Cada día que pasa se generan datos sobre múltiples temas en diferentes campos, ahora que es posible recabarlos de forma ordenada y hacer uso de la tecnología para interpretarlos adecuadamente conforme a nuestras preferencias, se puede tomar ventaja de los resultados o análisis que se hagan.
Estos datos ya se han usado en casos como extracción de datos en tiempo real para estimar la inflación para contrarrestar una crisis de alimentos, en un experimento con imágenes de satélite para medir niveles de pobreza y dirigir los programas de ayuda y finalmente para controlar el ébola.
En DataKind y Tableau Foundation, generalmente trabajamos con organizaciones sin fines de lucro que tienen preguntas importantes que responder, pero no necesariamente los datos para hacerlo. O, por lo menos, consideran que no cuentan con los datos para hacerlo.
La verdad es que en esta impresionante época de internet, satélites, sensores y extrema conectividad, existe una abundancia de datos que se crean alrededor de nosotros y que se pueden explorar, comprender y usar para obtener conocimientos nuevos sobre nuestro mundo y transformar casi todos los sectores. Usar los datos para bien es un desafío; desde encontrar los mejores datos, estructurarlos para aprovechar su potencial y comunicar los resultados de manera eficaz, el camino es siempre diferente y nunca aburrido. Nos entusiasma compartir a continuación tres de nuestras trayectorias favoritas, que no solo muestran que los datos están a nuestro alrededor, sino que también pueden ser una fuerza enorme para el bien.
EXTRACCIÓN DE FUENTES DE DATOS EN TIEMPO REAL PARA ESTIMAR LA INFLACIÓN: EL BANCO MUNDIAL
En 2009, Kenia enfrentaba una crisis grave de alimentos: un millón de personas se enfrentaban a la inanición y el problema se agravó por la inflación extrema que era difícil de medir para los gobiernos y los bancos. Toma tiempo recopilar los datos sobre los precios de los alimentos que se usan para calcular los índices de inflación; además, los datos solo existen a nivel nacional e ignoran las diferencias regionales. Esto no es suficiente cuando hay una crisis en proceso.
En un proyecto de DataKind con el Banco Mundial, Max Richman dirigió un equipo de voluntarios para extraer nuevas fuentes de datos con el fin de obtener mejores estimaciones, incluso en tiempo real, sobre la inflación:
-humuch.com: desde este sitio, que registra los precios globales de los alimentos, se extrajeron los precios del plátano por continente.
-mFarm: desde esta plataforma de mercado, se extrajeron mil días de información de precios sobre el maíz seco, que es un alimento básico en Kenia.
-Pick n’ Pay: sitio web de la cadena sudafricana de alimentos de donde se extrajeron los datos de precios de 11 tipos esenciales de alimentos.
El equipo complementó estos datos con otros del Banco Mundial y la Organización de las Naciones Unidas para la Alimentación y la Agricultura, y datos extraídos de tres sitios web sobre el costo de la vida: Numbeo, Xpatulator yExpatisan, para validar que la información recolectada fuera exacta. Como resultado de ello, el Banco Mundial no solo pudo identificar los precios de los alimentos básicos a niveles subnacionales, sino que también usó la información para detectar una inminente crisis de alimentos.
EXPERIMENTO CON IMÁGENES DE SATÉLITE PARA MEDIR LA POBREZA Y DIRIGIR LOS PROGRAMAS DE AYUDA: GIVEDIRECTLY
GiveDirectly es una organización no lucrativa que hace algo realmente radical. Detecta algunos de los hogares más pobres de las zonas rurales de Kenia y Uganda, y les da dinero a través de una transferencia por celular, sin ningún compromiso. Los destinatarios son libres de usar el dinero para alcanzar sus propios objetivos.
GiveDirectly apunta a los más pobres entre los pobres. Descubrió que un simple pero eficaz agente de la pobreza, en las zonas donde opera, es el tipo de materiales de la vivienda que usa una familia para su casa, lo cual tiene una fuerte correlación con los niveles de pobreza en los datos de encuestas nacionales. En esta parte del mundo, muchas familias invierten el dinero en efectivo disponible en un techo de metal, que dura por años. Quienes no pueden pagar las planchas de metal se conforman con techos de paja, que pueden tener fugas y necesitan reparaciones y sustituciones frecuentes. Por lo general, su personal saldría y contaría la proporción de techos de metal frente a los de paja en una aldea, para determinar adónde enviar sus fondos, pero esta es una tarea costosa que requiere un trabajo intenso. También es una tarea que puede automatizarse… con los datos correctos.
