Panorama y tamaño del mercado de datos alternativos.

Qué es un dato alternativo

La lección 5.2.2 lo definió por exclusión: todo lo que no son precios, volúmenes ni estados financieros. Es una definición útil para un modelo, pero no dice de dónde sale el dato ni por qué alguien lo vende. Una clasificación más práctica es por origen, porque el origen decide la cobertura, el retraso y los sesgos (lección 6.7.2) y también los riesgos legales (lecciones 6.7.3 y 6.7.4):

flowchart LR
  A[Dato alternativo] --> P[Personas]
  A --> E[Empresas]
  A --> S[Sensores]
  P --> P1[Tarjetas y recibos]
  P --> P2[Webs y reseñas]
  E --> E1[Empleo y patentes]
  E --> E2[Precios publicados]
  S --> S1[Satélite y AIS]
  S --> S2[Clima y ubicación]

Los datos del nivel 6 traen un ejemplo sintético de casi cada fila, todos sobre las 120 empresas ficticias del panel del nivel 5: tarjetas (25 empresas), tráfico web y apps (30), empleo (60), reseñas (10), buques (10 exportadoras), clima (12 eléctricas), imágenes de aparcamientos (8 cadenas) y patentes (40). Cada fuente mide una parte del choque de demanda que mueve las ventas frente al consenso, con su ruido y su retraso; la 6.7.2 las recorre una a una.

La cadena de valor

Entre el evento (alguien paga con tarjeta en una tienda) y la señal de un fondo hay varios eslabones, y cada uno cobra:

flowchart TB
  F[Fuente] --> V[Proveedor]
  V --> C[Catálogo]
  C --> B[Comprador]
  B --> S[Señal]

• Fuente: quien genera el rastro (un banco, una app, un satélite, una web). A menudo no sabe que su rastro tiene valor para un inversor.
• Proveedor: compra o recoge el rastro, lo limpia, lo agrega, lo mapea a empresas y lo vende con una licencia (lección 1.3.7). Es quien carga con el riesgo legal de la recogida.
• Catálogo o agregador: empresas como Neudata o Eagle Alpha mantienen catálogos de datasets con fichas, precios orientativos y evaluaciones; plataformas como Nasdaq Data Link distribuyen datasets de terceros. La lección 6.7.4 trata su papel en la due diligence.
• Comprador: fondos cuantitativos y discrecionales, sobre todo; también bancos, aseguradoras y empresas que vigilan a su competencia.
• Señal: la transformación del dato en una predicción que se puede operar (lección 6.7.5).

Esta cadena explica por qué las cifras de «tamaño del mercado» difieren tanto: se puede medir lo que gastan los compradores de un tipo (gestoras), lo que ingresan los proveedores de todos sus clientes, o un «mercado» que incluye el dato recogido dentro de cada empresa. Cada elección da una cifra distinta.

Lo que mide Neudata y cómo

Neudata publica desde hace años una estimación del gasto de las gestoras de inversión en datos alternativos. Sus cifras se pueden leer en su web11Nota 1 · Neudata, «How big is the alternative data market for investment managers?» (https://www.neudata.co/education/how-big-is-the-alternative-data-market-for-investment-managers, consultado el 2026-10-23; la página no lleva fecha y remite al informe de 2025): «we included 2,338 datasets in our analysis»; «((max−min)×0.3)+min»; «if a dataset was rated as having 6-10 investment clients, we assumed eight distinct buyers»; crecimientos del 15 %, 13 %, 26 % y 33 % de 2021 a 2024; «the average dataset (as of 2024) earns $1.1m/yr»; sensibilidades de 11.400 millones (fichas Lite) y de 2.700 a 12.700 millones (catálogo = 90 %); «the margin for error is large» y «a proxy for alternative data spending rather than a precise measure».22Nota 2 · Neudata, nota de prensa «Alternative data spending by investment management firms could top $15.4bn in 2025», Londres, 26-02-2025 (https://www.neudata.co/press-release/alternative-data-spending-by-investment-management-firms-could-top-15-4bn-in-2025-according-to-neudata-s-latest-report, consultada el 2026-10-23): «a minimum of $2.5 billion […] in 2024», crecimiento medio del 21 % anual desde 2020, 33 % en 2024, «nearly 8,000 unique datasets» en su catálogo, y de 8.600 a 39.900 millones en 2030.33Nota 3 · Neudata, «Alternative data market trends in 2026» (https://www.neudata.co/blog/state-of-the-alternative-data-market-2026, 24-02-2026, consultado el 2026-10-23): «approximately $2.8bn in 2025, growing 17% year-on-year»; «2,805 datasets in 2025, up from 2,215 in 2024»; «approximately $23.1bn by 2030 if current growth trends persist». La página no da la base de esa proyección.:

El método está descrito en el artículo de 2025¹: para cada dataset del catálogo, el precio anual que da el proveedor por el número de clientes gestoras que tiene. Con tres supuestos explícitos:

• Si el proveedor da un rango de precios, no se usa el punto medio sino el valor al 30 % del rango, ((máx − mín) × 0,3) + mín, porque las transacciones reales se concentran por debajo del punto medio.
• Si el número de clientes viene en tramos, se toma el punto medio (de 6 a 10 clientes, 8 compradores).
• Solo cuentan los datasets con ficha completa. Si se sumaran las 5.600 fichas breves (Lite) con el gasto medio de 1,6 millones, la cifra de 2024 pasaría de 2.500 a 11.400 millones; y si el catálogo fuera el 90 % del gasto total, el rango de 2024 iría de 2.700 a 12.700 millones.

Neudata lo llama «una aproximación del gasto, no una medida precisa», advierte de que los proveedores pueden darle un precio de lista que luego se negocia a la baja y de que «el margen de error es grande». Con esa descripción, las cifras se pueden reconstruir:

import numpy as np
import pandas as pd

crec = pd.Series({2021: 0.15, 2022: 0.13, 2023: 0.26,
                  2024: 0.33, 2025: 0.17}, name="crecimiento")
acum = (1 + crec.loc[2021:2024]).prod()
media = acum ** (1 / 4) - 1
print(f"2021-2024: x{acum:.3f}, media geométrica {media:.1%}")
base_2020 = 2.5 / acum
print(f"gasto implícito en 2020: {base_2020:.2f} mil millones")
nivel = base_2020 * (1 + crec).cumprod()
print(nivel.round(2).to_dict())

2021-2024: x2.178, media geométrica 21.5%
gasto implícito en 2020: 1.15 mil millones
{2021: 1.32, 2022: 1.49, 2023: 1.88, 2024: 2.5, 2025: 2.92}

Los cuatro crecimientos que da el artículo cuadran con la media del 21 % que anuncia la nota de prensa. El gasto de 2020 que implican no lo publica Neudata: es una cifra derivada, y así hay que presentarla. La última fila mezcla dos informes: el 17 % de 2025 sale del de 2026, con otra muestra de datasets, y aplicado a los 2.500 millones da 2.920 millones, no los 2.800 que publica ese informe (siguiente sección).

Los rangos de 2025 y 2030 del informe de 2025 se reconstruyen igual: el rango de sensibilidad de 2024 (de 2.700 a 12.700 millones) crecido al 21 % anual. La celda lo comprueba:

r24 = np.array([2.7, 12.7])     # 2024, sensibilidad de Neudata
g = 0.21
r25 = np.round(r24 * (1 + g), 1)
r30 = np.round(r25 * (1 + g) ** 5, 1)
print("2025 reconstruido:", r25, "publicado: [ 3.3 15.4]")
print("2030 reconstruido:", r30, "publicado: [ 8.6 39.9]")
print(f"de 2025 a 2030, x{1.21 ** 5:.2f}")

2025 reconstruido: [ 3.3 15.4] publicado: [ 3.3 15.4]
2030 reconstruido: [ 8.6 39.9] publicado: [ 8.6 39.9]
de 2025 a 2030, x2.59

La reconstrucción coincide con lo publicado (2025 es el rango de 2024 por 1,21, redondeado; 2030, el de 2025 por $1{,}21^5 = 2{,}59$). Esto dice dos cosas: los rangos no son previsiones independientes, sino una extrapolación mecánica del crecimiento pasado; y la amplitud del rango (de 1 a 4,7) no sale de la incertidumbre sobre el futuro, sino de la incertidumbre sobre el presente (qué parte del gasto ve el catálogo).

El método, aplicado a un catálogo inventado

Para ver cuánto mueven los supuestos, la celda siguiente aplica las reglas de Neudata a un catálogo inventado de 2.338 datasets (el número del informe), con rangos de precio y tramos de clientes generados con semilla fija. Las cifras absolutas no significan nada; los cocientes entre reglas, sí:

rng = np.random.default_rng(671)
n = 2338
minimo = rng.choice([25, 50, 100, 150, 250], n) * 1e3
maximo = minimo * rng.choice([2, 3, 4], n)
tramos = np.array([(1, 5), (6, 10), (11, 25), (26, 50)])
t = tramos[rng.choice(4, n, p=[0.45, 0.25, 0.2, 0.1])]

def total(precio, clientes):
    return (precio * clientes).sum() / 1e9

reglas = {
    "punto medio": total((minimo + maximo) / 2, t.mean(1)),
    "Neudata (30 %)": total(minimo + 0.3 * (maximo - minimo),
                             t.mean(1)),
    "mínimos": total(minimo, t[:, 0]),
}
ref = reglas["Neudata (30 %)"]
for k, v in reglas.items():
    print(f"{k:15s} {v:5.2f} mil millones  ({v / ref:.2f}x)")

punto medio      5.87 mil millones  (1.25x)
Neudata (30 %)   4.71 mil millones  (1.00x)
mínimos          1.87 mil millones  (0.40x)

Cambiar del punto medio a la regla del 30 % baja el total una quinta parte en este catálogo; tomar el mínimo de precio y de clientes lo deja en el 40 % de la cifra de Neudata. Ninguna de las tres es «la verdad»: la verdad son contratos privados que nadie publica. Por eso una cifra de mercado sin su método no es un dato, es una afirmación.

Revisiones entre informes

El informe de 2026 da 2.800 millones para 2025 con un crecimiento del 17 %³. La cifra de 2024 que implica no es la del informe anterior, y la de 2030 no sale de la tasa que se anuncia:

g25, gasto25, meta30 = 0.17, 2.8, 23.1
print(f"2024 implícito: {gasto25 / (1 + g25):.2f} (publicado "
      "en 2025: 2.5 como mínimo)")
tasa = (meta30 / gasto25) ** (1 / 5) - 1
print(f"tasa anual de 2.8 a 23.1 en cinco años: {tasa:.1%}")
for g in (0.17, 0.21):
    print(f"2030 con {g:.0%} anual desde 2.8: "
          f"{gasto25 * (1 + g) ** 5:.1f}")
print(f"base de 2025 que da 23.1 al 21 %: "
      f"{meta30 / 1.21 ** 5:.1f}")

2024 implícito: 2.39 (publicado en 2025: 2.5 como mínimo)
tasa anual de 2.8 a 23.1 en cinco años: 52.5%
2030 con 17% anual desde 2.8: 6.1
2030 con 21% anual desde 2.8: 7.3
base de 2025 que da 23.1 al 21 %: 8.9

Con 2.800 millones y un 17 % anual, 2030 quedaría en 6.100 millones; con el 21 %, en 7.300. Los 23.100 millones necesitan una tasa del 52,5 % anual desde 2.800, o partir en 2025 de una base de 8.900 millones al 21 %. Las páginas públicas del informe no dicen cuál es la base de esa proyección (el de 2025 trabajaba con un rango de bases); el informe completo se descarga tras un formulario. Es una pregunta para hacer al proveedor antes de citar la cifra, no una cifra que repetir.

