Skip to main content

Fusiones y adquisiciones exitosas con el poder de la analítica avanzada

En un contexto donde la actividad de M&A y las primas de adquisición han alcanzado máximos históricos, el uso de analítica avanzada (AA) puede ayudar a las empresas a capturar más valor y acelerar el impacto durante la fase de integración.

Cuando una compañía decide llevar a cabo una fusión o adquisición (M&A), el CEO y el comité de dirección siguen un camino familiar. Su foco se centra en garantizar la continuidad del negocio, impulsar la creación de valor y diseñar una organización eficiente capaz de competir en un mundo donde la disrupción es moneda corriente. Pero existe una gran dificultad: la integración total suele demandar varios meses, y hasta años.

¿Pueden la analítica avanzada y big data ayudar a mejorar la eficiencia? Estas herramientas y técnicas ya han sido aplicadas en muchos otros contextos de negocios, con mejoras sensibles de costos e ingresos. Las áreas donde se han observado los mayores beneficios incluyen utilización de activos, proyecciones de demanda, gestión de inventarios, y marketing y ventas. No hay motivos para que las compañías no puedan aplicar estas mismas técnicas a las fusiones y adquisiciones, puesto que los esfuerzos de mejora se concentran en las mismas áreas.

Algunas tendencias recientes hacen que éste sea el momento ideal para que las empresas den ese paso. En primer lugar, las primas pagadas por las compañías objetivo han aumentado sensiblemente, lo que vuelve más relevante que nunca extraer el máximo valor posible de cada transacción para cumplir las promesas efectuadas a directivos e inversores. En segundo término, casi el 90 por ciento de los datos disponibles a nivel mundial han sido generados recién en los últimos años. 1 Simultáneamente, los costos de almacenamiento de información han disminuido drásticamente, lo que se suma a un crecimiento exponencial de la capacidad de procesamiento. Gracias a esta evolución, las compañías pueden administrar con mayor facilidad los enormes volúmenes de información interna aportados por cada socio, así como fuentes de datos externas. Con una mejor gestión de los datos, las empresas estarán en condiciones de tomar decisiones más acertadas y cumplir los estrictos plazos fijados para integrar unidades de negocios, funciones y procesos.

Debido a que son pocas las organizaciones que aplican analítica avanzada durante una fusión o adquisición, sus ventajas aún no son consideradas en los casos de estudio de las escuelas de negocios sobre mejores prácticas de integración de compañías. Para explorar la oportunidad, específicamente durante la fase de integración, examinamos una base de casos de McKinsey con casi 200 compañías que utilizaron AA para resolver problemas urgentes de sus negocios, con foco en los temas con mayores probabilidades de surgir en operaciones de M&A. (Si bien varias de las empresas analizadas estaban atravesando un proceso de fusión, no era el caso de la mayoría de ellas.) Nos interesaba especialmente determinar si la analítica avanzada podría ayudar a las compañías en cuatro actividades clave durante la integración, como mejorar las estrategias de gestión de talentos, acelerar la captura de impacto en forma de sinergias de ingresos y costos, desarrollar capacidades predictivas y elevar la efectividad de los activos. Nuestro análisis sugiere que la analítica avanzada posee potencial para lograr mejoras en estas cuatro áreas durante la integración, lo cual podría contribuir a acelerar la captura de impacto y aumentar el volumen de transacciones.

Por supuesto, se requiere cautela al aplicar analítica avanzada en el marco de una operación de M&A. El período previo al cierre de la transacción es particularmente sensible, puesto que existen grandes limitaciones en lo referido al tipo y el nivel de detalle de los datos que los socios pueden compartir. Muchos de los análisis más importantes exigen conformar un equipo separado de la gerencia operativa de ambas compañías, conocido como “clean”, para no violar las normas sobre defensa de la competencia, incluidas las referidas a información sensible de carácter comercial sobre precios o compras. Recomendamos consultar a sus asesores legales para mayores detalles.