El acervo de imágenes satelitales de Google Maps proporcionó imágenes del campo de Kenia y Uganda que se analizaron con el fin de identificar los tipos de techos que usaban en un pueblo específico. Joy Sun, directora de operaciones de GiveDirectly en ese momento, contó con la ayuda de Brian Abelson y Kush Varshney, dos embajadores de datos de DataCorps. Brian y Kush crearon un algoritmo de procesamiento de imágenes, basado en el aprendizaje automático, que estimaría si una casa tenía un techo de paja o de metal según las imágenes satelitales. Pensaron que podrían usar esto para averiguar la proporción de hogares con techo de paja o de metal en un pueblo, y por lo tanto, determinar qué tan pobre era el pueblo en conjunto. Para enseñar al algoritmo, recurrieron a un enfoque colaborativo abierto y reclutaron a diez voluntarios de DataKind para etiquetar, en el transcurso de un fin de semana, casi mil 500 imágenes por medio de una aplicación interactiva basada en la web que ellos desarrollaron.
El algoritmo identificaba las casas individuales en una imagen usando el emparejamiento de plantillas, y fue capaz de identificar el umbral de color que clasificaba el material de los techos como paja o metal. Después, el algoritmo se aplicó en un pueblo entero para determinar la proporción de casas con techo de paja y de metal. Aunque GiveDirectly no implementó finalmente el algoritmo por varias razones, el proyecto muestra el potencial de las imágenes satelitales y el aprendizaje automático para ayudar a los esfuerzos humanitarios, y de hecho, vemos que este enfoque se usa en otros casos. Por ejemplo, el Laboratorio Global Pulse de la ONU en Kampala explora un enfoque muy similar, mediante imágenes satelitales y el conteo de techos como una forma de medir la pobreza en Uganda.
COMBATIR EL ÉBOLA CON DATOS: NETHOPE
Cuando se combate una enfermedad contagiosa y mortal como el ébola, es importante que la información sobre la enfermedad se divulgue más rápido que la enfermedad misma. Esa es la única manera en que las organizaciones de ayuda humanitaria y los funcionarios de gobierno pueden responder lo suficientemente rápido para frenar en seco un brote. NetHope ayudó a que esto sucediera en Guinea. Son una organización no gubernamental (ONG) que proporciona ayuda a la infraestructura de las comunicaciones de información para los grupos humanitarios en zonas de desastre.
Durante el brote de ébola, NetHope y Tableau Foundation colaboraron para usar los análisis de datos como un arma en el arsenal de recursos que las organizaciones estaban usando para frenar la enfermedad. NetHope necesitaba optimizar la prioridad y la disposición de la infraestructura de las comunicaciones para que las torres de telefonía celular y los costosos dispositivos de satélites se instalaran donde eran más necesarios, cerca de las unidades de tratamiento del ébola que carecían de conectividad y en áreas con altos índices de la carga de la enfermedad.
Los datos estaban por todas partes. Los datos de carreteras estaban en Open Street Maps. Los datos sobre la enfermedad provenían de trabajadores de salud comunitarios, ONG y fuentes gubernamentales, mientras que otros datos se encontraron en GitHub y en Humanitarian Data Exchange. No siempre fueron consistentes o limpios, pero eran cruciales.
¡Y la comunidad más amplia de Tableau estaba ahí para ayudar! Intervinieron maestros zen Tableau (clientes expertos de Tableau), y ayudaron a la experta en informática en crisis humanitarias de NetHope, la Dra. Jennifer Chan, a procesar los datos en visualizaciones sorprendentes: una visualización mostró la ubicación de las torres de telefonía celular, del equipo de satélite y de las unidades de tratamiento del ébola combinados con datos sobre la carga de la enfermedad para que las áreas con la mayor carga pudieran obtener una atención prioritaria. Otra visualización creó una imagen operacional común que permitió que las docenas de ONG que respondían a la emergencia comprendieran quién estaba haciendo qué y dónde podían utilizarse los recursos de manera más estratégica. Este esfuerzo monumental fue posible gracias a las generosas contribuciones de las habilidades y el tiempo de actores públicos, privados y ONG, que juntos combatieron la enfermedad con datos.
Adentrarse: Desde los datos extraídos hasta las imágenes satelitales y la visualización de fuentes de datos discrepantes, esperamos que estas historias lo hayan dejado claro: los datos están ahí para procesarlos y solo necesitan desenterrarse para afrontar desafíos difíciles.
Compartir nota:
