Por: Alessandra Morante Pérez-Reyes, coordinadora del Eje de Innovación en Gestión y Finanzas dentro del GreaTT, Wim Perú.ResumenLa investigación se centra en cómo la inteligencia artificial (AI) y el big data están revolucionando la industria minera. Se utiliza el aprendizaje automático y profundo para procesar grandes cantidades de datos y predecir con precisión precios de commodities, evaluar proyectos mineros, y gestionar riesgos de precio. Además, la AI mejora la estimación de costos y ayuda en la planificación de proyectos. Se analizan plataformas de datos para que los profesionales mineros escojan la mejor según sus necesidades y se enfatiza la importancia de una cultura organizativa que valore la innovación y adaptabilidad para el futuro.IntroducciónEn la era digital, las empresas están adoptando tecnologías de aprendizaje automático y profundo, impulsadas por el análisis de big data para mejorar la precisión de los modelos predictivos y el aprendizaje continuo (Galan Zazo, Galan Ordox, & Turrion Diez, 2022). En la industria minera, estas tecnologías están mejorando la eficiencia operativa y la seguridad, aunque su implementación en áreas como finanzas e inversiones sigue siendo limitada. La Figura 1 ilustra el grado de adopción de estas tecnologías en la industria minera, destacando oportunidades para optimizar la toma de decisiones (Zhou, Shimei, Wang, & Vasilakos, 2017).Fuente: elaboración propia. Nota. La Figura 1 muestra el nivel de adaptación e inclusión de algoritmos de inteligencia artificial en la industria minera por área. Figura 1. Implementación y uso de la inteligencia artificial en la industria minera.En la industria minera, la precisión en la estimación de precios de commodities ha evolucionado desde el análisis técnico y fundamental hacia modelos estocásticos y técnicas de inteligencia artificial debido a la creciente volatilidad de los precios en los últimos veinte años (Hachmi, Boubaker, Ftiti, Louhichi, & Tissaoui, 2023). Investigaciones recientes, como la de Zhang, Hong y otros (2020), proponen métodos combinados de redes neuronales y optimización por colonia de hormigas para mejorar la estimación de costos en proyectos mineros, esenciales para la planificación financiera. Además, las innovaciones tecnológicas están facilitando la gestión de riesgos financieros y la recomendación de carteras con poca intervención humana (Méndez-Suárez, García-Fernández, & Gallardo, 2019).La investigación aborda la integración de big data y algoritmos de inteligencia artificial en la industria minera, extendiéndose también al desarrollo empresarial y a la gestión de inversiones. Adicionalmente, propone una estructura de evaluación para plataformas de análisis de datos, comparando su calidad y eficiencia, para destacar cómo estas tecnologías pueden servir como herramientas estratégicas en la creación de modelos de aprendizaje automático y profundo específicos.Conectando el big data, la ciencia de datos y la inteligencia artificial Antes de abordar las herramientas de inteligencia artificial en inversiones mineras, es esencial comprender el big data. Desde la tercera revolución tecnológica, con el desarrollo de las Tecnologías de la Información y Comunicación, el análisis de datos se ha intensificado, especialmente desde 2005 con el auge de los datos generados en línea. La Figura 2 muestra cómo ha evolucionado el acceso a estos datos. El big data se caracteriza por su variedad, volumen y velocidad, y requiere metodologías avanzadas como el análisis predictivo para su gestión eficaz (Golebiowska & Prokopowicz, 2021; Oracle, 2022; Waller & Fawcett, 2013).Fuente: tomado de Business Intelligence analytics based on the processing of large sets of information with the use of sentiment analysis and Big Data (p. 131) por Golebiowska & Prokopowicz, 2021. Nota. La Figura 2 ilustra el proceso de desarrollo de las tecnologías de la información que condujeron al surgimiento del concepto de big data. Figura 2. Evolución de la información y el big data.La ciencia de datos utiliza métodos cuantitativos y cualitativos para resolver problemas y predecir resultados (Waller & Fawcett, 2013). Los científicos de datos aplican técnicas como el modelado estadístico y el aprendizaje automático para identificar patrones y tomar decisiones basadas en datos. Según Waller y