Artículos

El BCE publica estadísticas bancarias de supervisión para el primer trimestre de 2020

24 de julio de 2020

  • Los coeficientes de capital de las instituciones importantes disminuyen ligeramente en el primer trimestre de 2020, con un coeficiente de capital total agregado del 18,11% (frente al 18,53% del cuarto trimestre de 2019)
  • La tasa de morosidad agregada sigue disminuyendo hasta situarse en el 3,05%, el nivel más bajo desde que se publicaron los datos por primera vez en 2015
  • El rendimiento anualizado sobre el capital cae a un nivel agregado de 1,21% al final del primer trimestre de 2020, frente al 5,76% del año anterior
  • Los préstamos y anticipos aumentan un 4,3% hasta situarse en 15,0 billones de euros en el primer trimestre de 2020, frente a los 14,4 billones de euros del cuarto trimestre de 2019, impulsados ​​principalmente por préstamos y anticipos a sociedades no financieras y otras sociedades financieras

Adecuación de capital

Las ratios de capital agregado para el grupo de entidades significativas del MUS (es decir, aquellas entidades de crédito supervisadas directamente por el BCE) descendieron ligeramente en el primer trimestre de 2020 en comparación con el trimestre anterior. El coeficiente agregado de capital ordinario de nivel 1 (CET1) se situó en el 14,43%, el coeficiente agregado de nivel 1 se situó en el 15,65% y el coeficiente de capital total agregado se situó en el 18,11%. Los coeficientes de capital CET1 agregados a nivel de país oscilaron entre el 11,85% en España y el 28,19% en Estonia. En todos los modelos de negocio de SSM, los bancos de importancia sistémica global (G-SIB) informaron el índice de capital CET1 agregado más bajo (13,32%) y los prestamistas de desarrollo / promocionales informaron el más alto (31,48%).

Calidad de activos

La ratio de morosidad agregada (ratio de morosidad) siguió mejorando hasta situarse en el 3,05% en el primer trimestre de 2020. El stock de morosidad descendió un 0,99%, mientras que el valor contable bruto de préstamos y anticipos aumentó un 4,63%. En todos los modelos de negocio de SSM, los custodios y administradores de activos registraron el índice de morosidad agregado más bajo (0,20%) y los prestamistas diversificados registraron el más alto (7,50%).

El índice de cobertura de liquidez agregada aumentó a 146,57% en el primer trimestre de 2020, frente al 145,93% del trimestre anterior. A nivel de país, las proporciones agregadas oscilaron entre el 125,65% en Grecia y el 402,18% en Malta. En todos los modelos de negocio de SSM, los G-SIB informaron el índice agregado más bajo (135,77%), mientras que los pequeños prestamistas del mercado informaron el más alto (236,66%).

Rentabilidad sobre recursos propios

El rendimiento anualizado del capital (RoE) se redujo significativamente hasta situarse en un nivel agregado del 1,21% en el primer trimestre de 2020, frente al 5,76% del primer trimestre de 2019. La disminución de las ganancias netas agregadas se debió a un aumento de las pérdidas. y provisiones (que ascendieron a 26.730 millones de euros en el primer trimestre de 2020, frente a 10.550 millones de euros en el primer trimestre de 2019).

Financiamiento por sector de contraparte

Los préstamos y anticipos agregados de las entidades significativas del MUS aumentaron a 15,0 billones de euros en el primer trimestre de 2020, frente a los 14,4 billones de euros del cuarto trimestre de 2019. Esto se debió principalmente a aumentos en los préstamos y anticipos agregados a sociedades no financieras (que aumentó de 5,1 billones de euros en el cuarto trimestre de 2019 a 5,3 billones de euros en el primer trimestre de 2020) y préstamos y anticipos agregados a otras corporaciones financieras (que aumentaron de 1,3 billones de euros en el cuarto trimestre de 2019 a 1,6 billones de euros en el primer trimestre de 2020).

Factores que afectan los cambios

Las estadísticas de la banca supervisora ​​se calculan agregando los datos que reportan los bancos que reportan COREP (información de adecuación de capital) y FINREP (información financiera) en el momento relevante. En consecuencia, los cambios en los montos mostrados de un trimestre a otro pueden verse influenciados por los siguientes factores:

  • cambios en la muestra de instituciones informantes;
  • fusiones y adquisiciones;
  • reclasificaciones (por ejemplo, cambios de cartera como resultado de la reclasificación de determinados activos de una cartera contable a otra).

Lista de tareas de julio de 2020 para contribuyentes acelerados

Las empresas que presentan declaraciones aceleradas tienen varias cosas que considerar este mes.

Ahora se requiere XBRL en línea

Primero, no olvide que los requisitos de etiquetado XBRL en línea (incluidas las portadas) ahora se han implementado gradualmente para los contribuyentes acelerados, a partir del 15 de junio. Esos requisitos se implementaron gradualmente para los grandes contribuyentes acelerados en 2019. Para los contribuyentes acelerados, eso significa que los informes, generalmente informes trimestrales en el formulario 10-Q, para los períodos fiscales que terminan el 15 de junio de 2020 o después, deben cumplir con los requisitos de etiquetado XBRL en línea. Aquí está la guía de la SEC en su versión de adopción para los requisitos de etiquetado en línea XBRL:

Por ejemplo, un declarante del Formulario 10-Q en el [segundo] grupo en fase de incorporación [contribuyentes acelerados] con un año fiscal calendario final deberá comenzar a cumplir con el requisito de XBRL en línea con su Formulario 10-Q para el período que finaliza 30 de junio de 20 [20]. Como un ejemplo adicional, un declarante del Formulario 10-Q en el [segundo] grupo de incorporación gradual [contribuyentes acelerados] con un final de año fiscal el 30 de junio deberá comenzar a cumplir con el requisito de su Formulario 10-Q para el período que finaliza 30 de septiembre de 20 [20].

Determinación del estado civil para efectos de la declaración para 2021

El 30 de junio de 2020 fue la fecha de referencia para que las empresas de fin de año calendario determinaran el estado de contribuyente del próximo año, así como para calcular la “flotación pública” de la empresa: el valor de mercado agregado del capital en manos de no afiliadas. La flotación pública, a partir del final del segundo trimestre (que es el 30 de junio para los contribuyentes por año calendario), se informa en la portada y dicta la fecha de presentación del Informe Anual en el Formulario 10-K para 2020, presentado a principios de 2021, así como las fechas de presentación subsiguientes para los Informes Trimestrales en el Formulario 10-Q durante 2021.

Enmiendas a las definiciones de Accelerated Filer y Large Accelerated Filer. Sin embargo, la determinación del estado de contribuyente para 2021 fue algo complicada por las enmiendas a las definiciones de “contribuyente acelerado” y “contribuyente acelerado grande” adoptadas por la SEC a principios de este año. Respondiendo a las preocupaciones de que estas definiciones continuaron sujetando de manera inapropiada a algunas compañías de informes más pequeñas («SRC») de «ingresos más bajos» a los plazos de presentación acelerados, así como a otros requisitos, en particular el requisito de SOX 404 para una auditoría del control interno de la empresa sobre los informes financieros ( “ICFR”), la SEC agregó una prueba de ingresos a estas definiciones para excluir ciertos SRC de ingresos bajos. (Un SRC es un emisor con menos de $ 250 millones de flotación pública o menos de $ 100 millones en ingresos anuales). Esas enmiendas entraron en vigencia el 27 de abril de 2020 y se aplican a los Formularios 10-K que vencen en esa fecha o después.

Como resultado, un SRC con ingresos anuales de menos de $ 100 millones en sus estados financieros anuales auditados más recientes ahora está excluido de esas definiciones. Como se mencionó anteriormente, el efecto más significativo y práctico de estas modificaciones es que estos emisores ya no serán clasificados como “contribuyentes acelerados” y, por lo tanto, ya no se les requerirá tener la auditoría del SCIIF. Sin embargo, tenga en cuenta que dicho SRC no se convertirá en un contribuyente no acelerado hasta el Formulario 10-K para el año que finalizó el 31 de diciembre de 2020 (para los contribuyentes del año calendario y suponiendo que el SRC cumple con los requisitos para el estado de contribuyente no acelerado en 31 de diciembre de 2020). Dicho SRC seguirá siendo un contribuyente acelerado para los fines de los Formularios 10-Q que presente en 2020. Además, dicho SRC seguirá estando obligado, entre otras cosas, a establecer y mantener el ICFR y hacer que la gerencia evalúe la eficacia del ICFR. Las reglas de transición se analizan con mayor detalle a continuación.

Los cambios clave en las definiciones : según la definición anterior, un emisor con una flotación pública de $ 75 millones o más era un «contribuyente acelerado»; no hubo prueba de ingresos. Según la definición enmendada, excepto durante un período de transición, los emisores con una flotación pública entre $ 75 millones y $ 700 millones  y  con $ 100 millones o más en ingresos anuales serán «contribuyentes acelerados». Además, como se analiza a continuación, las enmiendas aumentaron los umbrales de transición para salir del estado de contribuyente acelerado de $ 50 millones a $ 60 millones y para salir del estado de contribuyente acelerado grande de $ 500 millones a $ 560 millones. Finalmente, la SEC agregó una casilla de verificación a las portadas de los Formularios 10-K, 20-F y 40-F para indicar si se incluye una certificación de auditor del ICFR en la presentación.

Sin embargo, la SEC no alineó completamente las definiciones de declarante acelerado y SRC, en parte por la creencia de que hacerlo corría el riesgo de un impacto adverso en la confiabilidad de los estados financieros de las compañías de mayores ingresos. Un emisor puede seguir siendo tanto un contribuyente acelerado como un SRC (consulte la Tabla 1 a continuación). Sin embargo, calificar como un SRC no es el detonante que determina el requisito de certificación del auditor del ICFR. Los emisores que cumplen con la definición de un SRC, sin embargo, califican para ciertos requisitos de divulgación escalonados.

La siguiente Tabla 1 resume los requisitos para determinar la condición de declarante, así como si se requiere la certificación del auditor del ICFR.

Transición entre categorías de declarantes

Como se mencionó anteriormente, las enmiendas de 2020 también aumentaron los umbrales para salir del estado de contribuyente acelerado grande y de contribuyente acelerado, lo que permite a las empresas en el extremo inferior de los umbrales anteriores pasar potencialmente al estado más bajo (y potencialmente menos oneroso). De manera similar a las pruebas descritas anteriormente, la SEC agregó un componente de ingresos a los umbrales de transición enmendados y específicamente excluyó un SRC en transición de las definiciones de contribuyente acelerado y contribuyente acelerado grande. Esto también contribuyó a la complejidad de las reglas modificadas.

Archivador acelerado grande / Archivador acelerado / Archivador no acelerado. Una vez que una empresa se convierte en un gran contribuyente acelerado, sigue siendo un gran contribuyente acelerado a menos que determine, al final de un año fiscal, que:

  • su flotación pública fue de $ 60 millones o más, pero menos de $ 560 millones, y
  • no es elegible para usar los requisitos para SRC bajo una de las pruebas de ingresos de SRC que se describen a continuación.

Un contribuyente acelerado grande que toma esta determinación se convierte en un contribuyente acelerado y no volverá a ser un contribuyente acelerado grande hasta que cumpla con los requisitos para convertirse en un contribuyente acelerado grande (por ejemplo, una flotación pública de $ 700 millones o más). Consulte la Tabla 1 anterior.

Archivador acelerado / Archivador no acelerado. Una vez que una empresa se convierte en un contribuyente acelerado, incluso como resultado de dejar de ser un contribuyente acelerado grande como se describe en los párrafos anteriores (es decir, un contribuyente acelerado grande puede pasar directamente a ser un contribuyente no acelerado), sigue siendo un contribuyente acelerado. a menos que determine, al final de un año fiscal, que:

  • su flotación pública fue de menos de $ 60 millones, o
  • es elegible para usar los requisitos para SRC bajo una de las pruebas de ingresos de SRC que se describen a continuación.

Un contribuyente acelerado que cumple con una de estas pruebas se convierte en un contribuyente no acelerado y no volverá a ser un contribuyente acelerado hasta que cumpla con la definición de contribuyente acelerado (por ejemplo , una flotación pública de $ 75 millones o más) y no se convertirá en un contribuyente acelerado grande. nuevamente hasta que cumpla con la definición de contribuyente acelerado grande (por ejemplo , flotación pública de $ 700 millones o más).

El tamaño importa: ¿la empresa es una SRC? Las enmiendas finales, sin embargo, proporcionan más complejidad a las definiciones con la adición de una prueba de ingresos para salir tanto del estado de contribuyente acelerado grande como de contribuyente acelerado. Según enmendado, un contribuyente acelerado seguirá siendo un contribuyente acelerado a menos que:

  • su flotación pública cayó por debajo de $ 60 millones o
  • se vuelve elegible para ser un SRC bajo las pruebas de ingresos en los párrafos (2) o (3) (iii) (B) establecidos en la definición del SRC.

Tenga en cuenta que el párrafo 2 de la definición de SRC establece que una empresa será una SRC si sus ingresos anuales son menos de $ 100 millones y no tiene una flotación pública o una flotación pública de menos de $ 700 millones. El párrafo (3) (iii) (B) establece, entre otras cosas, que una empresa que inicialmente no califica como una SRC porque tenía ingresos anuales de $ 100 millones o más no puede calificar como una SRC hasta que sus ingresos anuales caigan por debajo de los $ 80 millones. . Una empresa que está aplicando inicialmente la definición de SRC o previamente calificada como SRC aplicaría el párrafo (2) de la definición de SRC. Una vez que una empresa determina que no califica como SRC, aplicaría el párrafo (3) (iii) (B) de la definición en su próxima determinación anual.  

Una vez que un emisor determina que no califica para el estatus de SRC porque excedió uno o más de los umbrales actuales, permanecerá sin calificar a menos que al hacer su determinación anual determine:

  • que su flotación pública era inferior a 200 millones de dólares; o
  • que cumple con la prueba de ingresos / flotación pública establecida en la Tabla 3.

En ese momento, el SRC se convertiría en un contribuyente no acelerado (es decir, no un contribuyente acelerado o acelerado grande) independientemente de las otras reglas de transición.

