10 claves para que las organizaciones humanitarias aprovechen el ¡®big data¡¯

Debido a la creciente digitalizaci¨®n de nuestra vida, cuando usamos el tel¨¦fono m¨®vil, las redes sociales, los buscadores, tarjetas de cr¨¦dito... estamos generando una cantidad masiva de datos. El big data est¨¢ de moda, y haciendo uso de la ciencia de los datos, las organizaciones pueden tomar mejores decisiones en tiempo real basadas en evidencias y modelos predictivos.

La revoluci¨®n digital es global y el uso de nuevas fuentes de datos tambi¨¦n es una oportunidad para hacer m¨¢s efectivo el trabajo de las organizaciones humanitarias. Nuevos tipos de datos pueden ayudar a tener informaci¨®n de poblaciones vulnerables en tiempo real que de otro modo tardar¨ªamos meses en conseguir y adem¨¢s a precios muy altos, o incluso, como en el caso de pa¨ªses en conflicto, informaci¨®n que directamente no podr¨ªamos obtener.

Ya hay ejemplos que muestran c¨®mo el big data puede ayudar al desarrollo sostenible y a la acci¨®n humanitaria. El an¨¢lisis de la informaci¨®n compartida en las redes sociales sirve para identificar rumores falsos que crean opiniones err¨®neas sobre temas tan importantes como la vacunaci¨®n; los datos agregados de patrones de tr¨¢fico de telefon¨ªa m¨®vil permiten predecir c¨®mo se mueven las poblaciones y c¨®mo se propagan enfermedades como la malaria o el c¨®lera; la red de distribuci¨®n de agua en un campo de refugiados se puede optimizar gracias al an¨¢lisis de los datos de sensores en los tanques de agua; los datos postales permiten analizar las conexiones entre distintos puntos de la geograf¨ªa y tener una visi¨®n en tiempo real de c¨®mo funciona la econom¨ªa mundial. Incluso es posible entender c¨®mo se recuperan econ¨®micamente las regiones afectadas por cat¨¢strofes naturales a trav¨¦s del an¨¢lisis de las transacciones financieras.

El big data no es el nuevo petr¨®leo como muchos dicen, sino la nueva energ¨ªa verde. Los datos se pueden reciclar completamente y reutilizar para otros prop¨®sitos sostenibles. Si trabajas en el sector humanitario o en el lado de los n¨²meros, estas son 10 de las barreras que hay que superar:

1. Identificar los verdaderos problemas?

El an¨¢lisis de big data no es una soluci¨®n, sino una herramienta para resolver un problema existente. Analizar los datos simplemente porque tenemos acceso a ellos puede no tener valor para tu organizaci¨®n. Por eso, definir primero el problema de manera muy precisa es imprescindible para no desviarnos del objetivo perdi¨¦ndonos en datos que no nos ayudan. Si eres un responsable de un programa probablemente tendr¨¢s que realizar varias iteraciones para definir el proyecto y refinar el enunciado de tu problema. Muchas veces no sabemos lo que no sabemos. La fase de dise?o de un proyecto tarda tanto tiempo como la de implementaci¨®n. Buscar inspiraci¨®n en otros ejemplos es clave.

Esta gu¨ªa te muestra paso a paso c¨®mo dise?ar un proyecto de innovaci¨®n con datos.

2. Los datos por s¨ª mismos no te dan conocimiento

El acceso a la fuente de datos es solo el principio del camino. Para destilar informaci¨®n necesitas metodolog¨ªas claras, la existencia de estudios previos y un buen equipo. Y tambi¨¦n aliados y socios con quienes colaborar. No hay magia, y probablemente el discurso en los medios simplifica demasiado lo que es posible hacer y lo que no con el big data. En este enlace tienes ejemplos de proyectos de innovaci¨®n con datos de UN Global Pulse.

3. Encontrar terapeutas y traductores de datos

Normalmente, las personas que trabajan con datos y las que lo hacen en un contexto humanitario no hablan el mismo idioma: no comparten vocabulario ni son capaces de alinear sus objetivos. Las organizaciones necesitan perfiles h¨ªbridos: por ejemplo traductores capaces de interpretar ambas partes de la discusi¨®n. Muchas veces, lo que creemos que es un problema de big data no lo es y adem¨¢s ya tiene una soluci¨®n probada y sencilla. Todo lo que necesitas es algunas sesiones de terapia de datos con alguien que te aconseje y te guie en los primeros pasos.

Esta es la composici¨®n multidisciplinar de los equipos de los labs de UN Global Pulse.

4. Validar los sistemas que utilizan big data con datos tradicionales

Tienes que entender cu¨¢l es la relaci¨®n entre las fuentes de big data y el mundo real. Uno de los pasos fundamentales para asegurarnos de la validez de las innovaciones es hacer un estudio retrospectivo que compara los resultados obtenidos mediante fuentes de datos tradicionales con los obtenidos con las fuentes de big data. Adem¨¢s, es importante se?alar que el procesado de grandes cantidades de informaci¨®n consta t¨ªpicamente de dos etapas: la preparaci¨®n de los datos y el an¨¢lisis. Aunque limpiar y preparar los n¨²meros se puede considerar un arte, es una ciencia, y como tal requiere de metodolog¨ªas robustas y probadas. No es necesario reinventar la rueda en cada proyecto.

Esta investigaci¨®n estima niveles de pobreza en funci¨®n de metadatos agregados de uso de telefon¨ªa m¨®vil y valida los resultados con encuestas demogr¨¢ficas y de salud.

5. Hacer ingenier¨ªa inversa de la representatividad de las fuentes?

Esperar que las fuentes de big data hagan un muestreo perfecto de toda la sociedad no es realista. Lo interesante es que muchas veces, en lugar de tener datos de un 0,1% de la poblaci¨®n estad¨ªsticamente representativo, tenemos una fuente de datos que cubre al 30% de la poblaci¨®n, pero con unas caracter¨ªsticas demogr¨¢ficas particulares. Hay que asumirlo y aprovecharse de ello.

En esta investigaci¨®n se obtiene una aproximaci¨®n de las estad¨ªsticas de desempleo en Espa?a utilizando informaci¨®n extra¨ªda de redes sociales.

6. La caja negra no tiene coraz¨®n (todav¨ªa)

Cualquier proyecto que tenga que ver con datos tiene que respetar unos principios de privacidad. Antes de empezar es necesario realizar una evaluaci¨®n para ser conscientes de los riesgos que puede representar para individuos y grupos de personas acceder o usar ciertos datos. Los riesgos no solo est¨¢n relacionados con el acceso a informaci¨®n, sino tambi¨¦n con los m¨¦todos de an¨¢lisis y procesado. Algunos algoritmos que funcionan como cajas negras, porque est¨¢n programados por inteligencia artificial, pueden tener comportamientos discriminatorios. Por ejemplo, un algoritmo de selecci¨®n de personal para un puesto de trabajo podr¨ªa resultar machista si la m¨¢quina ha aprendido a puntuar mejor a los candidatos de sexo masculino porque ha inferido que en esa empresa suelen llegan a posiciones m¨¢s altas. En un futuro muy cercano tendremos que decidir c¨®mo incluir los principios de los derechos humanos en sistemas de inteligencia artificial.

Estos son los principios de privacidad de datos que utiliza UN Global Pulse y un informe reciente de la Casa Blanca sobre el futuro de la inteligencia artificial.

7. La desigualdad es creciente

Las compa?¨ªas privadas m¨¢s poderosas est¨¢n creando estructuras que les permiten tomar decisiones basadas en datos para sus negocios. Este campo de trabajo est¨¢ a¨²n dando sus primeros pasos, as¨ª que la barrera de entrada es relativamente baja. Sin embargo, el crecimiento es exponencial, por lo que si el sector p¨²blico y las organizaciones humanitarias esperan demasiado para establecer sus unidades de especialistas de datos, puede que sea demasiado tarde y caro. Hay muchas estructuras posibles que una organizaci¨®n puede usar: desde un equipo peque?o de traductores de datos y servicios externalizados, hasta un equipo de ciencia de datos centralizado que sirva a toda la organizaci¨®n, o m¨²ltiples unidades peque?as de expertos distribuidas en los diversos departamentos.

Data Science Africa es un f¨®rum ¨²nico que re¨²ne a una comunidad de expertos y estudiantes aplicando ciencia de los datos para desarrollo y acci¨®n humanitaria.

8. Encontrar el momento adecuado para introducir innovaciones durante las emergencias

Antes de probar una innovaci¨®n basada en datos en una emergencia, debes de haber realizado una prueba de concepto o prototipo basado en un an¨¢lisis retrospectivo o en una simulaci¨®n. A partir de ah¨ª, la clave ser¨¢ encontrar ese delicado equilibrio que permite introducir nuevos m¨¦todos en los protocolos de actuaci¨®n existentes sin perturbarlos, respetando las caracter¨ªsticas y presiones a las que se ven sometidos los trabajadores humanitarios durante las emergencias. La co-creaci¨®n de prototipos con el usuario final en el terreno es fundamental para la que las nuevas herramientas sean de verdad ¨²tiles.

El informe de ACNUR?Beyond Technology 2015 muestra varios ejemplos de innovaciones introducidas en emergencias.

9. Los datos no siempre dicen lo que quieres escuchar

Muchas veces, el ruido es mayor que la se?al y los datos no muestran nada relevante. Otras veces, pueden decir demasiado: algo inesperado o informaci¨®n muy detallada que puede perjudicar a la gente que est¨¢s intentando ayudar, tus socios o incluso tu propio equipo. La confianza en las innovaciones no se gana de un d¨ªa para otro.

10. Todav¨ªa no se ha medido de manera sistem¨¢tica el impacto de las innovaciones con big data en el sector humanitario. Entonces, ?qu¨¦?

La cuesti¨®n clave es: ?qu¨¦ tipo de decisiones se pueden tomar basadas en los nuevos tipos de datos? Medir el impacto de esas decisiones ayudar¨¢ a crear el modelo de negocio para la adopci¨®n de m¨¢s innovaciones en el campo del desarrollo sostenible y la acci¨®n humanitaria. Una vez que los trabajadores relacionados con el desarrollo entiendan el retorno de la inversi¨®n en big data basado en el impacto, entonces podremos dar un giro a la conversaci¨®n y empezar a medir los costes (financieros y humanos) de no usar nuevos tipos de informaci¨®n, promoviendo el escalado de estas nuevas ideas.

Miguel Luengo-Oroz es Chief Data Scientist de UN Global Pulse, una iniciativa de la ONU que promueve el uso responsable de la ciencia de los datos para el bien com¨²n. Como primer cient¨ªfico de datos de la ONU, desde 2011, ha sido pionero en su uso para desarrollo sostenible y la acci¨®n humanitaria. Luengo-Oroz es tambi¨¦n el fundador de malariaspot.org en la Universidad Polit¨¦cnica de Madrid, una plataforma de innovaci¨®n social que utiliza videojuegos, inteligencia artificial e impresi¨®n 3D para el diagn¨®stico de malaria y otras enfermedades globales.

Este art¨ªculo es una traducci¨®n y adaptaci¨®n de Natalia Rodriguez Ib¨¢?ez del original 10 big data science challenges facing humanitarian organizations publicado en la web del equipo de innovaci¨®n del Alto Comisionado de las Naciones Unidas para los Refugiados.