Fawcett, es esencial que los científicos de datos tengan tanto un profundo conocimiento del dominio como habilidades analíticas (Waller & Fawcett, 2013).Tanto el big data como la ciencia de datos han impulsado el avance de la inteligencia artificial, que imita la inteligencia humana para realizar tareas autónomamente. Un creciente número de empresas, alrededor del 35% a nivel global, ya utiliza esta tecnología, mientras que otro 42% la está explorando (IBM Data and AI Team, 2023). En la gestión de operaciones mineras, la inteligencia artificial procesa grandes volúmenes de datos, identifica patrones complejos y realiza predicciones precisas. En los mercados de commodities, con su complejidad derivada de múltiples factores, como eventos políticos y económicos, se necesitan algoritmos sofisticados como el aprendizaje automático o el aprendizaje profundo (Hachmi y otros, 2023).El aprendizaje automático, parte de la inteligencia artificial, emplea datos y algoritmos para imitar el proceso de aprendizaje humano. Se utilizan métodos estadísticos para clasificar, predecir y descubrir información en proyectos de minería de datos (UC Berkeley School of Information, 2020). Actualmente, los algoritmos de aprendizaje automático son accesibles a través de paquetes en R o Python para ajustar árboles de decisión, bosques aleatorios o regresión LASSO (Mullainathan & Spiess, 2017).La elección del algoritmo de aprendizaje automático depende del problema y el número de variables involucradas. En el aprendizaje supervisado, los algoritmos como árboles de decisión, teorema de Bayes y máquina de soporte de vectores se basan en ejemplos conocidos de entrada y salida. En el aprendizaje no supervisado, algoritmos como la agrupación en clústeres encuentran estructuras en los datos (Mahesh, 2018). Recientemente, el desarrollo del aprendizaje profundo ha impulsado la necesidad de algoritmos más complejos. Este enfoque, como las redes neuronales artificiales con múltiples capas, extrae características relevantes de los datos y se ha aplicado exitosamente en diversas áreas (IBM Data and AI Team, 2023; Hachmi y otros., 2023). La Tabla 1 proporciona una comparación entre el aprendizaje automático y el aprendizaje profundo.Nota. La Tabla 1 compara el aprendizaje automático y el aprendizaje profundo desde la perspectiva de los usuarios.Uso de inteligencia artificial para la estimación de precios de los commoditiesLa estimación de precios como motor de políticas económicas y decisiones estratégicasEn el dinámico mundo de los mercados de commodities, la estimación precisa de los precios es fundamental para la economía y las estrategias empresariales. Desde la formulación de políticas económicas hasta las decisiones financieras en empresas mineras, anticipar y comprender la fluctuación de los precios es crucial para evaluar proyectos y gestionar riesgos (Tapia Cortez y otros., 2018). Las empresas mineras, con altos riesgos y retornos sobre la inversión de largo plazo, dependen de la estimación de precios para planificar extracciones y presupuestos (Samis & Steen, 2020; Szarek y otros, 2020). En este contexto, la tecnología y los modelos predictivos desempeñan un rol cada vez más importante. La Figura 3 ilustra las categorías de datos cuantitativos y cualitativos utilizados frecuentemente en la estimación de precios de commodities. Entre los datos cualitativos destacan los cambios en políticas y regulaciones, eventos geopolíticos, noticias de mercado, cambios en hábitos de consumo y sentimiento del mercado[1]. Los datos cuantitativos incluyen oferta y demanda, precios históricos, factores económicos y tecnológicos. El análisis de grandes cantidades de datos y el uso de algoritmos avanzados, como el aprendizaje automático y profundo, permiten anticipar tendencias de precios y tomar decisiones fundamentadas, proporcionando una ventaja competitiva en el mercado.Fuente: elaboración propia. Nota. La Figura 3 muestra los datos utilizados en la estimación de precios de commodities divididos en datos cuantitativos y cualitativos. Figura 3. Diversidad necesaria para la estimación de precios de commodities.Metodologías alternativas para estimar los precios de los commoditiesLa literatura sobre estimación de precios de commodities ha evolucionado, pasando de enfoques macroeconómicos a la inclusión de herramientas