora la inmensa cantidad de datos que generan todo el conjunto de grandes marcas de un sector y la diversidad de sus proveedores. Ahí están las tendencias de los grandes mercados, una información que no podemos obviar si queremos realmente hacer un análisis minucioso y relevante de los riesgos. Hasta hace unos años los sistemas tradicionales de rating eran una buena opción, pero con el desarrollo tecnológico en cuanto al tratamiento de la Big Data, podemos procesar todo este volumen ingente de información que nos ayudará a ser más precisos y a anticipar el riesgo mucho antes que los análisis clásicos. La automatización en el proceso es tan necesaria como posible.

Funcionamiento del Sistema EDI entre proveedor-cliente

3. Queremos construir este sistema de scoring usando un modelo de Machine Learning Supervisado

Y es que no sólo el desarrollo tecnológico se quedó en el tratamiento de grandes bases de datos, sino que va mucho más allá, como por ejemplo en el campo de la Inteligencia Artificial.

En nuestro caso, el desarrollo de Machine Learning, una rama de la Inteligencia Artificial que crea sistemas de aprendizaje automáticos basados en la identificación de patrones complejos entre millones de datos para predecir comportamientos futuros va a ser una piedra angular para desarrollar este proyecto. Entre la gran cantidad de información que podemos captar de todos los archivos EDI entre un proveedor y su cliente y en las bases de datos correspondientes a las tendencias de los grandes mercados, vamos a definir un algoritmo capaz de analizar la totalidad de los datos (variables y premisas) y encontrar la correlación entre estos y los sucesos “el proveedor se retrasará en la devolución de la financiación” y/o “el proveedor no devolverá la financiación”, devolviendo un scoring de riesgo dinámico, que variará en cada nueva operación, fijando las condiciones para financiar la misma.

Aunando el desarrollo tecnológico en varios campos, automatizamos un proceso de forma que podemos ofrecer un producto, la financiación directa de órdenes de pedido de proveedores de grandes marcas, que llegará antes y cubrirá mejor las necesidades del proveedor, minimizando y anticipando el riesgo más que con los sistemas tradicionales.

Esquema del funcionamiento de nuestro sistema scoring

4. Con el objetivo de predecir los escenarios “El proveedor se retrasará en la devolución de la financiación” y/o “El proveedor no devolverá la financiación”:

Identificamos estos dos eventos como el fracaso en una operación de financiación. Son inequívocamente los escenarios que queremos anticipar con la suficiente antelación para que nunca puedan darse. Desde el primer momento, nuestro sistema enfoca el análisis en encontrar patrones de correlación entre una inmensidad de datos (información) con estos dos sucesos. Siempre de forma proactiva, sin esperar a que estos resultados negativos se plasmen en balances o cuentas trimestrales.

Para ello, queremos mostrar nuestra forma de actuación con los proveedores, explicando paso a paso y de forma esquematizada cómo sería la relación Proveedor — Smart Scrow.

4.1 Determinar cuáles son los proveedores que cumplen con los requisitos para optar a nuestra financiación

Como requisito previo, antes de formalizar la colaboración con un proveedor, se verificará una serie de documentación básica con la finalidad de determinar que el proveedor tiene un acuerdo para abastecer a una gran marca y no es deudor de instituciones como Hacienda o la Seguridad Social. Será el único instante no automatizado del proceso. Una vez que se ha verificado este punto, no habrá más trámites tediosos y el proveedor dispondrá de forma automática de las financiaciones que se generen con cada nueva Orden de Pedido en su cuenta Scrow.

4.2 el % de interés de la primera operación

Que será determinado en base a un Pre-Scoring inicial basado en las comunicaciones EDI previas entre el proveedor y su cliente, ya que nuestro sistema tendrá acceso a las mismas sin necesidad de que el proveedor tenga que aportarlas (EDI almacena de forma gratuita los archivos generados en las relaciones comerciales durante 3 meses) y a las propias características de la primera Orden de Pedido que será financiada con nosotros. Nuestra Machine Learning tendrá la información necesaria para fijar ya las condiciones de esta primera financiación.

4.3 y de las siguientes operaciones de cada proveedor

Y de forma dinámica, este scoring irá variando conforme nos lleguen las nuevas Órdenes de Pedido del proveedor, fijando para cada una de ellas unas condiciones propias en base a una puntuación que representará los posibles escenarios de riesgo en cuanto a los dos sucesos definidos con anterioridad.

4.4 generar un sistema de alertas que permita avisar de que un proveedor podría dejar de cumplir los requisitos

Además generará un sistema de alertas y advertencias cuando se den ciertos patrones identificados con posibles escenarios de riesgo que permitirán, en función de la gravedad, ciertas acciones como la obligatoriedad de destinar la cantidad de dinero financiada a un fin único (por ejemplo, comprar materias primas necesarias para la fabricación del pedido) e incluso la congelación de la cuenta scrow o la paralización de la financiación. Gracias a la trazabilidad que tenemos vía EDI de los hitos en la consecución de la relación comercial proveedor — cliente y a la premura en analizar de forma automática el conjunto de la información relevante podemos anticiparnos.