La muestra también cambia: el artículo de 2025 analiza 2.338 datasets en 2024; el blog de 2026 habla de 2.215 en 2024 y 2.805 en 2025. Comparar el gasto de dos informes es comparar dos catálogos distintos.

Las consultoras: estimaciones muy dispares

Las firmas de estudios de mercado publican sus propios «mercados de datos alternativos». La parte pública de cada informe (la nota de prensa o la página del producto) da una o dos cifras, un año base, una tasa anual compuesta y un periodo. Las de cinco firmas, leídas en su web el 2026-10-2344Nota 4 · Páginas consultadas el 2026-10-23: Grand View Research (https://www.grandviewresearch.com/press-release/global-alternative-data-market, «October 2024»); IMARC (https://www.imarcgroup.com/alternative-data-market, «Last Updated: October 05, 2026»); Technavio (https://www.technavio.com/report/alternative-data-market-industry-analysis, «Published: Jan 2025»); Precedence Research (https://www.precedenceresearch.com/alternative-data-market, «Last Updated: 17 Sep 2026»); Arizton (https://www.arizton.com/market-reports/alternative-data-market, publicada en noviembre de 2024 y actualizada en febrero de 2026). Solo se usan las cifras de la parte pública de cada página.:

Para compararlas hay que llevarlas a los mismos años. Con la tasa y el periodo que da cada firma, se completa lo que falta (los valores derivados, con su origen):

def compuesto(v, g, n):
    return v * (1 + g) ** n

base_tn = 60.32 / (1.525 ** 5 - 1)   # Technavio: base de 2024
est = pd.DataFrame([
    ("Neudata 2026", 2.8, 23.1),
    ("Neudata 2025 bajo", 3.3, 8.6),
    ("Neudata 2025 alto", 15.4, 39.9),
    ("Grand View", 135.72 / 1.634 ** 5, 135.72),
    ("IMARC", 12.0, compuesto(16.2, 0.34, 4)),
    ("Technavio", base_tn * 1.525, np.nan),
    ("Precedence", 14.16, compuesto(21.61, 0.5068, 4)),
    ("Arizton", compuesto(6.27, 0.5261, 2),
     compuesto(6.27, 0.5261, 7)),
], columns=["firma", "y2025", "y2030"]).set_index("firma")
est.round(1)

                   y2025  y2030
firma
Neudata 2026         2.8   23.1
Neudata 2025 bajo    3.3    8.6
Neudata 2025 alto   15.4   39.9
Grand View          11.7  135.7
IMARC               12.0   52.2
Technavio           12.7    NaN
Precedence          14.2  111.4
Arizton             14.6  120.9

Grand View no publica el valor de 2025 en la página (sale de descontar su cifra de 2030 a su tasa); el de 2030 de IMARC, Precedence y Arizton sale de aplicar su tasa a su último valor publicado; y Technavio da un aumento, no un nivel, así que su base de 2024 se despeja de la tasa (con su periodo de 2024 a 2029 hay cinco años de crecimiento; la propia página también habla de 2025-2029, lo que daría otra base). Antes de usar cualquiera de estas cifras conviene comprobar si son coherentes consigo mismas:

print("IMARC 2034 reconstruido:",
      round(compuesto(16.2, 0.34, 8), 1), "(publicado 168.2)")
print("Precedence 2035 reconstruido:",
      round(compuesto(21.61, 0.5068, 9), 1), "(publicado 854.34)")
print(f"Precedence, de 2025 a 2026: {21.61 / 14.16 - 1:.1%}")
consult = est.drop(index=[i for i in est.index
                          if i.startswith("Neudata")])
for col in ["y2025", "y2030"]:
    v = consult[col].dropna()
    nd = est.loc["Neudata 2026", col]
    print(col, f"consultoras de {v.min():.1f} a {v.max():.1f}",
          f"(x{v.max() / v.min():.1f});",
          f"frente a Neudata 2026: x{v.min() / nd:.1f}"
          f" a x{v.max() / nd:.1f}")