como la inteligencia artificial. La elección entre algoritmos de aprendizaje automático y profundo depende de la complejidad del problema, evaluado caso por caso (Hachmi y otros., 2023). Las metodologías pueden combinarse para mejorar las estimaciones y el avance tecnológico sigue impulsando nuevas herramientas y enfoques en la industria minera.Antes de explorar las innovaciones recientes en la estimación de precios de commodities, es crucial comprender la evolución de los enfoques y metodologías utilizados hasta ahora:- Métodos tradicionales: hasta mediados del siglo XX, se basaban en el análisis de datos históricos y factores macroeconómicos, aunque la incertidumbre sobre la repetición de eventos pasados limita su precisión (Hachmi y otros, 2023; Tapia Cortez y otros, 2018).- Modelos econométricos: a partir de la década de 1950, se introdujeron modelos econométricos basados en la correlación entre oferta, demanda histórica y precios, como el modelo (VAR)[2] y (VEC)[3], mejorando la capacidad de predicción (Kennedy, 2008; Tapia Cortez y otros, 2018; Szarek y otros, 2020).- Modelos de oferta y demanda: desde la década de 1990, se desarrollaron modelos más detallados que consideraban la oferta y la demanda de commodities, así como factores económicos, políticos y sociales influyentes en los precios (Tilton & Guzman, 2016). Modelos basados en inteligencia artificialEl aprendizaje automático y profundo está transformando la predicción de precios de commodities como el oro y el cobre, ofreciendo oportunidades para una comprensión más completa de los mercados y decisiones fundamentadas en la industria minera, lo que proporciona una ventaja competitiva significativa en un entorno económico dinámico.Aprendizaje automáticoSe pueden destacar dos enfoques principales para la predicción de precios de commodities a través del aprendizaje automático: Árboles de decisión y Redes neuronales artificiales (ANN). Árboles de decisión: representan opciones y resultados en un árbol gráfico, dividiendo el grupo de datos para predecir valores de salida basándose en variables independientes. Estudios como el de Liu y otros., demostraron que los árboles de decisión pueden prever los precios futuros del cobre con un margen de error inferior al 5% en diferentes escalas de tiempo (Mahesh, 2018; Liu, Hu, Li, & Shaojun, 2017).Nota. La Figura 4 representa esquemáticamente un árbol de decisión, que segmenta datos en grupos según atributos específicos para mejorar la clasificación y predicción. Figura 4. Representación gráfica del Árbol de decisión.Las Redes neuronales artificiales: imitan el cerebro humano para descubrir relaciones ocultas en los datos. Se han utilizado en la estimación de precios de commodities como el oro y el cobre, incorporando indicadores de desempeño de los principales productores y compradores para mejorar la precisión de las predicciones. Estudios como los de Sami & Nazir y Zhang, Nguyen y otros., demostraron la eficacia de las ANN en la predicción precisa de precios de commodities(Mahesh, 2018; Sami & Nazir, 2018; Zhang, Nguyen, Vu, Bui, & Pradhan, 2021).Nota. La Figura 5 representa esquemáticamente una red neuronal artificial, estructurada en capas de nodos interconectados que simulan el proceso de aprendizaje del cerebro. Figura 5. Representación gráfica de las Redes neuronales artificiales.Aprendizaje profundoHachmi y otros., exploraron el uso de cuatro modelos de aprendizaje profundo para predecir precios de commodities: Redes neuronales recurrentes (RNN), Unidades recurrentes cerradas (GRU), Memorias de corto plazo de longitud variable (LSTM) y Redes neuronales convolucionales (CNN). Los datos utilizados incluyeron el Índice de Commodities de Bloomberg y sus componentes, con el 10% destinado a prueba y el 90% para entrenamiento. El estudio concluyó que el método más preciso fue el LSTM (Hachmi, Boubaker, Ftiti, Louhichi, & Tissaoui, 2023; Sarker1, 2021).Nota. La Tabla 2 compara los métodos convencionales de predicción de precios de commodities con aquellos basados en algoritmos de inteligencia artificial. Estimación de costos de capital con inteligencia artificialLa estimación precisa de los costos de capital en la industria minera es determinante para evaluar la viabilidad de los proyectos y tomar decisiones estratégicas fundamentadas. Inicialmente basada