Lo que necesitan las AAPP para acercarse a la ciencia de datos

"Las Administraciones tienen tantos datos que los piden por tenerlos, pero no los disfrutan de manera general"

Por Sergio Jiménez.- Analítica Pública blog.- Si os digo la verdad, hacía mucho tiempo que no pasaba por el Congreso Novagob, y ha sido 2021, con un océano de por medio, el año en que, gracias a las videoconferencias, no ha quedado raro que participara desde una pantalla. Uno siempre tiene una cierta ilusión, incluso cuando en este formato falla lo mejor de los congresos, que es ver gente. En todo caso, tuve la ocasión de hablar sobre empezar a usar Ciencia de Datos en las AAPP, pero, en media hora, ¿qué podría contar para que fuera algo completo, pero ajustado? Pues aquí os lo cuento.

Aunque ya hablamos de los pasos para hacer un proyecto de ciencia de datos más «formal» aquí hacemos una aproximación ontológica. Si queréis ver un caso algo más práctico, en el blog de Gobierno, os cuento como estamos trabajando en este campo para predecir el número de ofertas en una licitación.

En este post podrás ver:

1.- ¿De verdad necesitan más datos las AAPP?

2.- Lo que se necesita para hacer ciencia de datos en las AAPP

3.- Ciencia de datos como si fueras un grupo de veteranos de la guerra del Vietnam

4.- Cuando los planes no salen bien

5.- En resumen

1.-¿De verdad necesitan más datos las AAPP?

Una cuestión habitual a la hora de hablar de usar los datos en las organizaciones (públicas o privadas) es la objeción básica: no hay suficientes datos. Yo suelo llamar a esto procrastrinación cognitiva: siempre piensas que no sabes lo suficiente para hacer algo porque, por definición, siempre puedes saber más. Con los datos pasa lo mismo: siempre encontrarás la objeción de que faltan datos, y podrá sonar razonable porque, efectivamente, siempre se te ocurren más cosas que se pueden saber.

Sin embargo, ¿impide esa falta de datos empezar a hacer un proyecto de datos? O, más concretamente ¿necesitan las AAPP más datos para hacer Ciencia de Datos? La verdad es que la Administración tiene datos de sobra, lo sabemos porque muchas veces somos nosotros mismos los que los damos una y otra y otra y otra vez, hasta el infinito. Para mí, la actitud de las AAPP es como la de la escena del restaurante en El Sentido de la Vida, de Monty Python, en la que un señor obeso se come toda la carta del restaurante hasta reventar sin disfrutar un solo plato. Las Administraciones tienen tantos datos que los piden por tenerlos, pero no los disfrutan de manera general.

Más que pensar en si tenemos suficientes datos, la clave es preguntarse ¿Qué puedo hacer con los datos que tenemos a mano?

2.-Lo que se necesita para hacer ciencia de datos en las AAPP

La verdad es que, mucho más que datos, necesitamos un propósito, saber qué es lo que vamos a hacer con ellos. Esta necesidad es la que nos tiene que guiar en cualquier proyecto. Uno hace algo con la ciencia de datos cuando tiene algún propósito con el problema.

Como me gusta pensar en hacer cosas más o menos amenas para este tipo de conferencias, en este caso hablé del Equipo A como ejemplo de lo que hace falta para un proyecto de este tipo. Podríamos hablar de todo lo que hacía que la serie de los años 80 fuera lo que era, pero, en realidad, la magia del equipo A, era que al final se ponían de lado del débil para resolver sus problemas. Un proyecto es importante si su propósito es importante (y lo es más si su resultado es igual de importante, pero esto es difícil de saber antes de empezar).

Un trabajo de ciencia de datos requiere múltiples competencias. Si tienes suerte, recursos y una organización grande, cada una de ellas la hará un perfil especializado. Si tienes menos recursos, una persona, o unas pocas, tendrán que asumirlas, y no siempre con la mayor habilidad… pero esto es irrenunciable. ¿Qué competencias son?

3.- Ciencia de datos como si fueras un grupo de veteranos de la guerra del Vietnam

El liderazgo. En el Equipo A, Hannibal Smith era el jefe, que valoraba si aceptaban el caso hablando con quienes les querían contratar y hacía el plan. No es sólo tomar decisiones de qué se hace: decide si el problema entra en los valores o ideas del equipo. Además, coordina el resto de perfiles aporten al proyecto al máximo a la misión y toma las decisiones de qué hacer en cada momento. No hace mucho más, pero tiene que hacer que todos cumplan con su objetivo.