Optimizar la cadena de valor de M&A

Más allá de que la analítica avanzada ya ha contribuido a la captura de valor en el mundo empresarial, la mayor parte de su potencial aún no ha sido explotado. Apenas el ocho por ciento de las empresas emplea prácticas que apoyan la adopción masiva de estas herramientas durante cualquier actividad. 2 Pero dudar en este aspecto puede tener serias consecuencias. McKinsey Global Institute estima que las organizaciones podrían generar valor por entre 9,5 y 15,4 billones de USD invirtiendo en herramientas de inteligencia artificial, incluidas aquellas con un rol central para la analítica avanzada. 3

En M&A, un área en la que pocas compañías utilizan analítica avanzada en la actualidad, existe potencial para mejorar todas las actividades. Durante la etapa de due diligence, las empresas pueden extraer nuevos conocimientos de la información externa disponible. Estos análisis pueden constituir una importante fuente de conocimientos adicionales, puesto que las empresas tienen acceso limitado a información interna en esta fase. La analítica avanzada también puede sacar a la luz nuevas oportunidades de sinergias que podrían haber sido pasadas por alto. En la etapa de negociación, cuando se elabora la documentación de la transacción, las compañías pueden utilizar análisis de comportamiento para conocer mejor a sus potenciales socios. Esa información puede ayudarlas a optimizar su estrategia de negociación. Por último, luego de firmado el acuerdo, las empresas pueden aplicar analítica avanzada para obtener el máximo valor de la operación. En este artículo nos enfocaremos en las fases de planeación de la integración pre-cierre y su posterior implementación, dado que se trata de los períodos donde los equipos disponen de un mayor volumen de datos. El valor potencial que las compañías podrían extraer aplicando analítica avanzada durante estas fases también es alto.

Mejorar la gestión de talento en un mercado competitivo

Es común que las empresas adquirentes cuenten con información limitada acerca de la fuerza laboral que heredarán de sus objetivos, como por ejemplo quiénes son los empleados que crean valor auténtico. Los líderes también pueden estar poco familiarizados con los nuevos mercados y segmentos a los que ingresarán, incluidas las competencias requeridas para competir en ellos. Esto podría resultar en grandes brechas de talento en áreas clave.

Usando analítica avanzada, las compañías pueden ir más allá de las estrategias tradicionales de adquisición, desarrollo y retención de talentos tradicionales durante una fusión. Y gracias al mayor poder de cómputo, serán capaces de evaluar una variedad de datos mucho más amplia, incluida información de fuentes externas que las empresas solían pasar por alto debido a su imposibilidad para recolectarla, depurarla y analizarla durante el curso de una transacción. A continuación describimos cómo funciona.

Adquisición de talentos

En muchas áreas, los mejores talentos son difíciles de encontrar con las metodologías de reclutamiento tradicionales. Pero la analítica avanzada y big data pueden ayudar a las empresas a identificar fuentes no explotadas y comprender la escala de los desafíos asociados con hallar los talentos indicados en mercados específicos. En una fusión reciente, un conglomerado adquirió una empresa de tecnología y se propuso expandir el talento técnico en ella en un período predefinido. La estrategia central de la compañía, y el principal motivo de la adquisición, consistía en expandirse hacia la Internet de las Cosas (IoT), por lo que la estrategia de talento especificaba que los postulantes debían contar con conocimientos en el área. Luego de aplicar herramientas de analítica avanzada a la base de talentos local, quedó claro que sería muy difícil hallar una cantidad suficiente de personas con las habilidades necesarias. De hecho, para alcanzar la meta, la empresa tendría que haber reclutado a más del 80 por ciento de los talentos de IoT locales. En respuesta a esa realidad, la compañía decidió enfocar sus esfuerzos de reclutamiento en personal con conocimientos de tecnología en general y no únicamente en especialistas en IoT. Otras compañías que estén reclutando talentos pueden llevar a cabo análisis similares, idealmente durante las negociaciones iniciales, para conocer mejor el mercado disponible, incluidas las instituciones educativas capaces de producir graduados idóneos. En vista de la creciente escasez de talento técnico y digital para roles críticos, sumada a los mayores costos de reclutamiento, este tipo de análisis será cada vez más importante en el futuro.

En otro ejemplo similar, una empresa de servicios informáticos tenía intenciones de fortalecer su presencia en un nicho de mercado complejo, con crecimiento acelerado y grandes márgenes. La compañía contaba con escasa experiencia en el segmento y sabía que llevaría mucho tiempo desarrollar competencias internamente y establecer una presencia sólida. Por lo tanto, optó por adquirir otra compañía para posibilitar la entrada inmediata al mercado y comenzar a ganar escala rápidamente. Pese a que consideró una amplia variedad de objetivos de adquisición, muchos de ellos eran demasiado pequeños o se carecía de información suficiente acerca de sus operaciones o finanzas.