IMARC 2034 reconstruido: 168.4 (publicado 168.2)
Precedence 2035 reconstruido: 865.3 (publicado 854.34)
Precedence, de 2025 a 2026: 52.6%
y2025 consultoras de 11.7 a 14.6 (x1.3); frente a Neudata 2026: x4.2 a x5.2
y2030 consultoras de 52.2 a 135.7 (x2.6); frente a Neudata 2026: x2.3 a x5.9

La figura de la cabecera dibuja la tabla: cada fila va de 2025 a 2030 en escala logarítmica, y el único punto destacado es el gasto que Neudata estima para 2025. Las cinco consultoras coinciden bastante en 2025 (de 11.700 a 14.600 millones) y se separan en 2030 (de 52.200 a 135.700 millones), porque sus tasas van del 34 % al 63 % anual. Tres motivos explican la distancia con Neudata:

1. Qué miden. Neudata, el gasto de las gestoras de inversión en datasets de su catálogo. Las consultoras, un mercado con otros compradores: en su segmentación pública aparecen banca y seguros, comercio minorista y otros sectores, además de los fondos. Grand View atribuye a los hedge funds el 68,0 % de los ingresos de 2024; aun así, su mercado de fondos sería varias veces el gasto total de las gestoras según Neudata.
2. Cómo lo miden. Neudata publica su método y sus supuestos. Las páginas públicas de las consultoras no lo hacen: el método, si existe por escrito, está en el informe de pago.
3. Qué tasa suponen. Un 50 % anual multiplica el mercado por 7,6 en cinco años y por 58 en diez. El crecimiento medido por Neudata entre 2021 y 2025 fue del 13 % al 33 % anual. Una tasa sostenida del 50 % durante una década es una hipótesis extraordinaria, y ninguna de las páginas la justifica.

La cifra que importa al comprador

Para un fondo, el tamaño del mercado es contexto. Lo que decide es si un dataset concreto se paga. Neudata estima que el dataset medio de su catálogo ingresaba 1,1 millones de dólares al año de sus clientes gestoras en 2024¹; además del precio hay un coste interno de ingesta, limpieza, mapeo a empresas e investigación que la lección no puede medir con fuentes públicas. La celda supone 0,9 millones (una hipótesis del curso, no un dato) y calcula cuánto tiene que rendir el dataset, en puntos básicos sobre la cartera, para cubrir los dos costes:

precio, interno = 1.1e6, 0.9e6   # interno: hipótesis del curso
cartera = pd.Series([0.1, 0.5, 1, 5, 20, 50], name="cartera_mm")
aum = cartera.to_numpy() * 1e9
umbral = pd.DataFrame({
    "solo_precio_pb": precio / aum * 1e4,
    "con_interno_pb": (precio + interno) / aum * 1e4,
}, index=cartera)
umbral.round(1)

            solo_precio_pb  con_interno_pb
cartera_mm
0.1                  110.0           200.0
0.5                   22.0            40.0
1.0                   11.0            20.0
5.0                    2.2             4.0
20.0                   0.6             1.0
50.0                   0.2             0.4

Un fondo de 100 millones necesita 200 pb al año solo para cubrir el coste, algo que casi ningún dataset aporta a la cartera completa. Uno de 20.000 millones necesita 1 pb. Es la economía de escala que explica quién compra: los datos caros se concentran en carteras grandes y en estrategias que usan el mismo dato en muchas posiciones. Para un particular o un fondo pequeño, el camino realista es el dato propio y barato (fuentes públicas, scraping responsable, lección 6.7.3) o los datasets con precio por uso.