5. Para ello disponemos de dos tipos de Variables:

Nuestro sistema de Scoring automatizado basado en la creación de un entorno de Machine Learning se apoya en dos pilares fundamentales: la información estructurada que nos aportan los archivos EDI generados a través de un pedido de un proveedor y su cliente y de las grandes bases de datos correspondientes a los hábitos de compras de las grandes superficies y los usuarios de las mismas. Cuando procesamos dicha información, se produce un estado declarativo e identificativo de esos datos con variables que el sistema va a reconocer como las causantes de que la operación llegue a buen término o por el contrario puedan surgir ciertas complicaciones. Dividimos estas variables según la naturaleza y fuente de procedencia:

5.1 Endógenas, es decir internas a la propia relación proveedor-gran distribuidor, y cuya fuente es el EDI (mapa de variables)

Son aquellas variables que podemos extraer de un archivo EDI. Si imaginamos por ejemplo un archivo ORDERS al uso, sabemos que vamos a poder identificar el número de pedido, el proveedor, comprador, qué productos se piden y en qué cantidades, cuándo se debe entregar ese pedido, el importe unitario del producto, el importe total del pedido, el descuento global o descuento por línea de producto, etc. Si por ejemplo tenemos ahora en cuenta el archivo RECADV correspondiente al mismo pedido sabremos si el pedido llegó a tiempo o se retrasó en el envío, si llegaron todas las unidades pedidas de un producto o no, si se ha cancelado parte de ese pedido por llegar la mercancía dañada, si la mercancía que llegó no tenía el suficiente margen en la fecha de caducidad, etc.

Toda esta información la vamos a asignar a variables que identificamos como endógenas, interna a la propia relación comercial entre un proveedor y su cliente.

Ficheros EDI más importantes y variables que capturamos

5.2 Exógenas, es decir externas a la propia relación proveedor-gran distribuidor, y cuya fuente es el Mercado, C.Compras, etc… (mapa de variables)

Pero a su vez, si realmente queremos estar en disposición de conseguir un scoring lo suficientemente acertado y representativo del riesgo que representa una operación, no podemos obviar en ningún caso las tendencias de los grandes mercados. Esa información nos va a ayudar a discernir y a entender los datos en bruto que se presentan en un archivo ORDERS.

Imaginad que gracias a las bases de datos de compras de las grandes superficies de los últimos 20 años, sabemos que en el mes de abril siempre las compras de un bien cualquiera se incrementan en media un 30%. Si estamos en ese periodo y vemos que nuestro proveedor ha intensificado el suministro de ese producto en un 10% a su cliente… Podremos concluir que no es un buen dato, que realmente se está produciendo un decrecimiento de negocio. Sin embargo, si hubiésemos pasado por alto dicha circunstancia, habríamos pensado que el proveedor está aumentando sus ventas.

Son variables exógenas, es decir, externas a la relación particular de un proveedor con su cliente, todas aquellas que marcan las tendencias y evolución de los grandes mercados y los hábitos de consumo.

BBDD Externas que nos sirven para ajustar los datos

6. Estas Variables cuentan siempre con dos dimensiones temporales:

Parece evidente por la propia naturaleza de las variables que no podemos entender su significado pleno sin tener en cuenta su ámbito temporal. Atendiendo a este factor, definimos dos conjuntos:

6.1 Históricas (p.e. últimos 6 meses de EDI) — necesarias para los objetivos 4.1 y 4.2

Cuando necesitamos tener en cuenta la evolución, la tendencia, la variación de un valor en el transcurso del tiempo. Serían de esta naturaleza temporal por ejemplo la cantidad de veces que se ha retrasado en la entrega de las mercancías un proveedor respecto al total de envíos que ha hecho, con qué frecuencia ha sufrido cancelaciones de pedidos un proveedor en el conjunto de sus operaciones de los dos últimos años, cuántas veces el proveedor no alcanza la media de incremento en la venta de un producto en los meses estivales (si por ejemplo sabemos que durante ese verano se incrementa la venta de ese producto en los mercados), etc. De ahí, que las definamos como históricas. Para entender su magnitud hay que analizarlas durante el transcurso del tiempo, con la totalidad de los pedidos o los pedidos efectuados durante un periodo concreto.

6.2 Dinámicas (p.e. el EDI de la operación en curso) — necesarias para los objetivos 4.3) y 4.4)

Son aquellas que expresan información plena en el momento actual y que determinan las características que hacen únicas a cada pedido. Por ejemplo qué producto pide una gran marca a su proveedor en este pedido. Cuántas unidades demanda de dicho producto, etc.

Esquema de un ejemplo de funcionamiento de variables en tiempo real e históricas

7. Bases de Datos Portuarias: mayor número de variables endógenas y exógenas.

3 Puntos importantes que nos da la información de los puertos

Parece lógico pensar que nuestro sistema de scoring funciona de forma más precisa y es capaz de determinar mejor y con mayor antelación un posible escenario de riesgo conforme analiza más operaciones y dispone de más bases de datos para captar tendencias y relacionar patrones.

De ahí que pensemos que sería una aportación inmensa para el proyecto contar con los datos que pueden proporcionar los puertos respecto al flujo de mercancías por vía marítima, siendo sin duda un gran paso que nos va a permitir conseguir un sistema más fortalecido y ágil que una el mundo financiero y logístico y que abre las puertas para incrementar el negocio, ya que se estaría financiando a las pymes de forma directa en sus primeros pasos de producción.