No puede simplemente hackear su camino hacia el cambio social

«Tenemos muchos datos, pero no tenemos ni idea de lo que debemos hacer con ellos». El director de la fundación me miró con lástima al otro lado de la mesa. «Estábamos pensando en hacer un hackatón, o quizás en organizar un concurso de aplicaciones», sonrió. Sus compañeros de trabajo asintieron con impaciencia. Me estremecí.

Tengo esta conversación aproximadamente una vez a la semana. Repleta de datos, una organización —ya sea una organización sin fines de lucro de atención médica, una agencia gubernamental o una empresa de tecnología— quiere aprovechar desesperadamente los conocimientos que el bombo publicitario del «Big Data» le ha prometido. Cada vez más, recurren a los hackatones (eventos de fin de semana en los que programadores, fanáticos de los datos y diseñadores conspiran para crear soluciones de software en solo 48 horas) para obtener nuevas ideas y cubrir su déficit de capacidad. Hay mucho que decir sobre los hackatones: ofrecen a la comunidad tecnológica grandes oportunidades sociales y la recompensan con dinero y fama por sus soluciones, y las empresas tienen acceso gratuito a una comunidad de expertos diligentes a los que, de otro modo, no sabrían cómo llegar. Sin embargo, a pesar de todas estas ventajas, los hackatones no son ideales para resolver grandes problemas, como reducir la pobreza, reformar la política o mejorar la educación y, cuando se utilizan para interpretar los datos con impacto social, pueden resultar francamente peligrosos.

En Tipo de datos organizamos «DataDives», eventos de fin de semana que unen a organizaciones sin fines de lucro con científicos de datos gratuitos para resolver problemas sociales difíciles. No son fáciles de hacer bien. Eventos de datos como estos requieren requisitos especiales más allá de la media de un hackatón. Debe tener una definición clara del problema, incluir a personas que entiendan los datos, no solo el análisis de los datos, y ser muy sensibles con los datos que analiza.

Cualquier científico de datos que se precie su salario le dirá que tiene que empezar con una pregunta, NO con los datos. Lamentablemente, los hackatones de datos suelen carecer de definiciones claras de los problemas. La mayoría de las empresas piensan que si puede reunir hackers, pizza y datos en una habitación, ocurrirá magia. Es lo mismo que si Habitat for Humanity reuniera a sus voluntarios alrededor de un montón de madera y les dijera: «¡Hágalo!» Al final del día, le quedaría media terraza acristalada con 14 enchufes.

Sin expertos en la materia disponibles para articular los problemas con antelación, se obtienen resultados como los del Reinvente el hackatón ecológico. Reinvent Green fue una iniciativa municipal de Nueva York destinada a que los tecnólogos mejoraran la sostenibilidad en Nueva York. Los ganadores de este hackatón incluyeron una aplicación para ayudar a los ciclistas a «compartir bicicletas» juntos y una aplicación de inventario del mercado agrícola. Estas aplicaciones son geniales por sí solas, pero no resuelven los problemas de sostenibilidad de la ciudad. Resuelven los problemas de los participantes porque, como joven hacker adinerado, mi problema no es mejorar los programas de reciclaje de la ciudad, sino encontrar col rizada los sábados.

Para evitar este problema, las organizaciones tienen que estar dispuestas a dedicar tiempo y esfuerzo a analizar los problemas con los tecnólogos con antelación. Reinvent Green podría haber invitado a los directores de reciclaje, planificadores urbanos u otros expertos a conversar con los hackers antes del evento. Las organizaciones también tienen que estar dispuestas a ponerse manos a la obra con los fanáticos de los datos durante el fin de semana. No basta con arrojar los datos por la pared y esperar lo mejor.

Se necesitan expertos en la materia doblemente para evaluar los resultados del trabajo, especialmente cuando se trata de datos confidenciales sobre el comportamiento humano. Como científicos de datos, estamos bien preparados para explicar el «qué» de los datos, pero rara vez debemos abordar la cuestión del «por qué» en asuntos en los que no somos expertos. Tomemos, por ejemplo, una conclusión del equipo de datos de Uber que dice que los arrestos por prostitución aumentaron los miércoles basado en Oakland Crime Data. Una hipótesis para el repunte era que los cheques de la asistencia social se distribuían los miércoles, lo que significaba que más beneficiarios de la asistencia social tenían dinero para gastar en prostitución. Salvaje, ¿verdad? Sin embargo, un comentarista del sitio de Uber que había trabajado con el Departamento de Policía de Oakland señaló que los arrestos por prostitución se producen en las noches más tranquilas, por lo que tal vez no hubiera más incidentes de prostitución los miércoles, solo más arrestos por prostitución. Si hubieran participado expertos en los datos, como la detención de oficiales de policía, habría quedado claro.

Los estadísticos saben desde hace tiempo que el análisis de datos nos ayuda a entender nuestro mundo, pero nunca lo explica del todo. George Box dijo: «Todos los modelos son incorrectos, pero algunos son útiles». Lo que esto significa es que debemos estar atentos a la hora de comunicar que, si bien todos estos nuevos macrodatos nos darán una visión nueva y maravillosa de nuestro mundo, ningún resultado por sí solo debería ser la verdad definitiva.

Tomemos, por ejemplo, un proyecto que la Fundación Grameen presentó a un evento de DataKind. El trabajador del conocimiento comunitario el programa emplea a trabajadores ugandeses para proporcionar a los agricultores rurales información agrícola oportuna a través del teléfono móvil. Grameen quería utilizar los datos móviles para evaluar cuáles de sus trabajadores en Uganda eran «buenos» y cuáles eran «malos». Si solo observa el número de veces que un trabajador da información a alguien, se identifica a un grupo determinado de personas como personas con buen desempeño. Si, en cambio, observa el número de granjeros a los que un trabajador da información, se considera efectivo un conjunto muy diferente. ¿Qué métrica es la correcta? Bueno, los dos. Y ninguno de los dos. No son más que diferentes perspectivas sobre los mismos datos. Juntas forman una imagen más rica del mundo para la Fundación Grameen, pero ninguna de las dos debe considerarse «correcta».

Vivimos tiempos emocionantes y prometedores. La avalancha de datos que estamos recopilando arrojará información nueva y revolucionaria, algunas de las cuales las obtendrán voluntarios entusiastas en los hackatones. Sentemos las bases de su éxito reuniendo equipos de talla mundial para que hagan las preguntas correctas, colaborando en las mejores interpretaciones de los datos y esforzándonos, siempre, por ser sensibles. Los datos no son solo una hoja de cálculo o una base de datos: somos nosotros. Son las personas que nos importan. Es nuestro mundo. No nos limitemos a hackearlo.

Únase a la conversación y vuelva a consultar las actualizaciones periódicas. Siga el centro de información de Scaling Social Impact en Twitter @ScalingSocial y envíenos su opinión.

Aumentar el impacto social
Información de HBR y The Bridgespan Group

• Los contadores salvarán el mundo
• Conozca la diferencia entre sus datos y sus métricas
• La presencia en Facebook es una pista importante para el futuro de una empresa social
• Envíenos su opinión y reciba un artículo gratuito de HBR