Aquí hay dos ejemplos que la SEC proporcionó para ilustrar el funcionamiento de las disposiciones de transición:

Ejemplo 1. Según las enmiendas finales, un contribuyente acelerado con ingresos de $ 100 millones o más que es elegible para ser un SRC según la prueba de flotación pública contenida en los párrafos (1) y (3) (iii) (A) del SRC La definición puede pasar al estado de contribuyente no acelerado en un año posterior si tiene ingresos de menos de $ 100 millones. Por ejemplo, un emisor con un año fiscal al 31 de diciembre que no excedió el umbral de flotación pública en el año anterior y que tiene una flotación pública, al 30 de junio de 2020, de $ 230 millones e ingresos anuales para el año fiscal que finalizó en diciembre. 31, 2019 de $ 101 millones será elegible para ser un SRC bajo la prueba de flotación pública; sin embargo, debido a que el emisor no sería elegible para ser un SRC bajo la prueba de ingresos del SRC, será un contribuyente acelerado (suponiendo que también se cumplan las otras condiciones [requeridas para los contribuyentes acelerados]). En la próxima fecha de determinación (30 de junio de 2021), si su flotación pública, al 30 de junio de 2021, permanece en $ 230 millones y sus ingresos anuales para el año fiscal que finalizó el 31 de diciembre de 2020 son menos de $ 100 millones, el emisor ser elegible para ser un SRC bajo la prueba de ingresos de SRC (además de la prueba de flotación pública) y, por lo tanto, se convertirá en un declarante no acelerado.

Ejemplo 2. Por otro lado, un emisor con un año fiscal finalizado el 31 de diciembre que tiene una flotación pública, al 30 de junio de 2020, de $ 400 millones e ingresos anuales para el año fiscal terminado el 31 de diciembre de 2019 de $ 101 millones no será elegible para ser un SRC bajo la prueba de flotación pública o la prueba de ingresos de SRC y será un contribuyente acelerado (asumiendo que también se cumplen las otras condiciones [requeridas para los contribuyentes acelerados]). En la próxima fecha de determinación (30 de junio de 2021), si su flotación pública, al 30 de junio de 2021, permanece en $ 400 millones, ese emisor no será elegible para ser un SRC bajo la prueba de ingresos de SRC a menos que sus ingresos anuales para el el año fiscal que finalizó el 31 de diciembre de 2020 son menos de $ 80 millones, momento en el cual será elegible para ser un SRC bajo la prueba de ingresos del SRC y convertirse en un contribuyente no acelerado.

En esencia, como se explica en el comunicado propuesto, según las enmiendas, “un contribuyente acelerado seguiría siendo un contribuyente acelerado hasta que su flotación pública caiga por debajo de $ 60 millones o sus ingresos anuales caigan por debajo del umbral de ingresos aplicable ($ 80 millones o $ 100 millones), en el cual punto que se convertiría en un contribuyente no acelerado «. De manera similar, un contribuyente acelerado grande se convertiría en un contribuyente acelerado al final de su año fiscal si su flotación pública cayera a $ 60 millones o más pero menos de $ 560 millones a partir del último día hábil de su segundo trimestre fiscal completado más recientemente y su los ingresos no estaban por debajo del umbral de ingresos aplicable ($ 80 millones o $ 100 millones).

Excepción a las Reglas de Transición. Una excepción a estas reglas de transición se aplica a un gran contribuyente acelerado cuya flotación pública ha caído por debajo de $ 700 millones (pero sigue siendo de $ 560 millones o más) pero se vuelve elegible para ser un SRC bajo la prueba de ingresos del SRC en el primer año en que las enmiendas del SRC entran en vigencia. . Esa empresa se convertiría en un contribuyente no acelerado a pesar de que su flotación pública se mantuvo en o por encima de $ 560 millones.

¿Cómo te afecta todo esto?

Para emisores con ingresos anuales de menos de $ 100 millones y flotación pública entre $ 75 millones y $ 700 millones, su empresa ahora puede calificar como contribuyente no acelerado. Tenga en cuenta que estas reglas no se aplican a las empresas de crecimiento emergente (EGC) hasta que salgan del estado de EGC.

  • Emisores: discuta con sus auditores las implicaciones de estas reglas de transición para sus auditorías futuras. Revise cuidadosamente las disposiciones de transición, así como las definiciones de ingresos anuales y de flotación pública.
  • Auditores: discuta el impacto potencial de la definición enmendada con los clientes de auditoría del emisor. Ayude a asegurarse de que estén al tanto de las disposiciones de transición relacionadas y del impacto potencial en auditorías futuras.
  • Comités de auditoría: su empresa ahora puede calificar como contribuyente no acelerado. Solicite a la gerencia que prepare un análisis del estado del declarante para determinar si hay algún cambio en el requisito de certificación del auditor del ICFR de la compañía. Si ya no es necesario, analice el impacto con el auditor de la empresa. Incluso si ya no se requiere una certificación de auditor externo sobre el ICFR, los comités de auditoría pueden querer considerar el beneficio de continuar obteniendo dicha certificación, ya sea por “óptica” o pensando en que el requisito puede aplicarse en el futuro si la empresa se convierte en una Archivador acelerado.

Estos materiales se han preparado únicamente con fines informativos y no constituyen asesoramiento legal. Esta información no pretende crear, y su recepción no constituye, una relación abogado-cliente. Los suscriptores de Internet y los lectores en línea no deben actuar sobre esta información sin buscar un consejo profesional.

NVM Agrarisch & Landelijk lanza una nueva plataforma de valoración digital

El Departamento Agrícola y Rural del NVM ha desarrollado una nueva e innovadora plataforma digital para la valoración de inmuebles agrícolas y rurales. Esta plataforma permite a los tasadores de NVM proporcionar valoraciones digitales estandarizadas a los bancos y otras partes interesadas.

La nueva plataforma de valoración se ha desarrollado en colaboración con miembros (tasadores) del Departamento de Agricultura y Rural de NVM y el proveedor de software de valoración KATE Innovations. Con la plataforma, los tasadores de bienes raíces agrícolas y rurales pueden preparar fácilmente informes de valoración en un entorno digital. Tiene en cuenta la información estándar que se aplica a los diversos subsectores de la propiedad agraria y rural: desde la agricultura arable, la ganadería lechera y la cría de cerdos hasta los hogares con fines agrícolas. 

Estandarizado

La plataforma de valoración está vinculada a la plataforma de datos Brainbay de NVM y lee automáticamente los objetos referencia de las transacciones recientes. Los usuarios también pueden utilizar módulos de flujo de trabajo, verificaciones de conflictos de intereses, la posibilidad de generar cartas de asignación estandarizadas y agregar ellos mismos modelos de cálculo validados, según la solicitud del cliente.

La plataforma genera informes de valoración en PDF y tiene un enlace XBRL, una forma digital de intercambiar datos. Con esto, NVM Agrarisch & Landelijk quiere facilitar que sus miembros satisfagan la creciente necesidad de los bancos y otras partes interesadas de valoraciones digitales estandarizadas. Todos los resultados de la plataforma cumplen con los requisitos de la NRVT y el estándar de valoración internacional EVS.

Caminar adelante

“La idea de esta nueva plataforma de valoración surgió a finales de 2019”, dice Ard Klijsen, presidente del Departamento de Agricultura y Rurales de NVM. “Estaba claro que era necesario satisfacer la creciente demanda de informes uniformes y estandarizados. Pero el mercado de bienes raíces agrícolas y rurales es diverso y eso hace que el proceso de valoración sea complejo y difícil de estandarizar. Esta nueva plataforma no solo hace eso, va mucho más allá. Es importante que cumplamos con el deseo de trabajar con un estándar. Esto demuestra que nos anticipamos a los cambios en el mercado y desarrollamos nuevas e innovadoras formas de trabajar”.

“Esta plataforma asegura que los evaluadores de NVM puedan entregar evaluaciones de calidad aún mayor de la manera más eficiente”, dice Erik Schlooz, Director Gerente de KATE Innovations. “Estoy convencido de que esto es un detonante para toda la industria en torno a las valoraciones agrícolas y rurales. La digitalización y la calidad se unen y con eso estamos preparados para el futuro ”.

La nueva plataforma de valoración de NVM Agrarisch & Landelijk estará disponible a partir del 1 de agosto.

La AEVM (ESMA) responde a la consulta de la Comisión Europea sobre la estrategia de Financiación Digital

La Autoridad Europea de Valores y Mercados (ESMA), el regulador de los mercados de valores de la UE, ha presentado una respuesta a la consulta de la Comisión Europea (CE) sobre una nueva estrategia de financiación digital para la Unión Europea (UE). ESMA da la bienvenida a la consulta de la CE y señala que se basa en el Plan de acción de tecnología financiera de 2018 que estableció una serie de entregables para las ESA, todos los cuales se completaron.

La cooperación en torno a la innovación financiera a nivel de la UE es clave para eliminar la fragmentación en el mercado de servicios financieros digitales. ESMA cree que ciertas iniciativas específicas apoyarían este objetivo, como el desarrollo de Identidades Financieras Digitales, que sean utilizables y reconocidas en toda la UE, basadas en el estándar global ISO 17442 existente del Identificador de Entidad Legal (LEI). La respuesta de la AEVM también describe varias condiciones necesarias para un sector financiero bien regulado basado en datos, incluidas las habilidades adecuadas, la estandarización de datos y la seguridad de los datos.

En su respuesta, la AEVM se centra en:

  • Riesgos y beneficios de la digitalización del sector financiero. Los beneficios incluyen mayor velocidad, eficiencia, conveniencia y mayores economías de escala, así como herramientas automatizadas que ayudan a las empresas y autoridades a detectar casos de mala conducta. Las áreas de riesgo incluyen seguridad de datos, incidentes operativos, privacidad de datos, precios, prácticas de ventas y la exclusión financiera de algunas personas;
  • Garantizar un marco regulador de los servicios financieros de la UE tecnológicamente neutro que apoye la innovación. Es necesario un marco regulador / supervisor armonizado a escala de la UE para permitir que las empresas innovadoras de la UE alcancen la escala que necesitan y proporcionen las salvaguardias necesarias para la protección de los inversores, la estabilidad financiera y el orden en los mercados.
  • Eliminar la fragmentación del mercado único de servicios financieros digitales. Una forma importante de abordar la fragmentación en el mercado único de servicios financieros digitales es a través de la cooperación a nivel de la UE, por ejemplo, a través del Foro Europeo de Facilitadores de Innovación (EFIF) establecido por el Comité Conjunto de las AES. Algunas iniciativas específicas, como las iniciativas de identificación electrónica, incluido el DAS, pueden apoyar el objetivo de eliminar la fragmentación en el mercado único de servicios financieros digitales. Las identidades financieras digitales que se pueden utilizar y reconocer en toda la UE dependen de la introducción de un medio de identificación único, estandarizado y armonizado. Estos medios ya existen en el sector financiero en forma de LEI, que debe promoverse en la mayor medida posible.
  • Promover un sector financiero bien regulado basado en datos. Un desafío para las empresas, las autoridades y los consumidores es desarrollar el conocimiento y la experiencia necesarios para beneficiarse de las tecnologías digitales. Los requisitos clave para un uso eficiente y fácil de los datos son la estandarización y armonización de los datos, la seguridad de los sistemas de TI y la certeza legal con respecto a las responsabilidades, obligaciones y permisos de uso pertinentes. Para que los datos disponibles públicamente se puedan utilizar fácilmente, deben estar sujetos a un acceso sin restricciones de manera oportuna. Los problemas de calidad de los datos deben abordarse mediante mecanismos de verificación sólidos, y los datos de texto deben estar en formato legible por máquina. Un área de interés para la AEVM es el potencial de las herramientas basadas en inteligencia artificial (como el aprendizaje automático).para apoyar las actividades de la autoridad relacionadas con las estadísticas.

Una carta al CE de Steven Maijoor, el presidente de ESMA, acompaña la respuesta y resume los puntos principales. Para preparar su respuesta, la ESMA ha tenido en cuenta los análisis detallados que ha realizado en los últimos años sobre temas como la tecnología de contabilidad distribuida y los criptoactivos (CA).

Necesitamos más y mejores datos sobre la policía y el sistema de justicia penal

La falta de datos de calidad sobre la actuación policial refleja el mal estado de transparencia en el sistema de justicia penal y está frenando los esfuerzos de reforma policial.

A medida que se discuten ideas en todo el país sobre cómo llevar a cabo una reforma policial significativa, un aspecto que a veces se pasa por alto es la falta de datos de calidad sobre la actuación policial y el sistema de justicia penal en su conjunto.

Los «macrodatos» y la revolución de la inteligencia han estimulado avances para las empresas y los gobiernos, pero estas tendencias en su mayoría han sido ignoradas por los organismos encargados de hacer cumplir la ley. Los departamentos de policía locales y estatales no han cumplido con los estándares actuales de presentación de datos, lo que significa que la mayoría de los departamentos de policía no pueden producir informes significativos sobre el estado de la aplicación de la ley en sus jurisdicciones. Tomemos como ejemplo la guerra contra las drogas.

Uno puede preguntarse cuántas personas han sido condenadas por delitos graves por cargos de posesión de marihuana. ¿Cuántas personas cometen delitos graves por posesión de drogas? ¿Cuántas personas han sufrido abusos por parte del poder policial mientras se enfrentaban a un arresto relacionado con las drogas?

Las respuestas a esas preguntas se desconocen en gran medida. No existe una base de datos que pueda informar con precisión esos números. Lo mejor que tenemos son estimaciones compiladas de programas piloto y otros esfuerzos académicos y de los medios de comunicación.

¿Cómo puede ser este el estado de los datos de la justicia penal en medio de una revolución de datos tan generalizada en tantas otras áreas de la sociedad?

Una razón principal es que los estados colectivamente no han logrado determinar estándares para la presentación de datos, algo que el sector privado ha desarrollado y adaptado para uso público.

Uno de los mejores ejemplos de innovación de datos en la esfera pública es XBRL US, que es un consorcio de empresas sin fines de lucro que se reúne regularmente y acepta definiciones de datos universales, principalmente relacionadas con informes financieros. Los estándares XBRL garantizan que los datos financieros corporativos se puedan localizar fácilmente y que sean comparables entre instituciones.