Por tales motivos, la compañía no pudo determinar cuál era el objetivo mejor posicionado para sus planes futuros. Sin embargo, presentía que el talento interno diferenciaba a los triunfadores del resto en el segmento objetivo, y recurrió a la analítica avanzada para verificar esa hipótesis. Como primera medida, la compañía comparó los perfiles en la red LinkedIn de su personal más relevante con los empleados de los competidores que atrajeron a la mayoría de las cuentas clave en el segmento. La compañía empleó la técnica de modelado de tópicos, una herramienta de análisis de texto que identifica estructuras semánticas ocultas en un texto. En este caso particular, el modelado examinó miles de capacidades enumeradas en LinkedIn e identificó las que tenían más probabilidades de aparecer combinadas en un mismo perfil. Con esta información, la compañía pudo comparar a los empleados sobre la base del grupo de competencias que poseían. Luego de completar este análisis, procedió a cotejar los perfiles de sus gerentes de cuenta con los de empleados de otras empresas exitosas para determinar si existían diferencias en cuanto a los grupos de habilidades. Rápidamente surgió que los grupos de competencias de los gerentes de cuenta en empresas exitosas tenían grandes diferencias con los de los gerentes de la compañía. Esta información resultó vital, ya que el objetivo principal de la adquisición era mejorar la base de talentos. Sin una idea clara acerca de las habilidades más relevantes, habría resultado muy difícil detectar los objetivos más apropiados.

Luego de identificar y adquirir una empresa con varios gerentes de cuenta muy talentosos, la compañía utilizó información generada por medio de analítica avanzada para diseñar planes de retención personalizados para los mejores empleados y así asegurarse de que la transacción generara el máximo valor.

Desarrollo de talentos

Además de evaluaciones de desempeño, experiencia y nivel educativo, los científicos de datos pueden examinar métricas operacionales y financieras detalladas para medir la contribución de cada empleado. Dentro de ventas, los elementos a analizar pueden ser la cantidad de clientes contactados por un representante, la frecuencia de interacción y el número de contratos firmados. Las planillas de horarios pueden proveer indicios acerca de si los empleados dedican su tiempo a los clientes más valiosos o si por el contrario están poniendo el foco en cuentas que no impactan demasiado en los resultados. Cuando todos los puntos de datos son considerados en combinación, es posible identificar a los mejores talentos o a aquellos con mayor potencial para desempeñarse como líderes. Con la explosión de datos de los últimos años y los nuevos algoritmos disponibles, la analítica avanzada hace posible extraer conceptos más sofisticados a partir de la información mencionada. En innumerables industrias, las empresas ya han utilizado analítica avanzada para mejorar el desarrollo de talentos, aunque la mayoría de los ejemplos no provienen de un contexto de M&A. Por ejemplo, una aseguradora logró identificar al 10 por ciento mejor calificado de su personal en los diferentes roles, áreas y oficinas, y los conocimientos obtenidos durante el análisis le permitieron optimizar su sistema de evaluación de desempeño. De manera similar, una compañía de telecomunicaciones logró mejoras de productividad valuadas en 15 millones de EUR usando analítica avanzada para identificar a los empleados más valiosos y brindarles capacitación adicional.

En caso de una fusión o adquisición, el equipo “clean” podría ser estar en condiciones de analizar información confidencial sobre el personal de la compañía objetivo con el fin de identificar a los mejores empleados. Si no se creara tal equipo, las empresas pueden prepararse para la integración depurando y analizando información sobre el personal interno. Los conceptos resultantes las ayudarán a moverse con agilidad luego del cierre de la transacción.

Retención de talentos

No basta con identificar a los mejores empleados: también se los debe retener, y eso puede resultar complicado durante una fusión, cuando muchos comienzan a buscar nuevos empleos por temor a los cambios o porque no vislumbran un futuro en la nueva organización. Según nuestra experiencia, las compañías que no implementan programas de retención de amplio alcance suelen perder hasta el 70 por ciento de sus gerentes en los cinco años que siguen a una fusión. Esta representa una tasa de abandono de casi el doble que la de compañías no involucradas en M&A.

A menudo, los líderes intentan contener la fuga desarrollando un plan de retención específico para los empleados clave, aunque sin saber a ciencia cierta cuáles roles generan más valor o qué individuos contribuyen en mayor medida a la organización. Para superar este problema, las organizaciones necesitan analizar diversos tipos de datos para determinar qué puestos influyen más en la creación de valor. El primer paso es identificar a los mejores talentos usando métodos tradicionales, como el examen de evaluaciones de desempeño. Pero también deben utilizar analítica avanzada para medir el rendimiento, puesto que las evaluaciones tradicionales en general no bastan para determinar quiénes crean más valor. Este tipo de desconexiones son muy comunes, ya que los ejecutivos tienden a clasificar a los empleados por su antigüedad y las relaciones personales, o simplemente se basan en su intuición. Evaluaciones subjetivas como las mencionadas pueden no ser “justas” con los empleados que contribuyen en mayor grado a los resultados de la compañía.