en estimaciones manuales por componentes, esta práctica evolucionó hacia modelos estadísticos y matemáticos más sofisticados, como los Flujos de caja descontados y modelos estocásticos. La introducción de la inteligencia artificial ha revolucionado este campo, utilizando algoritmos de aprendizaje automático y redes neuronales para analizar grandes volúmenes de datos históricos y generar predicciones más precisas. Por ejemplo, Zhang y otros., proponen el uso de aprendizaje profundo para estimar los costos de capital de proyectos mineros de cobre a tajo abierto, destacando la importancia de parámetros como la producción anual de la mina y del molino, y los avances en la tecnología minera (Zhang y otros, 2020).Análisis de mercado: comparación de plataformas de data e informaciónLa industria minera se ha beneficiado del uso de tecnologías avanzadas, incluyendo plataformas de data y análisis, para mejorar la eficiencia y la toma de decisiones. A continuación se presenta un análisis comparativo de las principales plataformas, enfocándonos principalmente en aquellas que se basan en inteligencia artificial, a través de cuadros de calor para evaluar la eficiencia y los tipos de datos disponibles, ofreciendo una guía para la selección de la plataforma más adecuada.MetodologíaEn esta sección se expondrá una metodología desarrollada para comparar plataformas de data y análisis en la industria minera, considerando parámetros clave como funcionalidad, escalabilidad y presencia de inteligencia artificial. Tras una investigación detallada, se evaluaron características, capacidad de gestión de datos y adaptabilidad a desafíos específicos. Los cuadros de calor comparativos ofrecen una visión clara de las fortalezas y debilidades, facilitando decisiones informadas para optimizar operaciones y tomar decisiones basadas en datos.Elección de parámetrosLa evaluación de las plataformas de datos se divide en dos partes: indicadores de eficiencia y de amplitud de análisis. Se consideran variables relevantes para las decisiones estratégicas de empresas mineras y gobiernos. El objetivo es ayudar a los usuarios a elegir la plataforma adecuada para mejorar la eficiencia operativa y la toma de decisiones.Parámetros de eficienciaA continuación, se presentarán de manera concisa los parámetros seleccionados para evaluar la eficiencia y funcionalidad de las plataformas de servicio. - Velocidad de respuesta: se considera la rapidez en la generación de consultas y reportes, así como la eficiencia del soporte proporcionado.- Facilidad de uso: evalúa la amigabilidad e intuitividad de la interfaz para aumentar la productividad y facilitar la toma de decisiones.- Capacidad de integración: se analiza la interoperabilidad con otras tecnologías para maximizar el valor de la información recopilada.- Adaptabilidad y estabilidad: es clave que las plataformas sean adaptables y estables para satisfacer las necesidades cambiantes en un entorno minero en constante evolución.- Herramientas de análisis: se evalúan las herramientas como búsquedas y consultas específicas, y la capacidad para generar informes y visualizaciones.- Precisión y actualización: se evalúa la confiabilidad de los datos y la frecuencia de actualización para garantizar información oportuna y relevante. Parámetros de extensión de dataLos siguientes parámetros son importantes para evaluar la amplitud y calidad de los datos proporcionados por las plataformas de análisis.- Cobertura geográfica: importante para obtener información detallada sobre proyectos mineros en diversas regiones.- Recursos y reservas: esencial para evaluar el potencial geológico y viabilidad de los proyectos.- Producción: detalles sobre volúmenes y calidad de minerales extraídos, así como información de actores clave del mercado.- Precios de commodities: datos históricos esenciales para predicciones y análisis de rentabilidad.- Datos macroeconómicos: contar con datos macroeconómicos y de política gubernamental permite prever tendencias del mercado global.- Data financiera: evaluación de la salud financiera, rentabilidad y gestión de costos de las empresas mineras.