Reconociendo los beneficios de la estandarización, incluida la transparencia y la integridad de los datos, la Comisión de Bolsa y Valores de EE. UU. (SEC) comenzó a exigir informes XBRL para las empresas públicas porque era muy fácil definir, recopilar y revisar la información requerida por las regulaciones.

Las instituciones públicas como los departamentos de policía, los distritos judiciales y los sistemas penitenciarios deben desarrollar un organismo de gobierno como XBRL US para establecer definiciones de datos universales. Estos estándares se pueden programar fácilmente en un software de recopilación de datos, que a menudo es de código abierto y es mantenido por organizaciones sin fines de lucro y otros grupos de responsabilidad. Los datos también podrían distribuirse de forma rápida y económica a los departamentos de policía y otras partes del país, ayudándoles a identificar e implementar mejor las mejores prácticas.

La Iniciativa de Datos de la Policía, que dice que ha trabajado con 130 agencias de aplicación de la ley que han publicado más de 200 conjuntos de datos hasta la fecha, y otras similares es un buen comienzo para el movimiento de datos. Pero en su mayor parte, estos grupos solo pueden compilar enlaces que redireccionan a las bases de datos de la policía estatal y local. Sin requisitos de estandarización y presentación de informes, es casi imposible construir una base de datos nacional significativa de información policial y mucho menos determinar retrospectivamente algo como la cantidad de personas condenadas por algo como posesión de drogas.

Los datos son necesarios por una variedad de razones y deben ser registrados y reportados de tal manera que la información sea fácilmente digerible tanto por máquinas como por humanos. Informar los datos en formato pdf, por ejemplo, es una práctica común de los gobiernos, pero esos datos no son legibles por una máquina por un programa como Microsoft Excel.

Además, según los estándares establecidos por el organismo nacional, la policía debe tener dispositivos digitales con formularios preestablecidos que capturen la gran mayoría de las actividades en las que participan. Esos dispositivos deben ingresar a la base de datos central casi en tiempo real, o en al menos actualizarse a diario.

Así como sería ilegal que una empresa pública omita ciertos datos en su informe anual, debería ser ilegal que la policía se involucre en ciertas actividades sin informarlo. La llegada de las cámaras corporales y el almacenamiento de datos barato hace posible revisar videos y ayudar a registrar datos correctamente. La inteligencia artificial también puede ayudar a decodificar videos para registrar las actividades que ocurren en la cinta.

Si los formuladores de políticas y los contribuyentes tuvieran una actualización diaria de los datos policiales que registraran e informaran las acciones y estadísticas de las actividades diarias de los departamentos de políticas, la transparencia aumentaría y el potencial de abuso probablemente se reduciría en gran medida. Luego, podríamos usar los datos para desarrollar métodos más efectivos y científicos para orientar las intervenciones para reducir el comportamiento indeseable.

Si bien la naturaleza del trabajo policial nunca se prestará a la misma estandarización de datos generalizada observada en la industria financiera, por ejemplo, es una inconsistencia inaceptable que los gobiernos puedan categorizar, criminalizar y hacer cumplir las leyes, pero afirman que no tienen las capacidades tecnológicas para registrar e informar esas actividades con fines de transparencia y rendición de cuentas.

La presentación de informes y la estandarización de datos es una reforma de la justicia penal muy necesaria. En el futuro, los departamentos de policía y las instituciones involucradas en el sistema de justicia penal deben priorizar la presentación de datos y la estandarización.

APLICACIÓN DE LA TAXONOMÍA PARA DIVULGACIONES DE ALIVIO Y PANDEMIA DE COVID-19

PROPÓSITO DE ESTA TAXONOMÍA PREGUNTAS Y RESPUESTAS DEL PERSONAL

Como parte de su compromiso continuo con las partes interesadas, el personal de taxonomía de FASB ha creado estas preguntas y respuestas para abordar la aplicación de la taxonomía a las divulgaciones en las siguientes áreas:

  1. Impuestos sobre la renta
  2. Impuestos sobre la nómina
  3. Préstamos
  4. Subsidios
  5. Pensiones
  6. Discusión general sobre la pandemia de COVID-19.

Las respuestas proporcionadas en estas preguntas y respuestas no deben ser análogas a otros hechos y circunstancias que no se hayan discutido específicamente.

El personal de Taxonomía de FASB continuará monitoreando esta situación única y en evolución y comunicará la aplicación adicional de la Taxonomía según corresponda.

PREGUNTAS Y RESPUESTAS


Divulgaciones de COVID-19

Pregunta 1

¿Cómo se debe aplicar la taxonomía a la nota a los estados financieros específicos a la información de COVID-19?

Respuesta

Si los estados financieros incluyen una nota separada sobre COVID-19, el elemento de taxonomía “Elementos inusuales o infrecuentes, o ambos, divulgación [bloque de texto]” está destinado a utilizarse para la nota. Sin embargo, para alertar a los lectores de que la nota se relaciona con COVID-19, el atributo favoriteLabel (la etiqueta preferida) para el elemento debe terminar con «COVID-19». El cumplimiento de esta estructura permitirá a los consumidores buscar texto en un término acordado mientras usan un bloque de texto de taxonomía existente.

Divulgación de la Ley CARES

Impuestos sobre la renta

Pérdidas operativas netas


Pregunta 2

¿Cómo se debe aplicar la Taxonomía a la divulgación del efecto en los estados financieros de la Ley de Ayuda, Alivio y Seguridad Económica por Coronavirus (Ley CARES) relacionada con las modificaciones de las limitaciones sobre la deducibilidad de las pérdidas operativas netas?


Respuesta

Los elementos de extensión están destinados a ser utilizados para divulgaciones de cambios en las leyes tributarias de la Ley CARES relacionados con la modificación de las limitaciones sobre la deducibilidad de las pérdidas operativas netas que sean consistentes con los elementos existentes de la taxonomía (tales como impuestos a la renta por cobrar, gasto por impuesto a la renta (beneficio)). ) y Operaciones Continuadas, Ajuste de Pasivo (Activo) de Impuestos Diferidos) con etiquetas preferidas que terminan con «Ley CARES». Por ejemplo, un elemento de extensión para el impuesto por cobrar para revelar el efecto de una devolución de pérdidas operativas netas tendría la etiqueta preferida «Impuesto sobre la renta por cobrar, Pérdida operativa neta, Ley CARES». El cumplimiento de esta estructura permitirá a los consumidores buscar texto en un término acordado y facilitará la búsqueda.

Créditos fiscales mínimos alternativos


Pregunta 3

¿Cómo se debe aplicar la Taxonomía a la divulgación del efecto en los estados financieros de la Ley CARES relacionado con la aceleración de los créditos del Impuesto Mínimo Alternativo (AMT) bajo la Ley CARES?

Respuesta

Los elementos de extensión están destinados a ser utilizados para divulgaciones de cambios en las leyes tributarias de la Ley CARES relacionados con la aceleración de créditos AMT que son consistentes con los elementos de taxonomía existentes (como los impuestos sobre la renta por cobrar) y que tienen una etiqueta preferida para el elemento de extensión que termina con «CARES Act». Un ejemplo sería «Impuesto sobre la renta por cobrar, Impuesto mínimo alternativo, Ley CARES». El cumplimiento de esta estructura permitirá a los consumidores buscar texto en un término acordado y facilitará la búsqueda.

Depreciación de la propiedad de mejora calificada


Pregunta 4

¿Cómo se debe aplicar la Taxonomía a la divulgación del efecto en los estados financieros de la Ley CARES para enmiendas relacionadas con la depreciación de propiedad de mejora calificada bajo la Ley CARES?

Respuesta

Los elementos de extensión están destinados a ser utilizados para divulgaciones de cambios en las leyes tributarias de la Ley CARES relacionados con el reconocimiento de la depreciación de la propiedad de mejora calificada que son consistentes con los elementos de taxonomía existentes (como los impuestos sobre la renta por cobrar con una etiqueta preferida para el elemento de extensión que termina con “CARES Act”). Un ejemplo sería «Impuestos sobre la renta por cobrar, Propiedad de mejora calificada, Ley CARES». El cumplimiento de esta estructura permitirá a los consumidores buscar texto en un término acordado y facilitará la búsqueda.

Otras divulgaciones de la Ley CARES


Pregunta 5

¿Cómo debería aplicarse la taxonomía a la divulgación de valores umbral relacionados con las disposiciones específicas de los esfuerzos de ayuda de la Ley CARES?

Respuesta

Divulgación de valores de umbral que simplemente reiteran las disposiciones de los programas de ayuda en virtud de la Ley CARES (por ejemplo, el porcentaje del préstamo que se debe utilizar para la nómina para calificar bajo el Programa de Protección de Cheques de Pago [PPP] o el porcentaje de los impuestos sobre la nómina del empleador que debe pagarse antes del 31 de diciembre de 2021) no es necesario etiquetar porque la información es la misma para todos los contribuyentes; no es específico del declarante. La divulgación de esta manera es consistente con la pregunta 146.16 de las Interpretaciones de cumplimiento y divulgación del personal de la SEC: datos interactivos (última actualización: 20 de agosto de 2019) que proporciona ejemplos de los tipos de valores monetarios, porcentajes y números que el personal de la SEC ha acordado son no dentro del propósito de los requisitos de datos interactivos actuales y, como resultado,

Pregunta 6

¿Cómo se debe aplicar la Taxonomía a la divulgación de impuestos sobre la nómina diferidos, créditos de retención de empleados y contribuciones de pensiones diferidas relacionadas con las disposiciones de la Ley CARES?


Respuesta

Los elementos de extensión están destinados a ser utilizados para la divulgación de impuestos sobre la nómina diferidos, créditos de retención de empleados y contribuciones de pensiones diferidas que terminan con la «Ley CARES». El cumplimiento de esta estructura permitirá a los usuarios buscar texto en un término acordado y aumentar la capacidad de búsqueda. Cualquier elemento de extensión debe estar estructurado de manera similar a otros elementos de la “Ley CARES”. Por ejemplo, un elemento de extensión para la participación diferida del empleador en los impuestos sobre la nómina sería «Impuesto del Seguro Social, Empleador, Aplazamiento, Ley CARES», un elemento de extensión para los créditos de retención de empleados sería «Crédito de retención de empleados, Ley CARES» y un elemento de extensión para las contribuciones de pensión diferidas sería «Plan de beneficios definidos, contribuciones futuras esperadas del empleador, año fiscal actual, aplazamiento, ley CARES».

Pregunta 7

¿Cómo se debe aplicar la taxonomía a la divulgación de transacciones de programas de préstamos bajo la Ley CARES?

Respuesta

Los prestatarios deben aplicar la taxonomía a las divulgaciones de préstamos PPP y préstamos con otras facilidades crediticias de la Ley CARES utilizando elementos de la taxonomía cuando corresponda. El monto de la deuda debe divulgarse utilizando elementos de línea que se encuentran actualmente en la taxonomía. Algunos elementos posibles que se pueden usar para las divulgaciones incluyen, entre otros, “Instrumento de deuda, monto nominal”, “Ingresos de líneas de crédito”, “Pagos de deuda a largo plazo” y “Pagos de líneas de crédito. » El elemento del programa a partir del cual se ha financiado el préstamo debe crearse como un miembro de extensión en el «Instrumento de deuda [Eje]» o utilizarse con «Instrumento de deuda, Tipo [Lista extensible]». Los elementos de miembro de extensión deben tener etiquetas preferidas que terminen con “Ley CARES”, como “Programa de protección de cheques de pago, Ley CARES [Miembro]” y “Facilidad de crédito, Ley CARES [Miembro].

Los prestamistas deben aplicar la Taxonomía a las divulgaciones de préstamos PPP y préstamos con otras facilidades crediticias de la Ley CARES utilizando elementos de Taxonomía cuando sea apropiado. Los posibles elementos que se pueden utilizar para la divulgación de préstamos PPP y las facilidades crediticias de la Ley CARES habilitadas por el prestamista incluyen «Financiamiento por cobrar, antes de la asignación para pérdidas crediticias», «Financiamiento por cobrar, después de la asignación para pérdidas crediticias» y «Pagos por (ingresos de) Préstamos y Arrendamientos”. Los posibles elementos de extensión que se pueden utilizar para las divulgaciones que se informan comúnmente incluyen, entre otros, “Financiamiento por cobrar, Número de préstamos autorizados”, “Financiamiento por cobrar, Monto de préstamos autorizados” y “Financiamiento por cobrar, Número de préstamos financiados. » La estructura unidimensional que puede ser apropiada es “Préstamos asegurados o garantizados por las autoridades gubernamentales [Eje].

Pregunta 8

¿Cómo se debe aplicar la taxonomía a la divulgación de subvenciones de los programas de ayuda del gobierno iniciados en respuesta al COVID-19?

Respuesta

La taxonomía actual tiene elementos para las subvenciones por cobrar (por ejemplo, “Subvenciones por cobrar”, “Subvenciones por cobrar, vigentes” y “Subvenciones por cobrar, no corrientes”); sin embargo, es posible que sea necesario crear elementos de línea de extensión adicionales para las divulgaciones informadas comúnmente. Los elementos necesarios pueden incluir, entre otros, «Ingresos de la asistencia del gobierno» para los montos recibidos y «Asistencia del gobierno, Estado de ingresos o ingreso integral [Lista extensible]» y «Asistencia del gobierno, Estado de situación financiera [Lista extensible]» para informar en qué línea de los estados financieros se incluye la subvención. El cumplimiento de esta estructura permitirá a los consumidores buscar texto en un término acordado y facilitará la búsqueda.

Las divulgaciones pueden necesitar una estructura dimensional (todos los elementos de extensión) para múltiples tipos de asistencia gubernamental. Por ejemplo, “Asistencia gubernamental [Eje]”, “Asistencia gubernamental [Dominio]” y “Asistencia gubernamental, [Miembro] de la Ley CARES” pueden ser extensiones apropiadas al aplicar la Taxonomía a las divulgaciones de subvenciones. Si solo se recibe un tipo específico de asistencia gubernamental, la “Asistencia gubernamental, [Lista extensible]” puede ampliarse para indicar el tipo de asistencia. 