La analítica avanzada puede ayudar a eliminar la confusión y obtener mejores resultados ‒ y una de las áreas donde ese conocimiento es fundamental es la retención de clientes.

La AA también puede detectar a los empleados con mayor riesgo de fuga. Un análisis de los anuncios de empleo online podría revelar que los científicos de I&D están muy demandados en el área local, indicando una alta probabilidad de que otra organización intente reclutarlos. Asimismo, un estudio de los perfiles de los empleados actuales en la red LinkedIn podría indicar que algunos de ellos han actualizado recientemente su información o expandido su descripción de habilidades, actividades que suelen preceder a la búsqueda de un nuevo empleo.

Luego de que la compañía identificó quiénes son sus talentos clave y cuáles de ellos podrían abandonar la organización, es posible diseñar intervenciones específicas en lugar de proponer incentivos indistintos para todo el plantel. Por ejemplo, el CEO y los gerentes pueden organizar encuentros con los 20 científicos principales de la organización, o elevar los salarios de los roles críticos.

Acelerar la captura de impacto

Aun en medio del caos de una fusión, la analítica avanzada puede ayudar a las empresas a mejorar algunas de sus operaciones, funciones y procesos de negocios más importantes, y acelerar así los plazos de la integración.

Consideremos la forma en que AA podría impulsar el desarrollo de productos ‒ una de las actividades más importantes en muchas industrias, como la farmacéutica y high-tech. Una compañía tal vez esté desarrollando productos muy innovadores, pero priorizar las actividades de I&D y ceñirse a un cronograma en medio de un proceso de fusión o adquisición no es fácil. Las empresas que se fusionan pueden tener agendas de I&D en conflicto, lo que dificultará la determinación de las prioridades de la nueva organización. Asimismo, los empleados pueden tener dificultades para mantener el ritmo de avance, ya que es habitual que se les asignen responsabilidades adicionales o que deban adaptarse a nuevos procesos. E incluso si los productos avanzan a través del embudo de investigación y desarrollo a la velocidad esperada, podría suceder que su lanzamiento se postergue hasta después de completada la transacción.

Aplicando herramientas analíticas avanzadas, las compañías pueden integrar y acortar más fácilmente sus pipelines de I&D. Por ejemplo, dos compañías farmacéuticas que se fusionan podrían tener cada una decenas o cientos de productos en distintas etapas de desarrollo. Al eliminar los candidatos más débiles aplicando analítica avanzada durante las pruebas clínicas iniciales, la nueva compañía será capaz de distribuir su presupuesto de I&D de manera mucho más eficiente.

Durante una iniciativa de mejora, una empresa farmacéutica utilizó AA para mejorar el método de evaluación de drogas en pruebas clínicas. Lo que hizo fue analizar los datos internos de cada laboratorio de I&D para determinar si algunos de ellos tenían antecedentes de pruebas fallidas o altos costos en distintas áreas terapéuticas. La información resultante contribuyó a elaborar un modelo predictivo para definir el sitio más idóneo para las pruebas futuras. Los científicos de datos también desarrollaron modelos para optimizar la realización de pruebas clínicas, identificar riesgos para la calidad y estimar el tiempo de finalización. Estos modelos ayudaron a la compañía farmacéutica a reducir el tiempo de salida al mercado un 15 por ciento, y los costos de las pruebas el 11 por ciento. En una fusión, las empresas del sector podrían emplear técnicas similares para determinar qué laboratorios de I&D utilizar para pruebas futuras, e incluso evaluar cuáles deberían permanecer abiertos, especialmente si existen varios de ellos trabajando en una misma área terapéutica.

Mejorar las capacidades predictivas en épocas de incertidumbre

Antes de cerrar una transacción, la alta dirección podría contar con información limitada acerca de los aspectos más importantes de su objetivo, como la amplitud y la profundidad de las calificaciones del personal o la cultura prevaleciente en la compañía. Estas brechas de conocimiento pueden poner en riesgo la precisión de las estimaciones y afectar la capacidad para tomar decisiones objetivas. Una vez completada la fusión, los líderes podrán acceder a más información, pero estarán sometidos a fuertes presiones para tomar decisiones con rapidez y simplemente carecerán del tiempo necesario para realizar análisis en profundidad de cada tema.