- Análisis y estadísticas: herramientas para procesar datos, crear informes personalizados y modelos predictivos.Selección de plataformas Las plataformas fueron seleccionadas siguiendo criterios rigurosos sobre la calidad y volumen de datos, así como la fiabilidad de las fuentes. Se prioriza la inclusión de diversas opciones, desde datos básicos hasta análisis avanzados. La mayoría hace uso de herramientas de aprendizaje automático, pero con niveles de automatización variables. Esta selección busca proporcionar una evaluación completa de las opciones disponibles.ResultadosLos resultados del análisis se presentan en las Tablas 3 y 4, que muestran las diferencias entre las plataformas evaluadas en términos de características y capacidades. Los colores indican el grado de cumplimiento de cada plataforma con los parámetros, desde verde oscuro para cumplimiento completo hasta rojo para incumplimiento.Fuente: elaboración propia. Nota. La Tabla 3 muestra un gráfico de calor que realiza una comparación entre las plataformas seleccionadas para el análisis, en función de parámetros de eficiencia. Fuente: elaboración propia. Nota. La Tabla 4 muestra un gráfico de calor que realiza una comparación entre las plataformas seleccionadas para el análisis, en función de parámetros de extensión de datos. Es importante tener en cuenta que las valoraciones pueden ser subjetivas y dependen de los objetivos individuales de cada lector. La inclusión de las plataformas no implica preferencia o recomendación.Pasos estratégicos para adoptar la inteligencia artificial en finanzasLa implementación exitosa de la inteligencia artificial en empresas mineras requiere una sólida infraestructura técnica y un cambio cultural organizacional. Un instructivo detallado ofrece una guía paso a paso para este proceso. Paso 1: definir objetivos claros. Paso 2: recopilar y preparar datos. Paso 3: seleccionar y entrenar el modelo.Paso 4: integrar y validar el modelo en el proceso de toma de decisiones.Paso 5: monitorear y actualizar regularmente.Una vez establecida la base práctica para la implementación de la inteligencia artificial, para fomentar su adopción en finanzas e inversiones, es crucial que los ejecutivos de empresas mineras adopten una nueva mentalidad orientada hacia la innovación, reconociendo los beneficios demostrados de la IA en otras áreas de la compañía. Este enfoque innovador requiere ajustar las soluciones tecnológicas a las necesidades específicas de la empresa y aplicar metodologías ágiles para su constante evolución y mejora. El compromiso activo y el liderazgo de los altos ejecutivos, junto con una alineación estratégica de incentivos, son fundamentales para acelerar este proceso. Adicionalmente, establecer colaboraciones con expertos y firmas tecnológicas a través de asociaciones estratégicas, facilitará la implementación de soluciones de IA avanzadas y personalizadas, según indica Demyttenaere y otros., en 2023.Fuente: elaboración propia.Nota. La Figura 6 muestra las estrategias claves para integrar la inteligencia artificial en diversas áreas de la empresa. Se presentan recomendaciones prácticas para fomentar una mentalidad abierta hacia la tecnología y para superar barreras técnicas y culturales. Figura 6. Fomentando una cultura para la adopción de inteligencia artificial en todas las áreas.Conclusiones1. La inteligencia artificial y el aprendizaje automático han transformado la gestión minera al permitir el análisis de grandes volúmenes de datos y la predicción precisa de precios y costos. El uso del big data ofrece una base sólida para decisiones estratégicas en inversiones y operaciones mineras. Los algoritmos de aprendizaje profundo son cruciales para predecir la viabilidad de proyectos y gestionar riesgos asociados con la volatilidad de precios. 2. Además, el uso de inteligencia artificial permite una planificación más efectiva de recursos financieros y toma de decisiones basada en datos en la industria. 3. Por último, la adopción de inteligencia artificial requiere un cambio cultural y estratégico en la organización, alineando la innovación tecnológica con objetivos a largo plazo.BibliografíaDemyttenaere, M., Roos, A., Sheth, H., Rodt, M., Harris, M., Khodabandeh, S., Grabowski, J. 2023, agosto 22. Generative AI in the Finance Function of the Future. Retrieved Abril 2024, from Boston Consulting Group: https://www.bcg.com/publications/2023/generative-ai-in-finance-and-accountingGalan Zazo, J., Galan Ordox, J., & Turrion Diez, A. 2022. El Futuro de la Investigación en Emprendimiento Estratégico: Inducción y Deducción a través del Machine Learning. Burgos, España.Golebiowska, A., & Prokopowicz, D. 2021. Business Intelligence analytics based on the processing of large sets of information with the use of sentiment analysis and Big Data. Poland.Hachmi, B., Boubaker, S., Ftiti, Z., Louhichi, W., & Tissaoui, K. 2023. Forecasting commodity prices: empirical evidence using deep learning tools. https://doi.org/10.1007/s10479-022-05076-6.IBM Analytics. 