La inventiva. Quien lleva al Equipo A es Murdock, que, para que negaros, era mi favorito. Lo interesante de Murdock es que, además de pilotar, estaba un poco loco (en los tiempos en los que frivolizar con la salud mental no era un problema, algo que no echo de menos, pero que, en su momento, tenía gracia). No es casualidad que quien te lleve a los sitios sea quien piense de una manera diferente. Para plantear soluciones a problemas (recordemos, siempre hay que ir al problema) es muy útil trazar nuevos cursos, y para eso, pensar de manera diferente es extremadamente útil.

La fuerza. MA Barracus (me costó años y conocer a un irlandés para saber que MA venía de Mala Actitud) encarnado por Mister T, era no sólo el musculoso conductor de la furgoneta negra, era el que soldaba lo-que-sea a un vehículo y le ponía un ventanuco para disparar como si fuera un coche blindado. Es nuestro perfil técnico, no sólo tiene la fuerza bruta, es el que hace esa parte básica para cumplir el plan de Hanibal. Omito cualquier comentario acerca del odio MA(técnico) con Murdock (analista), porque es muy de nicho.

La elegancia. Fénix es el que guapetón que conseguía todo convenciendo. En mi experiencia, por muy buen plan y buenos datos que tengas, si no sabes contarlo bien y claramente, no se consiguen consolidar los cambios. Hay que seducir y transmitir, y eso lo hace este perfil.

4.-Cuando los planes no salen bien

Si recordáis, al final, los buenos ganaban (casi siempre) sin heridos (casi siempre también), Hannibal decía «Me encanta que los planes salgan bien. Sin embargo, en un proyecto de Ciencia de Datos, no siempre van a salir los planes bien a la primera. Eso sí, casi nunca hay heridos, salvo cuando las cosas llegan a mayores entre analistas y técnicos. Sin embargo, hay cosas que pueden acabar con el Equipo A y con tu proyecto de datos…

La falta de ganas. A veces parte del capítulo del Equipo A requería que convencieran a Anibal de aceptar un caso, o, lo que es más, a esa pobre gente avasallada por una banda criminal, de que llamara al Equipo A. Nada mata más proyectos que la falta de gana y la procrastinación cognitiva.

La falta de humildad. Otras veces, en los capítulos dobles, al Equipo A les daba para el pelo el villano o villanos de turnos porque no son del género tonto habitual que se encontraban. Si Hannibal no rectifica, ahí terminaban las andanzas del equipo. Malo es equivocarse en un proyecto de datos, pero peor es hacerlo y no darse cuenta o no reconocerlo, dado que esa validación casi automática que le damos a casi todo lo «hecho con datos» hace que la gente se crea casi cualquier cosa. De hecho, el 83% de la gente compartiría una noticia que mencione cifras antes que una que no las incluya, incluso sin verificarlas (lo habéis pillado ¿no?)

El sentido. Sin embargo, lo que sin duda mató al Equipo A fue cuando pasaron de resolver problemas de gente indefensa (que importaban) para trabajar para el gobierno de EEUU de manera encubierta para cosas que, a fin de cuentas, no nos importaban nada. Los productores intentaron de todo, hasta meter un tipo que manejaba explosivos con coleta (¡!), pero ni por esas se salvaron de la cancelación. Cuando un proyecto deja de tener una finalidad importante, el proyecto deja de importar.

5.- En resumen

Para hacer un proyecto de datos es fundamental tener ganas de hacerlo y buscar una causa realmente importante que haga que valga la pena. Un proyecto de ciencia de datos no tiene por que ser un proyecto gigante, basta tener datos, saber ordenarlos y operarlos en la medida de las posibilidades de cada organización. A partir de ahí, desde una humilde hoja de cálculo a un sistema de big data, no son más que escalas, pero lo importante es el cambio.

Por el otro lado, hay que mantener los valores de servicio público para hacerlo real. Es muy sencillo delegar en un algoritmo una decisión, pero lo que hará que tengamos una ciencia de datos al servicio de todas las personas, es la visión de servicio público. Por eso es importante que sean las propias administraciones las que construyan este modelo.