Palabras en la reunión del Comité Asesor de Gestión de Activos

Gracias, Ed [Bernard]. Me gustaría dar la bienvenida a todos a la segunda reunión del Comité Asesor de Gestión de Activos de la Comisión. Me complace que el Comité pueda reunirse virtualmente hoy.

Gracias a todos los que participaron, incluidos los comisionados Peirce y Lee; nuestros panelistas; y los miembros del Comité. Me gustaría agradecer particularmente a Ed por su liderazgo en la elaboración de la agenda para la reunión de hoy, ya Dalia y su equipo por sus muchas contribuciones en un período de tiempo reducido. Gracias también al personal de la Comisión en la Oficina de Tecnología de la Información y la Oficina del Secretario, cuyo trabajo nos permitió realizar la reunión de hoy de forma remota. Y, lo que es más importante, gracias a todas las personas interesadas que están escuchando nuestra reunión a través del sitio web de la Comisión.

Espero escuchar los conocimientos del Comité sobre los efectos de la pandemia en la industria de gestión de activos y, en particular, en nuestros inversores de Main Street a largo plazo. Un componente esencial de nuestra respuesta nacional y recuperación de COVID-19 será la operación continua y ordenada de nuestros mercados y los flujos continuos de capital y crédito en toda nuestra economía. La industria de la gestión de activos tiene un papel fundamental que desempeñar tanto en el funcionamiento ordenado del mercado como en la generación y absorción de flujos de capital. Los fondos de inversión y los asesores son un vínculo importante entre estas realidades del mercado y los intereses de nuestros inversores a largo plazo de Main Street. A medida que se desarrollan los efectos de COVID-19 y nuestra respuesta social, es importante que discutamos estos asuntos en tiempo real y con la mente clara.

El enfoque general de la Comisión a los desafíos presentados por COVID-19 se ha basado en la premisa de poner la salud y la seguridad en primer lugar mientras nos esforzamos por cumplir con nuestros mandatos bajo requisitos operativos modificados y condiciones económicas estresadas y, por lo tanto, les damos a los expertos en salud tiempo para desarrollar una mejor comprensión de los enfermedad y cuál es la mejor manera de responder. Como siempre, la protección de los inversores y la integridad del mercado han permanecido en la mente, a medida que avanza este esfuerzo dinámico de toda la sociedad. 

Durante los últimos meses, la Comisión y su personal han estado monitoreando los efectos de COVID-19 y nuestra respuesta social sin precedentes y, en particular, hemos estado ayudando a los participantes del mercado en sus esfuerzos por continuar con sus operaciones. Por ejemplo, el personal de nuestra División de Gestión de Inversiones ha dedicado un tiempo considerable a supervisar y relacionarse con la industria de gestión de activos, en particular los asesores de fondos y inversiones con exposiciones importantes en los mercados y clases de activos que se han visto más afectados por los acontecimientos recientes. El personal ha tratado de abordar las cuestiones planteadas como parte de ese seguimiento y divulgación. En su caso, hemos proporcionado a los participantes de la industria una exención temporal, condicional y selectiva. [4]  Nuestra intención ha sido permitir que los participantes afectados por COVID-19, incluidos fondos y asesores, cumplan con la esencia completa de sus obligaciones regulatorias y las expectativas de sus inversionistas, reconociendo al mismo tiempo que pueden enfrentar interrupciones operativas temporales.

A lo largo de estos tiempos, nuestro personal ha estado trabajando activamente con nuestros colegas reguladores nacionales, particularmente en el Departamento del Tesoro, la Junta de la Reserva Federal (Junta) y el Banco de la Reserva Federal de Nueva York (FRBNY), ya que hemos considerado e implementado respuestas regulatorias. . Estas colaboraciones han acelerado la acción y mejorado la efectividad de varias respuestas gubernamentales a los impactos económicos y de mercado del COVID-19.   

En el futuro, continuaremos monitoreando los efectos de nuestras respuestas al COVID-19 a medida que evolucionen, y consideraremos modificar, complementar y retirar el alivio y la orientación según corresponda. Los debates de hoy proporcionarán información valiosa a la Comisión. 

Aquí, daré un paso atrás y señalaré dos preguntas clave que nos hacemos: Primero, ¿Cómo podemos mejorar? Y, en segundo lugar, ¿Cómo queremos que evolucione la participación y representación en nuestros mercados, en todos los niveles, incluso con respecto a los inversores, las empresas de servicios financieros, los reguladores y otros? En mi opinión, una parte clave de la respuesta a ambas preguntas es: Ampliar el acceso y las oportunidades a nuestros inversionistas de Main Street, sobre una base consistente con las oportunidades disponibles para los inversionistas institucionales, mientras mantenemos nuestro liderazgo en la protección de los inversionistas. 

En cuanto a la cuestión de la mejora, observo que a pesar de este momento difícil, la División de Gestión de Inversiones continúa su trabajo para modernizar el marco regulatorio para los fondos de inversión y los asesores. Su trabajo consiste en ampliar el acceso y la elección entre las oportunidades de inversión y, al mismo tiempo, preservar y mejorar la protección de los inversores. En marzo, la Comisión simplificó y agilizó las divulgaciones de cara a los inversores sobre anualidades variables y productos de seguros de vida variables. Luego, en abril, adoptamos reformas para modernizar los procesos de registro, oferta y comunicación de valores para empresas de desarrollo comercial y fondos cerrados registrados. En los próximos meses, la Comisión espera avanzar en otros puntos de nuestra agenda regulatoria que continuarán con estos esfuerzos de modernización.

A medida que avanzamos, sigue siendo de la incumbencia de la Comisión escuchar a quienes tienen experiencia y conocimientos prácticos fuera de nuestro edificio, hoy nuestro edificio virtual. Sin duda, los comentarios de este Comité nos ayudarán a comprender mejor dónde está funcionando nuestro marco regulatorio y dónde quedan los desafíos. 

Pasando a la discusión de hoy específicamente, espero escuchar de los subcomités recientemente formados del Comité enfocados en inversiones privadas y en temas ambientales, sociales y de gobernanza (o, «ESG»). He hablado extensamente sobre temas en ambas áreas. Creo haber dejado en claro que, si bien creo que en muchos casos uno o más problemas «E», problemas «S» o problemas «G» son importantes para una decisión de inversión, no he visto circunstancias en las que combinar un análisis de E, S y G juntas, en una amplia gama de empresas, por ejemplo con una «calificación» o «puntuación», en particular una única calificación o puntuación, facilitaría un análisis de inversión significativo que no fuera significativamente demasiado inclusivo e impreciso. He solicitado la participación en este tema, en particular de los administradores de cartera activos con antecedentes reales, y agradezco enormemente sus esfuerzos por informar a la Comisión en esta área. 

En cuanto a la segunda pregunta de participación y representación en nuestros mercados, un componente crítico de esta discusión es la diversidad y la inclusión, y me complace que Ed hable de sus esfuerzos con respecto a la diversidad, la inclusión y las oportunidades. Como señalé en mis comentarios en su reunión inaugural, las oportunidades para participar en la industria de la gestión de inversiones se distribuyen mucho más estrechamente de lo que deberían. Espero ver cómo su trabajo informará a la Comisión mientras buscamos ampliar las oportunidades para participar en la industria de la gestión de inversiones. Espero con interés las contribuciones continuas de AMAC a nuestros esfuerzos colectivos.

Discurso: Informes de sostenibilidad y su relevancia para la Fundación IFRS

La fideicomisaria de la Fundación IFRS, Teresa Ko, brindó los siguientes comentarios preparados en la reunión inaugural del Grupo Directivo Interinstitucional de Finanzas Verdes y Sostenibles a principios de mayo. El grupo fue establecido por la Autoridad Monetaria de Hong Kong (HKMA) y la Comisión de Valores y Futuros (SFC) para coordinar la gestión de riesgos climáticos y ambientales para el sector financiero en Hong Kong.

En sus comentarios, describe los posibles roles futuros que la Fundación IFRS podría desempeñar para apoyar el progreso hacia el desarrollo de estándares de alta calidad reconocidos internacionalmente para los informes de sostenibilidad.

Voy a hablar sobre cómo surgió la Fundación IFRS, qué han estado haciendo y por qué creo que hay un caso convincente para que la Fundación IFRS desempeñe un papel en ayudar a desarrollar un conjunto de estándares internacionales comparables a nivel mundial en informes sostenibles. Comenzando quizás con la divulgación de riesgos relacionados con el clima.

Debo agregar para comenzar que estoy hablando hoy como fideicomisario a título personal y no en nombre de la Fundación IFRS. Todos los puntos de vista y opiniones expresados ​​son míos.

Entonces, ¿Cómo surgió la Fundación IFRS? Tengo que retroceder un poco al boom económico mundial y al nacimiento de las corporaciones multinacionales tras la Segunda Guerra Mundial.

En ese momento, aunque hubo un aumento en el flujo de capital transfronterizo, la mayoría de los países mantuvieron sus propios requisitos de información [financiera] nacional, y estos eran de diferente calidad, lo que resultó en un aumento de costos, riesgos y complejidad para los inversores que invierten internacionalmente.

En 1973, los organismos contables de diez países (Australia, Canadá, Francia, Alemania, Japón, México, Países Bajos, Reino Unido / Irlanda y Estados Unidos) se unieron para formar el Comité de Normas Internacionales de Contabilidad (IASC) y acordaron adoptar la Contabilidad Internacional. Estándares (IAS) para listados transfronterizos.

1993 fue el punto de inflexión cuando el presidente del IASC instó a la Organización Internacional de Comisiones de Valores (IOSCO) a aceptar las Normas Internacionales de Contabilidad en las ofertas de valores multinacionales y las cotizaciones extranjeras. Esto finalmente sucedió en 2000, cuando el IASC se reestructuró en un Consejo de Normas Internacionales de Contabilidad (IASB) de tiempo completo supervisado por fideicomisarios independientes y se formó la Fundación IFRS.

Paul Volcker fue el primer presidente de los fideicomisarios y Sir David Tweedie fue presidente del IASB. Veinte años después, la Fundación IFRS ha transformado el panorama global de información financiera.

Sigue siendo una organización sin fines de lucro enfocada en continuar desarrollando un conjunto único de estándares contables de alta calidad, comprensibles, exigibles y aceptados globalmente — Estándares IFRS — y continúa enfocándose en su adopción y aplicación consistente.

Con sede en Canary Wharf, Londres, con una oficina de Asia-Oceanía en Tokio y una plantilla de 150 personas de 39 nacionalidades, creo que para una organización de este tamaño, es lo más internacional posible.

Cualquier contable entre ustedes sabrá que en los últimos 10 años, la Fundación IFRS ha mejorado la calidad de las Normas IFRS al introducir actualizaciones importantes en la contabilidad de instrumentos financieros, reconocimiento de ingresos, arrendamientos y contratos de seguros.

Hasta la fecha, 144 jurisdicciones exigen el uso de las Normas NIIF para todas o la mayoría de las empresas que cotizan en bolsa, mientras que otras 12 jurisdicciones permiten su uso.

Incluso en los EE. UU., Las diferencias entre las NIIF y los PCGA de EE. UU. Se han reducido significativamente. Más de 500 empresas internacionales con doble cotización en los EE. UU. Informan utilizando las Normas NIIF.

Los estándares nacionales de China convergen sustancialmente con los estándares IFRS. Las empresas chinas que representan más del 30 por ciento de la capitalización bursátil total del mercado nacional producen estados financieros que cumplen con las NIIF como resultado de su doble cotización en Hong Kong y otros mercados internacionales.

La Fundación IFRS tiene una estructura de tres niveles con el IASB como el organismo emisor de normas independiente. Los Fideicomisarios de la Fundación son responsables de la dirección estratégica, la gobernanza y la supervisión del IASB y los Fideicomisarios mismos son, a su vez, responsables ante el Consejo de Seguimiento, que comprende representantes de reguladores de valores y autoridades públicas de todo el mundo.

Con esa historia, siento mucho que los informes de sostenibilidad hoy en día se encuentran en una posición similar a la que tenían los informes financieros antes de que se formaran la Fundación IFRS y el IASB.

Digo esto porque, por el lado de la oferta, hemos visto una proliferación de estándares y marcos de informes sostenibles que se encuentran en diversas etapas de desarrollo o madurez.

No voy a entrar en detalles, pero citando al Financial Times, hay al menos 230 iniciativas de estándares corporativos de sostenibilidad en más de 80 sectores. El Financial Times no suele equivocarse, pero hemos escuchado que en realidad hay más de 650 métricas diferentes disponibles para las empresas que buscan realizar informes de sostenibilidad, sin mencionar las iniciativas de varios gobiernos y organizaciones internacionales que promueven informes justos sobre el cambio climático.

Aún no ha surgido ningún estándar global, que es lo que todos necesitamos. Es evidente que la diversidad y la naturaleza voluntaria de estos marcos de divulgación crean desafíos y presentan riesgos y posibilidades de selección y lavado verde.

Por el lado de la demanda, los grupos de inversores, los líderes empresariales, los reguladores, los banqueros centrales y los formuladores de políticas han enfatizado la importancia de un marco de alta calidad y globalmente comparable para los informes de ESG / sostenibilidad, con un consenso creciente para la consolidación en todo el panorama de informes de sostenibilidad.

Los inversores, en particular, quieren información comparable y auditable en lugar de tener que atravesar un mar de datos y análisis subdesarrollados sobre activos invertibles, por lo general sin suficiente experiencia o recursos internos para ayudarlos. Esto puede resultar en el resultado no deseado de desalentar las inversiones en esas áreas.

Aunque las Normas NIIF no contienen requisitos específicos sobre informes de sostenibilidad, las empresas que aplican las Normas NIIF deben considerar si los inversores pueden esperar que los riesgos emergentes, incluidos los relacionados con el clima, afecten los montos y la divulgación informada en los estados financieros. Las implicaciones potenciales que surgen de los riesgos relacionados con el clima y otros riesgos emergentes también pueden incluir el deterioro de los activos, incluida la plusvalía, cambios en la vida útil de los activos y cambios en la valoración razonable de los activos.

