Este artículo se publica en colaboración con Project Syndicate.
Los rápidos avances tecnológicos han reducido drásticamente el costo de recopilar datos. Los sensores en el espacio, el cielo, el laboratorio y el campo, junto con las nuevas oportunidades de crowdsourcing y la adopción generalizada de Internet y de los teléfonos móviles, están poniendo a disposición grandes cantidades de información para quienes antes no podían acceder a ella. Un pequeño agricultor de las zonas rurales de África, por ejemplo, puede hoy consultar pronósticos meteorológicos y precios de mercado con solo tocar una pantalla.
Fuente: ‘Big Data, Big Impact’, informe del Foro Económico Mundial.
Esta revolución de los datos ofrece un enorme potencial para mejorar la toma de decisiones en todos los niveles, desde el agricultor local hasta las organizaciones de desarrollo de alcance mundial. Pero recopilar datos no basta. La información también debe gestionarse y evaluarse, y hacerlo adecuadamente puede resultar mucho más complejo y costoso que el esfuerzo de recopilarla. Si las decisiones que se pretende mejorar no se identifican y analizan primero de forma adecuada, existe un alto riesgo de que gran parte del esfuerzo de recopilación se desperdicie o se dirija mal.
Esta conclusión se basa, a su vez, en un análisis empírico. La evidencia es débil, por ejemplo, en cuanto a que las iniciativas de monitoreo en la agricultura o la gestión ambiental hayan tenido un impacto positivo. El análisis cuantitativo de las decisiones en numerosos ámbitos, entre ellos la política ambiental, las inversiones empresariales y la ciberseguridad, ha demostrado que las personas tienden a sobrestimar la cantidad de datos necesaria para tomar una buena decisión o a malinterpretar qué tipo de datos se necesitan.
Además, pueden producirse errores graves cuando los grandes conjuntos de datos se analizan mediante algoritmos de aprendizaje automático sin haber examinado primero adecuadamente la decisión que debe tomarse. Existen numerosos casos en los que la minería de datos ha llevado a conclusiones erróneas, incluidos diagnósticos médicos o casos judiciales, porque no se consultó a expertos del campo y se omitió información crítica del análisis.
La ciencia de la decisión, que combina la comprensión del comportamiento con principios universales de la toma de decisiones coherente, limita estos riesgos al combinar datos empíricos con conocimiento experto. Si la revolución de los datos ha de aprovecharse al servicio del desarrollo sostenible, las mejores prácticas de este campo deben incorporarse al esfuerzo.
El primer paso consiste en identificar y definir las decisiones que se repiten con frecuencia. En el ámbito del desarrollo, estas incluyen decisiones de gran escala, como las prioridades de gasto y, por tanto, la asignación presupuestaria de los gobiernos y las organizaciones internacionales. Pero también abarcan decisiones a una escala mucho menor: los agricultores que deciden qué cultivos sembrar, cuánto fertilizante aplicar y cuándo y dónde vender sus productos.
El segundo paso es construir un modelo cuantitativo de las incertidumbres de tales decisiones, incluidos los distintos desencadenantes, consecuencias, controles y mitigantes, así como los diferentes costos, beneficios y riesgos que intervienen. Incorporar –en lugar de ignorar– los factores difíciles de medir y altamente inciertos conduce a las mejores decisiones.
Cuando se ponen al servicio del desarrollo sostenible, un modelo de este tipo suele implicar proyectar el impacto de las intervenciones en los medios de vida y en el medio ambiente a lo largo de varias décadas. Este proceso resulta más eficaz cuando se incorpora a los actores interesados, además de a los expertos, para identificar las variables pertinentes y sus relaciones. Estos participantes deben recibir formación para proporcionar estimaciones cuantitativas de la incertidumbre de las distintas variables. Por ejemplo, los expertos podrían estimar, con un 90 % de confianza y sobre la base de los datos disponibles y de su propia experiencia, que el rendimiento medio del maíz de los agricultores en una región determinada se sitúa entre 0,5 y 2 toneladas por hectárea.
El tercer paso consiste en calcular el valor de obtener información adicional, algo posible solo si se ha cuantificado la incertidumbre de todas las variables. El valor de la información es la cantidad que un responsable de decisiones racional estaría dispuesto a pagar por ella. Por tanto, necesitamos saber dónde los datos adicionales tendrán valor para mejorar una decisión y cuánto debemos gastar para obtenerlos. En algunos casos, puede que no se necesite más información para tomar una decisión acertada; en otros, adquirir datos adicionales podría valer millones de dólares.
Este proceso se repite hasta que obtener más datos ya no aporta valor y se alcanza una decisión acertada –una conclusión lógica, basada en la información, los valores y las preferencias de los responsables de las decisiones o del órgano decisorio–. Proporciona a los responsables de las decisiones y a los actores interesados una visión de cómo mejorar las políticas para maximizar los resultados positivos y reducir riesgos, como la posibilidad de bajas tasas de adopción o una capacidad institucional limitada para una implementación eficaz.
No basta con suponer que la revolución de los datos beneficiará al desarrollo sostenible. Para asegurarlo será necesario reconocer la importancia de un análisis riguroso en cada esfuerzo de recopilación de datos y formar una nueva generación de científicos de la decisión que trabajen junto a los responsables de políticas.
La publicación no implica el respaldo de las opiniones por parte del Foro Económico Mundial.
Para mantenerse al día con la Agenda suscríbase a nuestro boletín semanal.
Autor: Keith D. Shepherd dirige el Dominio Científico sobre Decisiones de Salud de la Tierra en el Centro Mundial de Agroforestería (ICRAF), en Nairobi, Kenia.
Imagen: Un hombre escribe en un teclado de ordenador en Varsovia. REUTERS/Kacper Pempel/Files.