El otro lado de la cuenta es el decaimiento: cuantos más compradores tiene un dataset, antes se refleja su información en el precio. Neudata informa de que en 2025 el dataset típico tenía unos 20 clientes gestoras, frente a 25 en 202455Nota 5 · Neudata, nota de prensa «AI adoption is rising, but alt-data vendor spend hasn't» (Londres, 23-02-2026, https://www.neudata.co/press-release/ai-adoption-is-rising-but-alt-data-vendor-spend-hasn-t-neudata-report-finds, consultada el 2026-10-23): «around 20 investment clients on average, down from 25 in 2024»., y lo interpreta como fragmentación del mercado, no como saturación. En los datos del curso el decaimiento está plantado: la señal de las tarjetas pierde casi todo su valor desde que se «publica» su uso en 2021 (alt6_verdad_trimestral.csv, columna phi; lección 6.7.5).

Errores típicos

• Citar una cifra de mercado sin fecha ni definición. Las de 2025 van de 2.800 a 14.600 millones según quién mida qué. Sin definición, no se puede comparar con nada.
• Tomar una extrapolación por una previsión. Los rangos de Neudata para 2030 son el rango de 2024 crecido al 21 % anual; las cifras de las consultoras, una tasa aplicada a una base. Ninguna es un modelo del mercado.
• Mezclar informes. La cifra de 2024 del informe de 2025 (2.500 millones como mínimo) y la que implica el de 2026 (2.390 millones) salen de catálogos distintos. Un crecimiento calculado entre ellas no significa nada.
• Confundir gasto con valor. Que se gaste mucho en un tipo de dato no dice que funcione: Neudata cuenta lo que se paga, no lo que se gana. Las lecciones 6.7.4 y 6.7.5 tratan cómo se evalúa un dataset.
• Ignorar el coste interno. El precio de la licencia es solo una parte: ingesta, mapeo a empresas, control de calidad y research cuestan tanto o más, y no escalan con el tamaño de la cartera.

Ejercicios

1. Neudata da un gasto mínimo de 2.500 millones en 2024, 11.400 millones si se suman las fichas breves y un rango de 2.700 a 12.700 millones si el catálogo es el 90 % del gasto. Reconstruye el rango y explica la diferencia en el extremo bajo.

for v in (2.5, 11.4):
    print(f"{v} / 0.9 = {v / 0.9:.2f}")
v = np.arange(2400, 2600) / 1000
ok = v[(np.round(v, 1) == 2.5) & (np.round(v / 0.9, 1) == 2.7)]
print(f"redondea a 2.5 y da 2.7: de {ok.min()} a {ok.max()}")

2.5 / 0.9 = 2.78
11.4 / 0.9 = 12.67
redondea a 2.5 y da 2.7: de 2.451 a 2.474

2. Un proveedor te ofrece un dataset por 400.000 dólares al año y estima en 300.000 el coste de integrarlo. Tu fondo gestiona 2.000 millones, pero la señal solo afecta a un tercio de la cartera (las acciones que cubre el dataset). ¿Cuántos puntos básicos tiene que aportar en ese tercio para pagarse?

coste = 0.4e6 + 0.3e6
cubierta = 2e9 / 3
print(f"sobre toda la cartera: {coste / 2e9 * 1e4:.1f} pb")
print(f"sobre la parte cubierta: {coste / cubierta * 1e4:.1f} pb")

sobre toda la cartera: 3.5 pb
sobre la parte cubierta: 10.5 pb

3. Elige un informe de mercado de datos alternativos que no esté en la tabla. Anota qué mide, el año base, la tasa, el periodo y si publica el método. ¿Cuántas veces se multiplica el mercado en su horizonte con esa tasa? ¿Es compatible con los crecimientos medidos por Neudata?