Me complace decir que el IASB no se ha detenido ante los rápidos desarrollos en el ámbito de los informes sostenibles. En noviembre de 2017, decidió actualizar su Comentario de la gerencia (Declaración de práctica), que es su guía para las empresas en estas áreas.

Mi opinión sobre este ejercicio es, en parte, para reconocer que debido a que los estados financieros son principalmente retrospectivos, no pueden explicar completamente la estrategia a largo plazo de una empresa, por lo que los comentarios de la gerencia están ahí para llenar el vacío.

La idea es utilizar los comentarios de la gerencia para explicar cómo estos desafíos a largo plazo podrían afectar los flujos de efectivo futuros que (todavía) no están capturados por los estados financieros.

El IASB ha completado una ronda inicial de consultas con sus órganos consultivos y actualmente está discutiendo qué orientación proporcionar en la Declaración de Práctica revisada. Espera publicar un borrador de exposición en la segunda mitad de 2020.

A nivel de Fideicomisarios, algunos de nosotros no creemos que estemos yendo lo suficientemente lejos como para aceptar los cambios que vemos ahora y en el futuro. Alentados por solicitudes informales de instituciones clave y partes interesadas, los mismos Fideicomisarios han estado considerando cómo la Fundación puede desempeñar un papel en este desarrollo urgente. Este momento coincide con la revisión de la estrategia y constitución de la Fundación IFRS, que se lleva a cabo cada cinco años y comenzará este año. También queremos centrarnos primero en el riesgo relacionado con el clima, ya que es el más urgente y también es coherente con nuestros comentarios.

Se ha establecido un pequeño grupo de trabajo de fideicomisarios (del cual soy miembro) para explorar qué papel puede desempeñar la Fundación IFRS.

Los logros hasta la fecha de la Fundación IFRS y las Normas IFRS se han atribuido a muchos aspectos. Estos incluyen la estructura de gobierno de nuestra Fundación, nuestra responsabilidad pública, nuestro enfoque en el interés público, nuestro proceso consultivo justo y completo, la independencia de nuestro organismo normativo, nuestro debido proceso riguroso, transparente y participativo, los estándares de garantía que se aplican a la información publicada. y un proceso sólido para seleccionar temas para el establecimiento de nuevos estándares.

Veinte años de experiencia en el establecimiento de estándares globales bajo el escrutinio de tantas partes interesadas han creado una gran cantidad de experiencia y un recurso invaluable que creo que debería usarse en nuestro esfuerzo colectivo para abordar los desafíos continuos de la presentación de informes sostenibles.

Por lo tanto, creo que se puede presentar un caso convincente para que la Fundación IFRS ayude con la consolidación y el establecimiento de estándares de divulgación auditables, de alta calidad y comparables a nivel mundial en los informes de sostenibilidad, comenzando con los riesgos relacionados con el clima.

La Fundación IFRS también tendrá la ventaja adicional de su conectividad con la información financiera según las Normas NIIF, ya que no sería correcto enfatizar una forma de información a expensas de la otra, por lo que el desarrollo continuo de las Normas NIIF debe continuar siendo respaldado. y el impacto financiero de cualquier estándar global de informes sostenibles, particularmente sobre el riesgo relacionado con el clima al que podamos llegar, también debe ser considerado y (si corresponde) reflejado en los estados financieros.

Por lo que vale, mi propia opinión es que los dos conjuntos de informes no deberían existir cada uno en su propio vacío. Debe alentarse a que ambos conjuntos de informes se desarrollen en paralelo, pero con un alto grado de correlación entre sí, de modo que los inversores y el mundo en general puedan beneficiarse de las cifras, la información y los datos comparables, auditables y útiles para tomar decisiones resultantes.

Plataformas informáticas para análisis de big data e inteligencia artificial

Plataformas informáticas para análisis de macrodatos e inteligencia artificial: experiencia de los bancos centrales

Las autoridades públicas, y los bancos centrales en particular, se están dando cuenta cada vez más del potencial de los grandes conjuntos de datos y análisis, con el desarrollo de técnicas de inteligencia artificial (IA) y aprendizaje automático (ML), para proporcionar información estadística nueva y complementaria (Hammer et al ( 2017)). Sin embargo, la pregunta sigue siendo: ¿cómo deberían organizarse las instituciones para beneficiarse al máximo de estas oportunidades? Dos áreas parecen particularmente importantes para los bancos centrales. El primero es cómo organizar su información estadística en relación con su infraestructura de TI. El segundo es pensar estratégicamente sobre cómo utilizar las técnicas apropiadas para procesar y analizar la nueva información recopilada.

Al igual que muchas oficinas nacionales de estadística (ONE) y organizaciones internacionales, los bancos centrales ya han lanzado numerosas iniciativas para explorar estos temas e intercambiar su experiencia, en particular a través de las actividades de cooperación organizadas por el Comité Irving Fisher de Estadísticas del Banco Central (IFC) de la Banco de Pagos Internacionales (BIS). El propio BIS ha desarrollado su nueva estrategia a mediano plazo, Innovation BIS 2025, que se basa en una importante inversión en tecnología de próxima generación para construir un lugar de trabajo digital resistente y preparado para el futuro para la organización (BIS (2019)).

Una característica clave de estas diversas iniciativas es que muchos bancos centrales están creando, o previendo implementar, plataformas de big data para facilitar el almacenamiento y procesamiento de conjuntos de datos muy grandes. También están desarrollando una infraestructura informática de alto rendimiento (HPC) que permite un procesamiento más rápido, análisis estadístico en profundidad y simulaciones de datos complejas. Sin embargo, estas iniciativas enfrentan importantes desafíos organizacionales, ya que los bancos centrales compensan factores como las tendencias tecnológicas, la complejidad del sistema, el costo, el rendimiento, la confiabilidad, el modelo operativo y la seguridad.

En vista de esta experiencia, es esencial evaluar cuidadosamente las opciones disponibles antes de seleccionar una tecnología y arquitectura para configurar plataformas de big data / HPC. Entre las diversas cuestiones a considerar, la atención debe centrarse principalmente en la selección del hardware, la elección entre tecnología patentada y de código abierto, la decisión de desarrollar la solución internamente o en la nube y el tipo de información que se manejará.

Una vez que se seleccionan las opciones principales, la implementación real de las tecnologías relacionadas suele ser un viaje largo y multiforme. Desde la perspectiva del desarrollo de un proyecto, el éxito dependerá del enfoque para llevar a cabo el proyecto, los tipos de carga de trabajo que se admitirán, la arquitectura de datos prevista y el uso de las mejores prácticas de desarrollo de software. Tener un nivel institucional más amplio.

La perspectiva también es clave, a fin de tener en cuenta adecuadamente la gama completa de requisitos comerciales, así como los recursos y las limitaciones de seguridad. Por lo tanto, se puede recomendar desarrollar una estrategia de información integral para la institución, con una hoja de ruta de alto nivel para la adopción de tecnologías en constante cambio para administrar los datos y responder a las necesidades de los usuarios. Por último, pero no menos importante, el intercambio de conocimientos puede ser fundamental y puede ser facilitado por las actividades de cooperación promovidas por el BPI y la CFI.

Big data y plataformas informáticas de alto rendimiento

Antecedentes

Los casos de uso de big data y ML e IA se están volviendo omnipresentes en los negocios y el mundo académico, así como en las instituciones públicas (IFC (2019a)), y abordarlos de manera efectiva requiere una innovación tecnológica continua (Signorini (2019)). Los esfuerzos se han centrado especialmente en la implementación de las llamadas plataformas de big data y / o computación de alto rendimiento (HPC). Las plataformas de big data permiten el almacenamiento y procesamiento de conjuntos de datos muy grandes, y cada vez se solicitan más para tratar información de naturaleza semiestructurada o no estructurada. Las plataformas HPC permiten un procesamiento rápido de datos y análisis / simulaciones estadísticas complejas, y generalmente son muy adecuadas para tratar con conjuntos de datos estructurados de tamaño mediano. Ciertamente, esta distinción es un poco artificial, y el límite entre las plataformas de big data y HPC se está volviendo borroso con el rápido desarrollo de las tecnologías de TI que pueden satisfacer ambos tipos de necesidades de los usuarios.

En este contexto, el Banco de Italia, con el apoyo del BIS y la CFI, organizó un taller sobre “Plataformas informáticas para big data y aprendizaje automático”. En una reunión en Roma en enero de 2019, los participantes de unas 30 organizaciones, incluidos bancos centrales, OSN y organizaciones internacionales, aprovecharon esta oportunidad para presentar el estado de sus iniciativas actuales de big data e intercambiar experiencias.

Este informe de la CFI se basa en los ejemplos revisados ​​en esa ocasión y presenta las principales tecnologías y plataformas de big data / HPC actualmente consideradas o ya implementadas por autoridades públicas como los bancos centrales. También brinda información sobre cómo abordar los desafíos relacionados y aprovechar al máximo las oportunidades que brindan estas nuevas infraestructuras para respaldar la formulación de políticas.

Mayor interés en la información de macrodatos…

El término big data es relativamente vago y se refiere en general a la enorme proliferación de información que trajo la llamada revolución de los datos y generada por las redes sociales, actividades basadas en la web, sensores de máquinas, operaciones financieras, administrativas o comerciales, etc. La caracterización conocida de este concepto se relaciona con las «V» de los grandes datos, como el volumen (es decir, el número de registros y atributos), la velocidad (velocidad de producción de datos, p. ej., datos de ticks) y la variedad.

Los conjuntos de macrodatos financieros a los que se enfrentan los bancos centrales y las instituciones financieras internacionales más específicamente comprenden normalmente cuatro tipos principales de fuentes: indicadores basados ​​en Internet, registros comerciales, indicadores del mercado financiero y registros administrativos. Su análisis puede brindar muchas oportunidades, tales como: llenar los vacíos de datos existentes; la recopilación de nuevos datos que puedan complementar de manera flexible las estadísticas oficiales basadas en encuestas y censos “tradicionales”; la disponibilidad de datos casi en tiempo real, lo que abre la posibilidad de recibir señales económicas más oportunas y reducir los retrasos en la publicación de estadísticas; y la posibilidad de aplicar nuevas metodologías para extraer conocimiento original (Bholat (2015)). Estas oportunidades pueden facilitar en gran medida la conducción de las políticas del banco central, por ejemplo, mejorando los pronósticos económicos, ayudando a las tareas de micro supervisión, realizando nuevos tipos de evaluaciones de estabilidad financiera y obteniendo una retroalimentación más rápida sobre las decisiones de política (IFC (2017)).

Además de capturar datos transaccionales estructurados que se encuentran en el núcleo del trabajo de los bancos centrales, varios e innovadores conjuntos de big data, como datos granulares recopilados de la web (por ejemplo, visitas a páginas, anuncios en línea, indicadores de búsqueda), indicadores de sentimiento derivados de redes sociales. medios de comunicación (por ejemplo, Facebook, LinkedIn, Twitter), transacciones de pago e información textual tradicional procesada con nuevas herramientas de big data (por ejemplo, anuncios de políticas, discursos, correos electrónicos, artículos de prensa) – se pueden movilizar en la práctica para facilitar el día a día de los bancos centrales trabajar en diversas áreas, incluida la producción de información estadística, el análisis económico y la investigación en apoyo de las políticas de estabilidad monetaria y financiera, y tareas de supervisión.

En lo que respecta al trabajo estadístico, los macrodatos pueden mejorar la calidad de las estadísticas “más convencionales” existentes o incluso complementarlas con nuevos tipos de indicadores. Un buen ejemplo, particularmente importante en vista de los mandatos de estabilidad de precios de los bancos centrales, se relaciona con la medición y el análisis de los patrones de inflación. El uso de nuevos métodos de recopilación del tipo de big data se ha expandido significativamente, lo que permite obtener información de precios más detallada, una mayor variabilidad del producto y una mayor cantidad de transacciones para capturar. En particular, el raspado web directo de los datos de precios de los minoristas en línea puede complementar la cobertura de la recopilación de precios «tradicional» basada en encuestas en las tiendas físicas, mejorar la medición de componentes volátiles específicos de la inflación, proporcionar estimaciones en tiempo real y / o de alta frecuencia del índice de precios al consumidor (IPC) y llenar los vacíos de recopilación de datos existentes en algunas regiones. Las autoridades públicas también están tratando de hacer uso de los volúmenes en rápida expansión de conjuntos de datos de escáner, que brindan un potencial importante, por ejemplo, para rastrear patrones de gasto de manera granular o para aumentar la precisión de las cifras del IPC.

… y análisis de big data

Frente a una gran cantidad de macrodatos que se expande rápidamente, las autoridades públicas deben extraer información relevante y darle sentido para poder tomar decisiones políticas informadas y basadas en evidencia, dando prioridad a la transformación de los datos en información y luego de la información en conocimiento. La forma de hacerlo es utilizar el llamado análisis de big data, mediante el cual se analizan los diversos conjuntos de datos para descubrir información como patrones específicos, correlaciones, tendencias, etc. Muchas técnicas estadísticas, incluidas las que admiten ML e IA (así como más tradicionales también) se pueden utilizar en estos conjuntos de datos para respaldar el reconocimiento de patrones, el descubrimiento de conocimientos, la minería de datos, etc.

En lo que respecta a la política de apoyo al trabajo analítico y de investigación de los bancos centrales, el análisis de macrodatos se está aplicando para una amplia gama de propósitos, especialmente en el área de la previsión económica (por ejemplo, para indicadores como la inflación, los precios de la vivienda, el desempleo, el PIB y la producción industrial ventas minoristas, desarrollos del sector externo) y análisis del ciclo económico (por ejemplo, compilación de indicadores de sentimiento y uso de técnicas de predicción inmediata para “pronosticar” el presente), que son ingredientes clave que respaldan la conducción de la política monetaria. Las fuentes de macrodatos y el análisis también son cada vez más útiles para su trabajo de estabilidad financiera, por ejemplo, para construir indicadores de riesgo, evaluar el comportamiento de los participantes del mercado, identificar el riesgo crediticio y de mercado y monitorear las transacciones financieras y los flujos de capital.