La analítica avanzada puede ayudar a eliminar la confusión y obtener mejores resultados ‒ y una de las áreas donde ese conocimiento es fundamental es la retención de clientes. Cuando dos compañías se fusionan, es común que sus competidores aprovechen esos tiempos de ajetreo para atacar. Si los clientes fieles consideran que la nueva compañía les resulta poco familiar o deficiente en algunos aspectos, será probable que la reemplacen por otra. Por ejemplo, los consumidores podrían sentirse confundidos acerca de cómo cambiará el servicio, cuáles serán las nuevas condiciones o qué canales de comunicación estarán disponibles. Por todos estos motivos, la nueva organización debe desarrollar de manera urgente una estrategia sólida de retención de clientes.

En un caso, un banco minorista estaba experimentando una alta tasa de fuga luego de una fusión con otra entidad. Además de preocuparse por llegar a un acuerdo, el banco se enfrentaba a mayor competencia, una caída de las tasas de interés y el crecimiento de los intermediarios. Luego de elaborar modelos para determinar qué clientes presentaban mayor riesgo de fuga, la institución pudo identificar los factores subyacentes a este comportamiento. Así, diseñó estrategias de retención específicas para los segmentos de mayor riesgo. Después de testear las estrategias en el terreno, el banco hizo algunos ajustes al modelo predictivo y la estrategia de retención. La precisión del modelo predictivo se triplicó entre el despliegue inicial y la cuarta ola de implementación. En total, la tasa de fuga disminuyó el 20 por ciento.

Mejorar la efectividad de los activos

“Activos buenos pero mal administrados” es una descripción habitual de un objetivo de adquisición. Los activos en cuestión pueden consistir en maquinaria, fábricas u otro tipo de estructura tangible, pero en el ámbito de la gestión de fusiones, también incluyen empleados o grupos funcionales. A la hora de concretar una fusión, la compañía objetivo habitualmente ya ha atravesado programas de mejora operacional y logrado algunas mejoras. Pero la aplicación de analítica avanzada llevará la efectividad de los activos a un nivel superior imposible de lograr con las palancas tradicionales.

Una compañía minera global reveló el poder de estas iniciativas al aplicar analítica avanzada en sus plantas de producción. Para reducir el tiempo ocioso de los equipos, diseñó un modelo para estimar la probabilidad de falla en función de una serie de factores, como el número de horas de operación, las condiciones climáticas y la carga promedio. Luego, la compañía creó un modelo capaz de detectar fallas incipientes basado en información de varios sensores, incluidos voltaje, corriente y temperatura de los motores. Juntos, estos análisis le permitieron desarrollar una solución para eliminar las fallas tempranas en las cintas transportadoras. Durante una integración, cuando las empresas están fusionando sus operaciones, un análisis similar puede contribuir a desarrollar soluciones eficientes a problemas comunes. Estos análisis resultan particularmente útiles cuando se busca resolver problemas en el negocio a adquirir, ya que por lo general se carece de un conocimiento en profundidad de las causas raíz y las posibles soluciones.

La misma lógica es aplicable para mejorar la eficiencia de empleados o grupos de trabajo. En ventas, por ejemplo, la fusión de compañías puede resultar en superposiciones significativas de zonas de cobertura. Para evitarlo, los líderes pueden preverlas y eliminarlas reuniendo previamente datos sobre territorios, clientes, cargas de trabajo y patrones de viaje. Luego de mapear todas las superposiciones, ya sea en una misma compañía o en ambas, deben proceder a aplicar analítica avanzada para comprender las características del mercado. Por caso, las empresas del rubro de la construcción podrían analizar el número de caminos, edificios y habitantes en zonas determinadas con el fin de identificar las áreas con mayor potencial de crecimiento.


Las estrategias conocidas para fusionar dos compañías son efectivas para realizar el trabajo básico, pero ya es hora de incorporar analítica avanzada a la ecuación. Por supuesto, tales esfuerzos pueden resultar más difíciles en medio de una transacción, cuando todas las partes están ocupadas y los líderes deben enfocarse en las tareas más urgentes de la integración ‒ lo que implica que el éxito requerirá personal o recursos adicionales, como la incorporación de científicos de datos. Las empresas también deben priorizar sus iniciativas de analítica avanzada durante la integración, ya que no será viable perseguir todas las oportunidades disponibles al mismo tiempo. Y si bien la analítica avanzada puede requerir cierta inversión inicial, no hay dudas de que aumentará el valor de la transacción. También reducirá la tensión para todas las partes involucradas en la integración al profundizar los conocimientos, mejorar la transparencia y acelerar el cumplimiento de las metas; todo esto otorga a las herramientas de AA un valor que va mucho más allá de las cifras.

Sobre el/los autor(es)

Ali Korotana y Kevin Van Ingelgem son Socios Asociados de McKinsey con base en la oficina de Londres, de la cual James McLetchie es Socio.