2015. Metodología Fundamental para la Ciencia de Datos. Estados Unidos: https://www.ibm.com/downloads/cas/6RZMKDN8.Liu, C., Hu, Z., Li, Y., & Shaojun, L. 2017. Forecasting copper prices by decision tree learning. China: https://doi.org/10.1016/j.resourpol.2017.05.007.Mahesh, B. 2018. Machine Learning Algorithms - A Review. India.Méndez-Suárez, M., García-Fernández, F., & Gallardo, F. 2019. Artificial Intelligence Modelling Framework for Financial Automated Advising in the Copper Market. Madrid, España.Mullainathan, S., & Spiess, J. 2017. Machine Learning: An Applied Econometric Approach.https://doi.org/10.1257/jep.31.2.87.Nourali, H., & Osanloo, M. 2019. A New Cost Model for Estimation of Open Pit Copper Mine Capital Expenditure. Teran, Iran: doi: 10.5829/ije.2019.32.02b.21.Oracle. 2022. The Evolution of Big Data and the Future of the Data Platform.https://www.oracle.com/a/ocom/docs/big-data/big-data-evolution.pdf.Palacios, D. 2023, enero 20. Qué es el sentimiento del mercado y cómo se mide. Retrieved Abril 2024, from Fintualist: https://fintualist.com/chile/educacion-financiera/que-es-el-sentimiento-del-mercado-y-como-se-mide/Sami, I., & Nazir, K. 2018. Predicting Future Gold Rates using Machine Learning Approach. Pakistán: DOI: 10.14569/IJACSA.2017.081213.Samis, M., & Steen, J. 2020. Financial evaluation of mining innovation pilot projects and the value of information. Canadá: https://doi.org/10.1016/j.resourpol.2020.101848.Sarker1, I. 2021. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. Singapore: https://doi.org/10.1007/s42979-021-00815-1.Szarek, D., Bielak, Ł., & Wyłomańska, A. 2020. Long-term prediction of the metals’ prices using non-Gaussian time-inhomogeneous stochastic process. Poland.Tapia Cortez, C., Saydam, S., Coulton, J., & Sammut, C. 2018. Alternative techniques for forecasting mineral commodity prices. NSW, Australia: https://doi.org/10.1016/j.ijmst.2017.09.001.Tilton, J., & Guzman, J. 2016. Mineral Economics and Policy. New York: RFF Press.Kennedy, P. (2008). A Guide to Econometrics. Oxford, United Kingdom: Blackwell Publishing.UC Berkeley School of Information. 2020, June 26. What Is Machine Learning (ML)? Retrieved Junio, 2023 from https://ischoolonline.berkeley.edu/blog/what-is-machine-learning/Waller, M., & Fawcett, S. 2013. Data Science, Predictive Analytics, and Big Data: A RevolutionThat Will Transform Supply Chain Design and Management. Estados Unidos: https://doi.org/10.1111/jbl.12010.Zhang, H., Nguyen, H., Bui, X., Nguyen-Thoi, T., Bui, T., Nguyen, N., Moayedi, H. 2020. Developing a novel artificial intelligence model to estimate the capital cost of mining projects using deep neural network-based ant colony optimization algorithm. Https://doi.org/10.1016/j.resourpol.2020.101604.Zhang, H., Nguyen, H., Vu, D.-A., Bui, X.-N., & Pradhan, B. 2021. Forecasting monthly copper price: A comparative study of various machine learning-based methods.https://doi.org/10.1016/j.resourpol.2021.102189.Zhou, L., Shimei, P., Wang, J., & Vasilakos, A. 2017. Machine learning on big data: Opportunities and challenges. Baltimore, Maryland, United States: https://doi.org/10.1016/j.neucom.2017.01.026.[1] El sentimiento del mercado refleja las actitudes y emociones de los inversores hacia los mercados financieros, influyendo en sus decisiones de inversión. Se mide mediante indicadores como el índice de volatilidad VIX y análisis de redes sociales (Palacios, 2023)[2] El modelo vectorial autorregresivo (VAR) es una versión simplificada de los modelos multivariables que usan los valores históricos de todas las variables del sistema para describir el comportamiento de cada variable (Tapia Cortez, Saydam, Coulton, & Sammut, 2018).[3] El modelo de vector de corrección de error (VEC) es una versión especial del VAR para variables estacionales (Tapia Cortez, Saydam, Coulton, & Sammut, 2018).