Por último, la información y las herramientas de big data también están desempeñando un papel cada vez más importante en el apoyo a los ejercicios de evaluación y vigilancia de riesgos financieros que se encuentran en el centro de los mandatos de las autoridades supervisoras, incluidos los bancos centrales que tienen la tarea directa de supervisar instituciones financieras como los bancos comerciales así como el funcionamiento de los sistemas de pago. En particular, la innovación de TI ha abierto vías prometedoras para utilizar la gran cantidad de información que conllevan los conjuntos de datos granulares, con el papel cada vez mayor que desempeña la “suptech” (Broeders y Prenio (2018)). Esto puede ayudar, por ejemplo, a detectar el abuso del mercado mediante el uso de técnicas de minería de texto que señalan la mala conducta o el uso de información privilegiada; detectar patrones extraños en los datos que indiquen la acumulación de posibles vulnerabilidades idiosincrásicas; e identificar los efectos de la red que respaldan la evaluación de los riesgos de todo el sistema (Wibisono et al (2019)).

Como reflejo de estas diversas oportunidades, una prioridad clave para los bancos centrales es invertir en infraestructura de big data. Ante un aumento significativo esperado en los casos de uso y las demandas de computación / almacenamiento relacionadas, ya han estado realizando un extenso trabajo preparatorio en términos de infraestructura de TI, conjuntos de habilidades, recursos, procesos, etc. También están movilizando importantes recursos financieros y de personal. Es muy probable que esta tendencia continúe en el futuro previsible, ya que los múltiples conocimientos que se pueden obtener para respaldar las políticas se harán cada vez más evidentes y porque la tecnología de TI está evolucionando rápidamente.

Computación de alto rendimiento (HPC)

Las autoridades públicas también se están centrando en el desarrollo de plataformas HPC para manejar conjuntos de datos en crecimiento exponencial y, en particular, ejecutar algoritmos y herramientas analíticas multifacéticas. Si bien los casos de uso de análisis de big data se relacionan principalmente con el manejo de conjuntos de datos grandes y / o complejos (por ejemplo, no estructurados), el ímpetu para desarrollar HPC proviene de la necesidad de tener más potencia informática en comparación con una computadora de escritorio típica, una estación de trabajo o un entorno de servidor estándar. El objetivo, por tanto, es disponer de recursos suficientes para resolver, simular o analizar problemas estadísticos complejos, y no exclusivamente para manejar una gran cantidad de datos. En la práctica, sin embargo, estos dos tipos de necesidades a menudo están interrelacionados.

La experiencia de los bancos centrales muestra que las plataformas HPC se desarrollan principalmente para garantizar que los recursos informáticos se utilicen de la manera más eficiente, de modo que los procesos analíticos puedan completarse lo más rápidamente posible. La solución es agregar la capacidad de TI, con plataformas HPC que se hacen como grupos de computadoras individuales, denominadas nodos – un tamaño de grupo común es de entre 16 y 64 nodos, lo que representa de 64 a 256 unidades de procesamiento («núcleos») ver, por ejemplo, Ho y Uddin (2019) para las especificaciones de la plataforma informática establecida en el Banco de Canadá. Dado el alto costo de comprar y operar tales plataformas, las soluciones implementadas generalmente se comparten entre muchos usuarios a nivel departamental o institucional. Para hacerlo, los subconjuntos de los nodos informáticos se asignan comúnmente a «trabajos» dedicados para atender las solicitudes específicas de los usuarios, según los recursos de TI disponibles. Por lo tanto, el papel clave de una plataforma HPC es definir las prioridades de los diferentes trabajos a ejecutar por los nodos informáticos, al tiempo que se asegura que los recursos no se sobrecarguen. Por lo general, uno tiene que implementar el procesamiento por lotes (ver más abajo) y los programadores, por ejemplo, el programador YARN para usar la biblioteca Hadoop desarrollada por la base de software Apache de código abierto al enviar trabajos, preguntar sobre su estado y modificarlos. Sin interacción del usuario final.

Una característica reciente entre los bancos centrales que ya ejecutan algún tipo de plataforma HPC es extender esta infraestructura para integrar otras formas de computación, en particular herramientas analíticas de big data, para distribuir el procesamiento de grandes conjuntos de datos entre grupos de computadoras. Construyen un denominado clúster de big data, formado por ordenadores conectados y diseñado específicamente para almacenar y analizar grandes cantidades de datos estructurados / no estructurados de forma distribuida. Con esta tendencia que se espera que continúe en el futuro, las plataformas HPC de próxima generación estarán cada vez más capacitadas para hacer frente a la informática a gran escala y de alto rendimiento. Por ejemplo, el proyecto Apache Spark proporciona un motor analítico unificado para el procesamiento de datos a gran escala y permite que varios tipos de sistemas de archivos de big data, como el sistema de archivos distribuido de Hadoop (HDFS), se manejen de manera flexible. También es compatible con varias interfaces de programación como Java, Python, R o Scala, lo que permite realizar cálculos complejos; consulte Condello (2019) para conocer las características de la plataforma Spark desarrollada en el Banco de Italia. Otro desarrollo esperado es el impulso para implementar esas soluciones de TI en un modo autónomo, es decir, sin requerir una infraestructura adicional pesada (por ejemplo, sin necesidad de tener un programador específico también). Esta característica independiente parece facilitar enormemente el procesamiento de trabajos de HPC.

Otra vía más, con la que algunas instituciones, como el Banco de Canadá, ya han experimentado, es explorar la computación cuántica para el entorno analítico de datos de próxima generación. Una computadora cuántica es capaz de generar y manipular bits cuánticos (o qubits, que pueden ser 0, 1 o 0 y 1 al mismo tiempo); su computación es intrínsecamente paralela y, por lo tanto, su potencia puede crecer exponencialmente con el número de qubits. Para las tareas que actualmente requerirían cientos de años para ser resueltas por computadoras estándar, se espera que una computadora cuántica pueda reducir el marco de tiempo de manera muy significativa, posiblemente a unos pocos minutos.

Lecciones ya aprendidas

Implementación de las nuevas plataformas

La retroalimentación general de los proyectos ya implementados por los bancos centrales es que las nuevas plataformas de Big Data y HPC pueden servir para múltiples propósitos. Una es confirmar los análisis preliminares existentes basados ​​en métodos econométricos y estadísticos más tradicionales y / o en conjuntos de datos más pequeños. El segundo es proporcionar información complementaria, en particular en comparación con fuentes de datos convencionales, como encuestas y censos. Y una tercera contribución es identificar problemas imprevistos, lo que a su vez plantea la necesidad de información y / o investigación adicional. Para abordar estos diversos casos de uso, es importante que las plataformas que se están configurando proporcionen un repositorio de datos común, de modo que los usuarios puedan encontrar una gran cantidad de información diferente que se pueda combinar y analizar de acuerdo con sus necesidades específicas.

Otra lección clave es que el enfoque seguido es intrínsecamente de aprender haciendo, con proyectos que se adaptan constantemente a medida que avanza la experiencia. El método preferido ha sido desarrollar nuevos proyectos de manera gradual, comenzando con iniciativas de investigación individuales e implementando casos de uso preliminares (Marcucci (2019)); Este enfoque progresivo ha resultado particularmente útil dados los diversos obstáculos que se enfrentan cuando se busca acceder a fuentes útiles de macrodatos. Desde esta perspectiva, las plataformas que se están estableciendo deberían permitir cierta flexibilidad en lo que respecta al aprovisionamiento y la personalización de los recursos de hardware y software, en particular para proporcionar suficiente espacio para la innovación y la experimentación. Además, esta flexibilidad es clave para incorporar desarrollos imprevistos debido a la evolución de las necesidades de los usuarios, así como a los rápidos cambios tecnológicos. Esto no siempre es fácil de garantizar en el entorno de los bancos centrales, que a menudo se caracteriza por múltiples operaciones diarias, una aceptación limitada de las fallas, sobre todo por aspectos de credibilidad y reputación, y recursos públicos limitados.

Una tercera percepción obtenida de estos experimentos es que la cooperación y el intercambio de conocimientos pueden agregar un valor significativo al prevenir el “síndrome de los NIH (no inventado aquí)”, cuando todos están reinventando la rueda en paralelo. De hecho, los bancos centrales tienen un gran interés en cooperar estrechamente con sus pares y contrapartes, por ejemplo, con las OSN. También existe un gran apetito por los enfoques cooperativos internacionales, como el que subyace a las actividades del BPI / IFC en el apoyo a la comunidad mundial de banqueros centrales y supervisores financieros, en particular a través de reuniones periódicas y el intercambio de experiencias de proyectos piloto (el Proceso de Basilea; véase BPI (2019)). Dicha colaboración y cooperación es importante no solo para intercambiar proyectos específicos y la experiencia adquirida, sino también para compartir de manera concreta datos y herramientas de TI, en particular códigos de software, por ejemplo, a través de repositorios de software seguros en línea (por ejemplo, basados ​​en el código abierto y gratuito). Sistema Git). Esto puede ser particularmente atractivo para aquellas instituciones con capacidad limitada para invertir en costosas plataformas de Big Data / HPC.

Sin embargo, quizás la lección más importante de las iniciativas recientes es que, en lugar de ser un proyecto de TI aislado, involucran a toda la institución. Primero, el análisis y procesamiento de volúmenes cada vez más grandes y diversos de conjuntos de datos requiere importantes recursos financieros y de personal que deben comprometerse en el nivel superior de la organización. Además, las opciones tecnológicas tienen un impacto fundamental en toda la gama de actividades comerciales. En particular, exigen una revisión de la estrategia de datos de la institución y una renovación de sus estructuras organizativas y marcos de gestión de datos; véase McHugh (2019) para conocer la experiencia del FMI al abordar estos problemas.

Desafíos importantes

Sin embargo, al mismo tiempo, los diversos proyectos implementados en los últimos años muestran que la implementación y la utilización de plataformas de big data / HPC enfrentan una serie de desafíos. Los tres principales son: (i) los importantes recursos a movilizar; (ii) las dificultades para manejar nuevos tipos de información; y (iii) el proceso de implementación de las soluciones de TI relacionadas.

En cuanto al primer desafío, la construcción y el uso eficaz de las nuevas plataformas a menudo se ven limitados por los recursos disponibles. Estas limitaciones reflejan grandes costos de TI, y las inversiones necesarias son muy caras. También se deben a los cuellos de botella del capital humano a la hora de configurar equipos multidisciplinares. En el aspecto técnico, existe la necesidad de personal con habilidades estadísticas especializadas, una mentalidad analítica, sólidas habilidades de TI y un buen sentido para extraer nuevos conocimientos valiosos de los datos (es decir, «científicos de datos»). Pero también se requieren perfiles adicionales (por ejemplo, economistas, estadísticos, informáticos, matemáticos, abogados) cuando se trata de información y herramientas de big data, y es posible que los conjuntos de habilidades necesarios no estén disponibles internamente. Para empeorar las cosas, las instituciones públicas pueden estar mal equipadas para competir con la industria privada y enfrentar la “guerra por el talento” resultante de una oferta limitada de graduados. Como reflejo de estas diversas limitaciones, la gran mayoría de los bancos centrales se encuentran apenas en el comienzo de la producción regular de información estadística y económica basada en fuentes de macrodatos y / o herramientas analíticas.

El segundo desafío es el resultado de la nueva naturaleza de la información generada por la revolución de datos en curso. Hasta hace poco, el trabajo de las autoridades públicas se basaba principalmente en ejercicios estadísticos “tradicionales” (por ejemplo, registros, encuestas, censos), con datos recopilados, gestionados, compilados, difundidos y analizados de acuerdo con principios bien definidos (Naciones Unidas (2013)). Por el contrario, la falta de transparencia en las metodologías y la mala calidad de algunas fuentes de macrodatos representan impedimentos importantes para los bancos centrales, ya que se espera cada vez más que la formulación de políticas se base en pruebas y la reputación es un ingrediente clave que respalda la credibilidad de las decisiones públicas. Estos problemas se ven agravados por el hecho de que varios de los nuevos conjuntos de big data, debido a su alta granularidad, plantean riesgos importantes en términos de seguridad, privacidad y confidencialidad. Estos riesgos deben abordarse de manera adecuada al configurar las aplicaciones distribuidas para manejar estos datos, lo que requiere un marco de gobernanza de datos explícito y completo, por ejemplo, teniendo fuertes medidas de protección de seguridad, marcos sólidos establecidos y altos estándares de transparencia pública (IFC ( 2020)).

Una tercera dificultad se relaciona con la implementación real de las soluciones de TI. En general, los distintos proyectos tienen como objetivo una infraestructura informática de carácter distribuido, que comprende:

  • Una capa de software centralizada que proporciona un entorno resistente;
  • El procesamiento descentralizado en diferentes nodos para diversas tareas; y
  • La posibilidad de utilizar diferentes entornos de programación, considerando en particular la variedad de casos de uso, así como la creciente demanda de herramientas de código abierto (por ejemplo, Julia, Python, R).

Pero las decisiones tomadas en la práctica a menudo reflejan problemas heredados (por ejemplo, plataformas existentes y soluciones de TI establecidas que se reutilizan) y los recursos limitados disponibles (financieros pero también en términos de habilidades humanas) que dan como resultado un entorno de TI heterogéneo. También es importante enfatizar que el espacio de la tecnología de big data está abrumado con numerosos productos, soluciones, bibliotecas y marcos y está en rápida y constante evolución, tanto en los espacios de aplicaciones de código abierto como patentadas. Además, ha habido una gran inversión en empresas relacionadas con big data en los últimos años y la tendencia parece continuar (Gráfico 1); La continua incertidumbre sobre cuándo madurará realmente la tecnología aumenta el riesgo de invertir demasiado o demasiado pronto.

En cualquier caso, la variedad de herramientas disponibles, siempre para resolver problemas similares, hace que el proceso de selección sea un desafío. Como resultado, es casi imposible elegir una tecnología que tenga todas las características necesarias para los usuarios y que también aborde los requisitos clave en términos de infraestructura de TI en términos de resiliencia, confiabilidad, escalabilidad y rentabilidad. Como consecuencia, la selección real de las tecnologías y su implementación a menudo requiere tomar decisiones y compensar diferentes prioridades. Esto puede ser particularmente importante para los usuarios del banco central, cuyos requisitos pueden verse limitados, en particular, por fuertes restricciones de seguridad.

Ante estos desafíos, en el resto de este informe se analizan los principales elementos a considerar para facilitar los desarrollos de plataformas de big data / HPC, primero a la hora de elegir la infraestructura y luego al implementarla.

Principales opciones a considerar al elegir la infraestructura de big data

¿Cuáles son las opciones para los bancos centrales al seleccionar una tecnología y arquitectura para configurar plataformas de big data / HPC? Deben considerarse cuatro cuestiones principales: la selección del hardware; la elección entre tecnología patentada y de código abierto; la decisión de desarrollar la solución internamente o en la nube; y el tipo de información a manejar.

Elección de hardware (para implementación local)

La experiencia muestra que los bancos centrales están trabajando principalmente en el desarrollo de soluciones de macrodatos en sus propias instalaciones. Por lo tanto, el hardware que se implementará en el sitio debe ofrecer una infraestructura altamente escalable para responder a las crecientes necesidades de los usuarios de procesamiento paralelo y almacenamiento de datos de gran tamaño; consulte Bruno et al (2019) sobre cómo estos factores han sido fundamentales para definir las características de las  nueva plataforma desarrollada en el Banco de Italia. En términos generales, hay cuatro tipos de opciones de hardware disponibles: servidores básicos; servidores empresariales; infraestructura de datos convergentes; y dispositivos de big data patentados.

La primera opción es trabajar con servidores básicos, es decir, sistemas informáticos simples y estandarizados comúnmente denominados «servidores bare metal». Por lo general, se fabrican con una gran cantidad de máquinas de baja especificación, en lugar de unas pocas máquinas de alta especificación. Una ventaja clave es su costo relativamente bajo, así como su facilidad de reemplazo. Sin embargo, requieren costos de mantenimiento significativos para supervisar las operaciones de TI y los equipos de red, por lo que pueden no ser la solución más eficiente en recursos. Además, brindan tolerancia a fallas limitada, con, por ejemplo, una capacidad imperfecta para continuar funcionando correctamente en caso de falla de todo el centro de datos. Por último, son difíciles de ampliar, especialmente cuando los tipos de cargas de trabajo son diversos.

Una segunda opción es utilizar servidores de nivel empresarial con virtualización. Estos servidores son potentes máquinas físicas ubicadas en el centro de datos de la institución y habilitadas con una capa de virtualización que ofrece flexibilidad en la gestión de esas máquinas; en la práctica, normalmente están configuradas para ejecutarse como múltiples máquinas virtuales (VM) en las máquinas físicas. Estos servidores presentan muchos beneficios en términos de rentabilidad y características de funcionalidad (por ejemplo, potencia de cómputo, resistencia al hardware o incluso fallas del centro de datos). Por lo tanto, la gestión de los nodos informáticos de las plataformas de big data / HPC suele instalarse en este tipo de hardware.

Una tercera opción es la infraestructura de datos convergentes altamente virtualizada, es decir, un sistema de TI que agrupa varios componentes, por ejemplo, hardware y servidores, sistema operativo, software para la gestión de la infraestructura, incluida la gestión de VM (hipervisor), así como firmware y middleware. Dicha infraestructura proporciona importantes beneficios de resiliencia en comparación con las otras opciones, lo que refleja el hecho de que los diversos componentes de TI están mejor integrados y optimizados. Sin embargo, requiere una sobrecarga de recursos significativa para administrar el entorno virtualizado.

La última opción se relaciona con los dispositivos de big data patentados, que pueden comprarse o alquilarse a los principales proveedores de hardware y software e instalarse en el centro de datos de la organización. En la mayoría de los casos, la solución propuesta por el proveedor incluye software y servicios específicos de big data, así como la posibilidad de subcontratar la gestión de la infraestructura. Sin embargo, la ventaja en términos de facilidad de uso debe sopesarse con los riesgos planteados por el proveedor y la dependencia de la tecnología, lo que limita las opciones para futuras actualizaciones de tecnología (por ejemplo, si el proveedor no puede proporcionar las mejoras desarrolladas por los competidores).

La elección entre estas diversas opciones descritas anteriormente para configurar el hardware óptimo para la institución no es sencillo y, a menudo, dependerá principalmente de los aspectos de costos y los casos de uso reales. También es importante tener en cuenta otros factores, como:

  • Intensidad de computación requerida, en términos del número relativo de operaciones de computación en comparación con la comunicación de E / S (entrada / salida) administrada por el sistema de información
  • Capacidad de almacenamiento requerida, incluida la necesidad de proporcionar redundancia de hardware y software cuando el sistema está completamente virtualizado
  • Requisitos de recuperación ante desastres
  • Compatibilidad con la tecnología existente del centro de datos
  • Habilidades y competencias internas para administrar la red y la infraestructura.
  • Necesidades de los usuarios en términos de flexibilidad y escalabilidad.

Tecnología patentada versus tecnología de código abierto

Las herramientas de big data más populares (incluidas las del ecosistema de Hadoop) están disponibles como software de código abierto.[9] Esta solución presenta una serie de ventajas en comparación con los sistemas propietarios (es decir, los que pertenecen a una empresa específica), especialmente en términos de innovación (con el posibilidad de agregar constantemente nuevas características desarrolladas por la comunidad de código abierto), compatibilidad entre sistemas y menor dependencia de los proveedores de servicios y proveedores de TI (por ejemplo, riesgo de proveedor). Además, un beneficio clave es el bajo costo de propiedad, que refleja la ausencia de derechos de licencia; por el contrario, las soluciones de software de big data patentadas no tienen licencia gratuita y, en algunos casos, también pueden requerir hardware adicional especializado (y costoso) para ejecutar esas soluciones.

Sin embargo, los beneficios enumerados anteriormente deben equilibrarse con la importante inversión requerida para que la institución administre la tecnología de código abierto. En realidad, al igual que en los sistemas propietarios, será necesario adquirir apoyo externo (servicios de consultoría) y / o invertir importantes recursos en la formación del personal interno. Estos costos deben tenerse en cuenta a la hora de decidir la adopción de aplicaciones de código abierto, a pesar de que están disponibles “gratis”. Otro riesgo importante es que la institución podría terminar con un panorama de TI muy heterogéneo, compuesto por software / tecnologías adquiridos de diversas fuentes, con diferentes ciclos de vida y edades,[10] y que no se desarrollan y prueban conjuntamente. Esto puede provocar incompatibilidades del sistema, limitaciones de rendimiento e incluso riesgos de seguridad. Debido a la forma en que están estructuradas / ensambladas, las soluciones propietarias suelen ser más adecuadas para abordar estos problemas. Sin embargo, esto no significa que no se pueda considerar también la tecnología de fuente abierta: de hecho, varios proveedores que ofrecen soluciones de plataforma de datos también ofrecen distribuciones de software de fuente abierta empaquetadas; Además, algunos de ellos pueden ofrecer sus tecnologías de software patentado de forma “gratuita”, pero complementarlo con una oferta de soporte comercial.

Solución local versus solución basada en la nube

Un factor clave a considerar al configurar cualquier arquitectura de big data es si la plataforma se ejecutará en la nube (es decir, con centros de datos disponibles para muchos usuarios a través de Internet) o en el propio centro de datos de la institución (es decir, «en las instalaciones». Las soluciones basadas en la nube brindan importantes beneficios, incluida su adaptabilidad al aumento de la demanda de los usuarios y la facilidad de administración. Además, la mayoría de los proveedores de la nube están invirtiendo fuertemente en técnicas de IA y ML, y constantemente agregan nuevas funcionalidades de big data a su oferta (en forma de SaaS, PaaS o incluso IaaS).

Sin embargo, las autoridades públicas están prestando cada vez más atención a la seguridad de los datos, especialmente por razones de confidencialidad y reputación. Por lo tanto, muchos de ellos tenderán a preferir mantener los datos confidenciales en las instalaciones, para limitar el riesgo potencial de divulgación de datos y también por razones legales, por ejemplo, para evitar que terceros puedan acceder a sus datos almacenados en un servidor externo. Esta parece ser una razón clave que impulsa la inversión de los bancos centrales en soluciones de datos locales.

No obstante, varios bancos centrales también están considerando gradualmente un enfoque «híbrido» para ejecutar parte de sus aplicaciones de big data en la nube (y la otra parte en las instalaciones). Dichas decisiones se toman en función de una serie de consideraciones, por ejemplo, en términos de dependencia externa, riesgo del proveedor, riesgo legal, cumplimiento, riesgo de seguridad, que se analizan cuidadosamente como parte de una “estrategia de nube” bien definida.

¿Qué tipo de información manejar?

El estándar de facto para almacenar datos desde hace décadas ha sido el uso de las llamadas bases de datos relacionales, que se basan en una forma específica de organizar los datos en tablas (o «relaciones»). Al predefinir la estructura (el “esquema”) de las bases de datos, se puede usar un lenguaje de programación para leerlas, almacenarlas, consultarlas y administrarlas, por ejemplo, con el lenguaje de consulta estructurado (SQL) ampliamente utilizado. Dado que los macrodatos de interés para los bancos centrales pueden estar compuestos de información bien estructurada, ¿Debería utilizarse la tecnología de macrodatos para organizar estos conjuntos de datos? Esto puede no ser necesario, ya que las tecnologías tradicionales de almacenamiento de datos se pueden mantener con éxito, con la condición de que la infraestructura permita suficientes capacidades de almacenamiento y procesamiento.

Sin embargo, existe un interés creciente en invertir en tecnologías de big data independientemente del formato de los datos, debido a sus potentes funciones analíticas, por ejemplo, para admitir cálculos de IA / ML. Además, estas tecnologías son ideales para tratar con información no estructurada (por ejemplo, bases de datos “no solo SQL” (NoSQL)),[12]  sobre todo para manejar la complejidad de administrar los complejos requisitos del almacén de datos relacionados. Como resultado, un número creciente de bancos centrales está interesado en utilizar estructuras de bases de datos no tradicionales. Su principal ventaja es que permiten que los datos se almacenen sin una estructura predefinida exacta, por ejemplo, mediante el uso de motores de búsqueda que pueden recuperar información de forma flexible en función de atributos específicos, incluso si no se almacena en un formato predefinido; esto se llama el enfoque de «esquema de lectura». Otro beneficio clave de las estructuras de bases de datos no tradicionales es el concepto de evolución del esquema. La información almacenada tal cual (es decir, en formato sin procesar) se puede representar primero utilizando una estructura de datos estándar, que luego se puede cambiar con relativa facilidad, lo que potencialmente permite análisis más rápidos / más complejos. En contraste, la evolución del esquema es mucho más difícil de lograr con las bases de datos relacionales, construidas bajo un enfoque tradicional de «esquema sobre escritura».

Sin embargo, los beneficios del enfoque de esquema en lectura obviamente dependen de la limpieza de los datos subyacentes. En particular, la calidad de algunos grandes conjuntos de datos puede ser bastante deficiente (por ejemplo, atributos faltantes, incorrectos o en conflicto), lo que limita su usabilidad. Afortunadamente, hay una serie de técnicas de limpieza de datos, en particular basadas en técnicas de IA / ML, disponibles para ayudar con este asunto.

En general, varios bancos centrales están tratando de construir lagos de datos que puedan manejar bases de datos SQL y NoSQL, permitiendo que se apliquen diferentes tecnologías de manera complementaria y en función de las necesidades de los usuarios. Una característica importante es que pueden continuar realizando sus tareas de administración de datos «tradicionales», mientras exploran capacidades novedosas que tienen una demanda creciente en sus instituciones. Otro beneficio de este enfoque exploratorio puede ser la parsimonia, especialmente en caso de limitaciones importantes en términos de recursos y habilidades de TI disponibles en la institución. Un tercero es la flexibilidad: es posible que las nuevas tecnologías de big data no estén lo suficientemente maduras y / o es posible que (todavía) no estén listas para reemplazar completamente otras herramientas existentes, al menos a un costo razonable. Además, todavía están evolucionando rápidamente, con nuevas funcionalidades que se agregan constantemente y, por lo tanto, son mucho menos maduras en comparación con las tecnologías de bases de datos tradicionales.

Implementación de tecnologías de macrodatos / HPC

Una vez que se seleccionan las opciones principales, ¿Cómo se deben implementar realmente las tecnologías relacionadas para configurar la plataforma? Cuatro áreas merecen atención específica: cómo proceder con la implementación; los tipos de carga de trabajo que la institución quiere soportar; la arquitectura de datos prevista; y la forma de desarrollar la solución de TI.

Enfoque de implementación

Hay dos enfoques principales diferentes a considerar al implementar tecnologías de big data: el enfoque de arriba hacia abajo o «deductivo» y el enfoque de abajo hacia arriba o «inductivo».

El punto de partida del enfoque de arriba hacia abajo se relaciona con cuando los usuarios han desarrollado una cierta teoría basada en alguna hipótesis. Por ejemplo, se supondrá que el análisis de las transacciones transfronterizas de tarjetas de crédito puede ayudar a evaluar la actividad turística en un determinado país. Toda esta información granular será recopilada y probada para saber si puede proporcionar un buen ajuste en comparación con los indicadores macroeconómicos existentes disponibles. Por lo tanto, la cuestión es utilizar los datos existentes para validar (o no) el modelo subyacente, probando su idoneidad para las observaciones fácticas. Este enfoque deductivo se asocia típicamente con usuarios que tratan con tipos de preguntas repetitivas y similares: dado que las preguntas son conocidas, la estructura de los resultados se puede adivinar más fácilmente. El enfoque analítico de arriba hacia abajo se puede implementar fácilmente siguiendo un ciclo de procesamiento de datos de “estructura, ingesta y análisis”.

