Hoy, unos 30 años después de que se usara por primera vez el término Big Data, los datos que se recopilan actualmente en relación con el transporte marítimo, es tan grande y compleja que no puede ser analizada, gestionada o, a veces manejada por seres humanos; incluso, cuando se trata de mercados pequeños, con un número reducido de factores, como una sola ruta de carga, no se puede digerir y gestionar todos los datos disponibles de manera que pueda ayudar a hacer una conjetura educada, señala un  reporte de IHS Markit.

Sin embargo, a muchos les parece que todavía estamos asistiendo al comienzo del ciclo de disrupción de datos. Esta opinión es compartida entre aquellos que están viendo los resultados cada vez más precisos de los modelos de aprendizaje automático (ML). Aparte de una plétora de datos primarios, es decir: datos AIS, consumo de combustible, precios de los commodities, etc., se comienza lo que se podría denominar "nuevos datos" o quizás datos derivados. Se trata de datos de previsión que son el resultado de modelos ML que pueden ser utilizados por otros modelos de ML para pronosticar otros valores y así sucesivamente.

El uso de un modelo ML de oferta y demanda utilizando el lastre histórico de buques para predecir el tonelaje disponible en una zona dentro de 3 semanas era óptimo hasta hace poco. Sin embargo, ahora se puede alimentar con las previsiones de las cifras de lastre de los buques producidas por otros modelos ML, cuya precisión se puede cuantificar y medir. Lo mismo ocurre con el diferencial de la soja, el precio del búnker, etc. Cuanto más precisos sean los modelos, más información y datos se tienen para alimentar otros modelos que utilizan sus resultados como insumos.

También existente nuevos datos primarios producidos por las nuevas tecnologías, como la reconstrucción de imágenes de satélite de los stocks en los muelles; el análisis en color de los datos por satélite que determinan la madurez de los cultivos y, por tanto, el volumen y el momento de la cosecha, las revoluciones de los motores de los buques en tiempo real, los datos meteorológicos, tarifas diarias de los forward feright agreements (FFA), etc.

Estas enormes cantidades de datos son manejadas de forma óptima por modelos ML, modelos lineales, etc., con una precisión mensurable.

Una ventaja clave

Según IHS Markit, los mercados son la amalgama del nivel en que los participantes del mercado están dispuestos a realizar transacciones. Se sabe que los modelos ML están mejorando porque su precisión en la previsión del estado futuro del mercado es superior a la "previsión" de los propios participantes en el mercado, el mercado de futuros.

El hecho de que los modelos de ML sean mejores pronosticadores que el mercado financiero de futuros hace que surjan más usos y más aplicaciones en este mercado tan volátil. Si se tiene una curva más precisa que la curva de futuros entonces la curva FFA sólo se utiliza como medio para marcar el cierre potencial de una posición existente o la capacidad para cubrir una posición a plazo.

Si se quieren tomar decisiones más realistas sobre el posible resultado del mercado a plazo, entonces los resultados del modelo ML y las curvas a plazo son más útiles. Esto se aplica a las decisiones de compra y venta de buques, a las evaluaciones del flujo de caja financiero, a los VAN, a las decisiones de fletamento por tiempo a largo plazo, estudios de viabilidad de la minería por toneladas, gestión del portafolio de préstamos para el transporte marítimo, etc.

El hecho de que un operador de transporte marítimo o de carga pueda tener ahora una curva propia impulsada por ML no es nada nuevo. A fines de los 90 e incluso hoy en día los departamentos de tesorería de la mayoría de los grandes bancos tenían sus propias curvas internas que utilizaban para marcar su libro a mercado con fines internos. Los operadores solían decir que eran diferentes del Libor [Tasa de oferta interbancaria de Londres] u otros mecanismos externos de determinación de precios, principalmente para reflejar la liquidez. Las curvas propias basadas en datos producidas por los modelos ML pueden hacer precisamente eso. La única diferencia es que los modelos de ML pronostican liquidez no sólo en la ejecución del derivado o en la propia fijación, sino en la condición de todos los demás factores que determinan el precio. El modelo basado en datos puede hacer suposiciones realistas sobre la profundidad del mercado, después de todo ahora existen las tarifas "intradía" del FFA entre otros.

Algunos ejemplos de aplicación inicial indican que los modelos de aprendizaje automático no necesitan alcanzar un alto nivel de precisión para lograr grandes resultados en la fijación de buques/cargas y la cobertura de la exposición al mercado de fletes. Esto se debe principalmente a que el transporte marítimo es un juego de promedios y también lo son los resultados del modelo ML.

La razón principal del éxito es que los modelos ML tienen que ser buenos en promedio o sus señales pueden aplicarse en partes específicas de mayor tolerancia del flujo de trabajo de fletamento/acompañamiento. De las 10-12 fijaciones de tarifas spot de un buque Capesize en los últimos 12 meses, fijarlo por un periodo más largo sólo dos veces (cuando el modelo ML lo indica) lleva a batir la fijación genérica spot en más de un 7% (fijación de 40 días de negocio en lugar de 30), por lo que ofrece una mayor capacidad para batir el Baltic Index, especialmente en base al portafolio. Estos resultados, cuando se aplican a una flota, podrían ser más elevados en función del apetito de riesgo.

Los modelos de ML parecen ser buenos también en la gestión de la exposición cercana de la carga. Cuando se evalúa el posible negocio spot para el próximo contrato de un buque, se obtiene una evaluación y una perspectiva completamente diferentes

El negocio 1 tiene una duración de 30 días y un equivalente de fletamento por tiempo de US$22.000. Cuando se valora a precio de mercado utilizando la curva FFA, parece estar casi un 4% por debajo del Índice, sin embargo, cuando se valora a precio de mercado con la curva prevista por el modelo ML parece superar al Índice Báltico en casi un 13%.

Lo que está claro es que la consecución de la contratación óptima de buques, cargas comerciales e incluso FFA se está convirtiendo en algo basado en datos. Parece imperativo incorporar las decisiones basadas en los datos en la ejecución, la cobertura, la evaluación, la evaluación comparativa, etc. Se trata de que los primeros en adoptar la disrupción se sitúen mejor en los desarrollos que están por venir. "Sólo los actores que dediquen tiempo a incorporar decisiones basadas en datos, a aplicar las señales a sus operaciones y a su apetito por el riesgo, y a añadir los matices de ML a su flujo de trabajo, se beneficiarán de las mejoras de los modelos a medida que se vayan desarrollando y perfeccionando", puntualiza IHS Markit.