El enfoque de abajo hacia arriba tiene un proceso inverso. El punto de partida es recolectar datos sin tener una idea previa de una teoría específica; por ejemplo, en el ejemplo anterior, se cobrarían todas las operaciones con tarjeta de crédito, no solo las transfronterizas. Una vez que se ha recopilado una cantidad sustancial de datos, uno puede buscar patrones en esos datos y luego formar una teoría que pueda explicar esos patrones. Por lo general, este enfoque será adecuado para responder preguntas analíticas ad hoc no repetitivas, y la velocidad del procesamiento de datos será más importante que la exactitud, porque los cálculos se basarán en interacciones repetitivas con el usuario, siguiendo una «ingesta, análisis y estructura” Ciclo de procesamiento de datos. En la práctica, las tecnologías de macrodatos han tendido a ser más útiles para el enfoque inductivo de abajo hacia arriba; por el contrario, las tecnologías de bases de datos relacionales pueden producir resultados superiores con casos de uso que requieren un enfoque deductivo de arriba hacia abajo. Sin embargo, aunque estos enfoques pueden parecer muy diferentes, con frecuencia se aplican en paralelo. Además, con las tecnologías de bases de datos y las prácticas de ciencia de datos en constante evolución, los enfoques de implementación seguirán adaptándose en el futuro previsible. Por tanto, la arquitectura de datos moderna debería ofrecer la posibilidad de combinar las diferentes tecnologías y enfoques para la gestión de datos.

Manejo de macrodatos a través de varios tipos de cargas de trabajo

Básicamente, hay cuatro tipos principales de carga de trabajo que se pueden considerar cuando se trata de datos de gran volumen: procesamiento por lotes, análisis interactivo (ad hoc), transmisión y carga de trabajo operativa.

Con el procesamiento por lotes, la carga de trabajo se puede realizar ejecutando diferentes trabajos como un grupo («lote») sin requerir la intervención del usuario final. Una ventaja clave es que la carga de trabajo se puede programar para que se ejecute en función de los recursos disponibles en un momento determinado. Por lo tanto, la mayoría del procesamiento por lotes está configurado para ejecutarse automáticamente en función de algún programa o desencadenante. Esto será particularmente adecuado para el procesamiento de datos complejos que requieren importantes recursos y / o tiempo. Para este tipo de carga de trabajo, los datos generalmente se almacenan de una manera específica, por ejemplo, el sistema de archivos distribuido de Hadoop (HDFS), el formato de almacenamiento de datos Apache Parquet. A menudo se procesa de forma distribuida, es decir, utilizando las diferentes computadoras en red y una construcción de programación para administrar esta distribución (con programas escritos en lenguajes como Scala, Pyspark o SparkR, apoyándose en una capa de software como Spark). Los resultados suelen estar disponibles a través de interfaces fáciles de usar, como Apache Hive o Impala, para resumir, analizar y consultar grandes sistemas de datos en el ecosistema Hadoop.

En cuanto a la carga de trabajo interactiva, la arquitectura de big data es particularmente adecuada para casos de uso que requieren trabajo exploratorio o de investigación. En general, el usuario final no tiene en mente un modelo completamente predefinido: es a través del trabajo de análisis de datos que surgen nuevas preguntas, lo que lleva a una mayor exploración de datos de forma interactiva y repetitiva. En este tipo de carga de trabajo, un requisito importante es que el tiempo necesario para procesar las solicitudes de los usuarios («latencia de red» más tiempo de procesamiento) sea mínimo. Esto es clave para mantener a los usuarios completamente comprometidos. Otra característica importante es que, además de los altos requisitos en términos de tecnología de procesamiento y almacenamiento de datos (una consideración común para cada tipo de carga de trabajo de big data), existe la necesidad de interfaces de usuario adecuadas para respaldar el trabajo de análisis de los usuarios y su interacción exploratoria. con el sistema.

En este contexto, se ha dado mayor importancia al uso de herramientas de inteligencia empresarial (BI). Por lo general, se entiende que el concepto de BI abarca los métodos y técnicas impulsados ​​por la tecnología (por ejemplo, aplicaciones y prácticas de TI) movilizados para recopilar, administrar y analizar datos con el fin de informar las decisiones comerciales (IFC (2019b)). Las herramientas de BI pueden facilitar enormemente el proceso de descubrimiento interactivo de big data, utilizando varias funciones como:

  • Capacidades de desglose, es decir, funciones que permiten a los usuarios pasar de la representación general de los datos a una vista más granular; esta función es particularmente útil para administrar bases de datos multidimensionales, o «cubos» hechos de varias «dimensiones» que los usuarios pueden consultar de manera flexible para producir una vista personalizada de los datos que les interesan, por ejemplo, mediante el uso de tecnología de procesamiento analítico en línea (OLAP)
  • Capacidades de obtención de detalles, es decir, funciones que permiten el acceso a información paralela que puede ser relevante para los datos que se analizan.
  • Paneles, es decir, informes con indicadores clave / análisis presentados como una tabla / interfaz gráfica de usuario actualizada a medida que ingresan los datos
  • Interfaces que permiten a los usuarios consultar y recuperar datos fácilmente del sistema, como interfaces de consulta habilitadas para SQL

Con la transmisión, el usuario final recibe una presentación constantemente actualizada de los datos, en lugar de tener que descargar los datos y luego procesarlos / analizarlos. Por lo tanto, los flujos se componen básicamente de tablas infinitamente largas e interminables que permiten consultar los datos a medida que fluyen. La tecnología utilizada para este procesamiento se ha desarrollado rápidamente en los últimos años, con herramientas como las plataformas de software de procesamiento de flujo de código abierto Apache Kafka, Spark streaming, Flink, Storm, Samza y otros. Las centrales anks están cada vez más interesadas en este tipo de carga de trabajo para analizar datos en tiempo real, por ejemplo, para monitorear su red de TI interna para detectar ataques cibernéticos o para supervisar el funcionamiento de las transacciones financieras o los sistemas de pago cuando tienen la tarea de hacerlo (por ejemplo, para detectar actividades fraudulentas o riesgos de perturbaciones en el sistema financiero). Si bien la mayoría de los bancos centrales aún no han desarrollado capacidades de transmisión de datos operativos, se espera que esto se convierta en un requisito estándar en un futuro próximo.

La carga de trabajo operativa a menudo se implementa con tecnologías de transmisión para proporcionar información en tiempo real sobre las transacciones comerciales que se dividen en varios sistemas. La experiencia muestra que una tecnología como Kafka se utiliza a menudo para respaldar la transferencia de datos entre los diferentes sistemas operativos, en particular para proporcionar una vista completa, coherente y precisa de todos los datos procesados ​​(por ejemplo, datos por lotes, datos en línea). También es útil realizar un seguimiento de los diversos pasos involucrados en el análisis de los datos, desde su origen raíz hasta el producto final (es decir, «linaje de datos»). Otro sistema importante que soporta cargas de trabajo operativas en las que el tiempo es crítico es el procesamiento de transacciones en línea (OLTP), que administra aplicaciones que modifican la base de datos (es decir, realizan «transacciones de base de datos»). Por lo general, OLTP facilitará la respuesta inmediata a las solicitudes de los usuarios, a excepción de las consultas más complejas que prefieren tratarse con la tecnología OLAP (ver más arriba).

La lista anterior es, por supuesto, una presentación esquemática. De hecho, a menudo existe una combinación de estos diferentes tipos de carga de trabajo. Una tecnología importante en este contexto es la arquitectura Lambda,[14] que se puede utilizar para manejar cantidades masivas de datos que se pueden procesar bajo diferentes tipos de cargas de trabajo, en particular a través de métodos de transmisión por lotes y en tiempo real.

Arquitectura para almacenar, procesar y consultar big data

Los diversos proyectos de macrodatos implementados por los bancos centrales muestran que no existe una arquitectura de datos única para todos que pueda satisfacer todos los tipos de necesidades en términos de carga de trabajo, capacidad para calcular operaciones al mismo tiempo en lugar de secuencialmente («concurrencia»), requisitos para almacenamiento, acceso y procesamiento de datos y latencia. Esto requiere implementar una “arquitectura políglota”, capaz de abordar requisitos heterogéneos. Por ejemplo, la plataforma de big data del Banco de Italia cubre múltiples requisitos de los usuarios, por ejemplo, ingesta, almacenamiento y procesamiento de datos; uso de ciencia de datos, aprendizaje automático y aplicaciones de BI, que requieren el uso combinado de múltiples herramientas de TI (Cariello y Quarta (2019)). Por tanto, la naturaleza específica de estos requisitos impulsa inherentemente el desarrollo de la arquitectura de soporte, a menudo de forma progresiva e interactiva.

En la práctica, la arquitectura del entorno de big data implementada por la mayoría de las organizaciones tiene como objetivo configurar un almacén de datos (o «almacén de datos empresarial» (EDW)), que es un repositorio central donde los datos de fuentes dispares se almacenan, analizan y consultan. Este almacén comprende observaciones tanto actuales como históricas, con los datos obtenidos (o «informados») de un almacén de datos operativos (ODS). Este “lago de datos” comprende toda la información posible necesaria para alimentar el almacén (Lacroix (2019)). Cubre todos los datos independientemente de su formato, su inclusión real (o no) en la EDW, los casos de uso que admiten y su grado de procesamiento, con usuarios capaces de acceder a los datos originales “sin procesar” y no solo a los “transformados”. Por ejemplo, la plataforma de big data (DISC) del BCE comprende un almacén de datos central que incluye todos los datos de interés para la institución y un diccionario de datos único que respalda la combinación de los distintos conjuntos de datos (Sánchez y Trzeciok (2019)).

Desarrollo de software de big data

En términos generales, el software de big data suele ser ensamblado e implementado manualmente por ingenieros de TI especializados. Sin embargo, las implementaciones manuales y la administración relacionada de las (a menudo varias) herramientas de tecnología de big data plantean riesgos significativos, incluida la falta de pruebas automatizadas, configuraciones incorrectas y posiblemente cortes graves del sistema. Es evidente que se necesita un enfoque más estructurado, y las prácticas DevOps[15] “tradicionales” que prevalecen claramente en otros dominios también deberían aplicarse idealmente para respaldar una implementación automatizada de la plataforma de big data. Para hacerlo, se requiere un enfoque de infraestructura como código (IaaC), utilizando tecnologías como Puppet o Ansible que pueden respaldar la automatización de la implementación de infraestructura de TI altamente distribuida. Además, se deben aplicar prácticas adecuadas de gestión del cambio para tratar con entornos separados para el desarrollo, la integración de sistemas, la aceptación del usuario y los usos de producción de una manera integral. Los bancos centrales también pueden considerar extender DevOps a las prácticas de DataOps, con miras a implementar la automatización para la gestión de datos y el procesamiento analítico.

Sin embargo, la experiencia muestra que el uso de prácticas de DevOps para desarrollar software de big data aún se encuentra en una fase de adopción temprana. Sin duda, esta es una tarea compleja debido a las muchas partes tecnológicas en movimiento involucradas en las plataformas de big data / HPC. Una capa adicional de complejidad proviene de la naturaleza distribuida del software, ya que involucra múltiples máquinas y diferentes opciones de configuración. Pero una consecuencia que a menudo se observa es que muchos proyectos no pasan de la fase piloto debido a la falta de gobernanza de TI, incluida la gestión de cambios adecuada y los procesos DevOps.

No obstante, los bancos centrales están avanzando para abordar estos problemas. Las iniciativas exitosas muestran que, una vez que se configuran los procesos de implementación y pruebas automatizados adecuados para construir el clúster de big data, los equipos analíticos y de TI son recompensados ​​con agilidad, facilidad de reproducción, facilidad de actualizaciones y posibilidades de escalabilidad.

Mirando hacia el futuro con una estrategia de información integral

Con el crecimiento exponencial de los datos que recopilan los bancos centrales, surgen cada vez más necesidades analíticas que requieren el uso de análisis de big data y herramientas de alto rendimiento. Estas tecnologías están evolucionando rápidamente y pueden ofrecer un valor significativo para lidiar con grandes cantidades de datos y aplicar cálculos complejos de IA y ML. Además, mientras que el análisis de datos tradicional se limitó a datos estructurados, el uso de tecnologías de big data permite a los bancos centrales utilizar fuentes de datos alternativas para sus diversos casos de uso.

Al decidir sobre un proyecto para configurar una plataforma informática de big data / HPC, se deben tener en cuenta muchas dimensiones, incluidos los requisitos comerciales (casos de uso), las necesidades tecnológicas, la complejidad del sistema, las limitaciones de recursos (por ejemplo, costos financieros, competencias internas en términos de cantidad de personal y combinación de habilidades), rendimiento, confiabilidad, modelo operativo y seguridad; consulte Lambe et al (2019) para obtener una revisión de los factores clave que influyen en la arquitectura de la plataforma (IDEA) desarrollada por el BIS. Además, estos aspectos no deben considerarse de forma aislada, ya que deben abordarse de manera integral en el contexto de la estrategia de información de la organización. Básicamente, esta estrategia debe tener como objetivo proporcionar una hoja de ruta de alto nivel para la adopción de tecnologías en constante cambio para administrar los datos y responder a las necesidades de los usuarios; para la situación en el Banco de Inglaterra, consulte Vaughan y Willis (2019).

La experiencia de los bancos centrales con la implementación real de plataformas y tecnologías relacionadas con big data muestra que la atención debe centrarse en las siguientes consideraciones principales para garantizar el éxito:

  • Objetivos comerciales a mediano y largo plazo: saber qué objetivo comercial lograr es de suma importancia al elegir la tecnología de big data adecuada.
  • Crecimiento incremental: comenzar poco a poco, aprender del éxito temprano, monitorear periódicamente el progreso y revisar el plan son claves.
  • El negocio y la TI trabajan juntos: los líderes empresariales y de TI deben trabajar juntos para promover una cultura basada en datos en toda la organización (por ejemplo, mediante “administradores de datos” reconocidos).
  • Gobernanza de datos: un marco de gobernanza de datos es vital para ofrecer beneficios empresariales continuos con una plataforma de big data.

Por último, la cooperación internacional y el intercambio de conocimientos entre los bancos centrales pueden agregar un valor significativo, sobre todo considerando el panorama tecnológico heterogéneo y cambiante. El camino a seguir es establecer iniciativas periódicas para garantizar el intercambio de experiencias, la fertilización cruzada y la promoción de sinergias entre los diversos proyectos emprendidos por los bancos centrales y la comunidad pública en general.