Contenidos
Charla «La perspectiva humana que hace falta en big data» de TEDxCambridge en español.
¿Por qué toman malas decisiones tantas empresas, aún cuando tienen acceso a una cantidad sin precedente de datos? Con historias desde Nokia hasta Netflix y los oráculos de la antigua Grecia, Tricia Wang desmitifica las grandes bases de datos e identifica sus debilidades, sugiriendo que en vez de en ellos nos concentremos en los «datos densos»–percepciones humanas valiosas, no cuantificables — para tomar las decisiones comerciales correctas y prosperemos en lo desconocido.
- Autor/a de la charla: Tricia Wang
- Fecha de grabación: 2016-09-29
- Fecha de publicación: 2017-07-19
- Duración de «La perspectiva humana que hace falta en big data»: 972 segundos
Traducción de «La perspectiva humana que hace falta en big data» en español.
En la antigua Grecia, cuando alguien, desde esclavos a soldados, poetas y políticos, necesitaba tomar una gran decisión sobre las preguntas más importantes, como, «
¿Debería casarme?
» o «
¿Deberíamos iniciar este viaje?
» «
¿Debería el ejército avanzar a este territorio?
» todos consultaban el oráculo.
Así funcionaba: traías una pregunta y te arrodillabas, y luego ella entraba en un trance.
Llevaba un par de días, y eventualmente salía del trance, dando sus predicciones como respuesta.
Desde los oráculos de huesos de la antigua China a la antigua Grecia, a los calendarios mayas, la gente ha buscado la profecía para enterarse de qué va a suceder.
Y eso se debe a que todos queremos tomar la decisión correcta.
No nos queremos perder de algo.
El futuro da miedo, es mucho mejor saber que podemos decidir con alguna garantía del resultado.
Bueno, tenemos un nuevo oráculo, y su nombre es big data.
o le llamamos «Watson» o «aprendizaje profundo» o «red neural».
Y estas son las preguntas que hacemos a nuestro oráculo ahora, «
¿Cuál es la forma más eficiente de enviar estos teléfonos de China a Suecia?
» O, «
¿Cuál es la probabilidad de que mi hijo nazca con un problema genético?
» O, «
¿Qué volumen de ventas podemos proyectar para este producto?
» Tengo una perra.
Se llama Elle, y odia la lluvia.
He tratado todo para re-entrenarla.
Pero como he fallado con esto, le consulto a un oráculo que se llama Cielos Oscuros, cada vez que salimos a caminar, para tener predicciones precisas para los próximos diez minutos.
(Risas)
Ella es tan dulce.
Por estas razones, nuestra industria de oráculos es de USD 122 000 millones.
A pesar del tamaño de esta industria, los dividendos son sorprendentemente bajos.
Invertir en big data es muy fácil, pero usar macrodatos es difícil.
Más del 73 % de los proyectos de big data no son rentables, hay ejecutivos que dicen: «Se repite el problema.
Invertimos en algún sistema de big data, y nuestros empleados no toman mejores decisiones.
Y definitivamente no generan ideas innovadoras».
Esto me parece muy interesante, porque soy etnógrafa de tecnología.
Estudio y aconsejo a empresas en las tendencias de uso de tecnología.
Una de las áreas que me interesan es el análisis de datos.
¿Por qué no estamos tomando mejores decisiones, especialmente compañías que tienen todos los recursos para invertir en estos sistemas de big data?
¿Por qué no les está facilitando nuevas estrategias?
Soy testigo, en 2009, empecé un puesto de investigadora en Nokia.
En esa época, Nokia era una de las empresas más grandes del mundo, dominaba los mercados emergentes como China, México e India…
todos sitios que yo había investigado bastante la forma de uso de tecnología de perfiles de bajos ingresos.
Pasé mucho tiempo en China, familiarizándome con la economía informal.
Trabajé como vendedora ambulante vendiendo comida a obreros.
Hice trabajo de campo, pasé días y noches en cibercafés, parando con la juventud china, para entender cómo estaban usando los videojuegos y móviles.
Y cómo los usaban en la migración del campo a las ciudades.
Con toda esta evidencia cualitativa que estaba coleccionando, noté claramente que iba a haber un gran cambio entre los pobres de China.
A pesar de estar rodeados de publicidad para productos de lujo, como inodoros sofisticados —
¿quién no quiere uno?
— y departamentos y autos, en nuestras conversaciones, me di cuenta de que los anuncios que realmente les interesaban eran los anuncios para iPhones, que les prometía acceso a esta vida de alta tecnología.
Incluso cuando viví con ellos en barriadas como esta, veía gente invirtiendo más de la mitad de su sueldo mensual para comprar un celular, y cada vez más, eran «shanzhai», que son imitaciones baratas de iPhones y otras marcas.
Son bastante usables, funcionan.
Y después de años de vivir con inmigrantes y trabajar con ellos, y básicamente hacer todo lo que ellos hacían, empecé a unir los datos…
desde las cosas que parecen al azar como yo vendiendo comida, a las cosas más obvias, como calcular cuánto gastan en las cuentas de móviles.
Así pude ver una figura más clara, más completa, de lo que estaba pasando.
Ahí me di cuenta de que hasta los más pobres de China iban a querer un teléfono inteligente, y que harían casi cualquier cosa por conseguir uno.
Acuérdense, los iPhones acababan de salir, era el 2009, o sea, hace ocho años, y los Androids se parecían más a los iPhones.
Y mucha gente inteligente y realista dijo: «Esos teléfonos inteligentes son una moda pasajera.
¿Quién quiere estar cargando esas cosas pesadas que se les gastan las baterías y que se rompen cada vez que se te caen?
» Pero yo tenía bastantes datos, y confiaba en mis ideas, así que estaba muy entusiasmada en compartirlas con Nokia.
Pero en Nokia no estaban convencidos, porque no era big data.
Dijeron: «Tenemos millones de datos, no hay ninguna indicación de que alguien quiera comprar teléfonos inteligentes, y tu lista de 100 datos, aún siendo diversa, es muy débil para tomarla en serio».
Yo les dije: «Nokia, tienen razón, por supuesto que no ven esto, porque Uds.
mandan encuestas suponiendo que la gente no sabe qué es un teléfono inteligente, así que claro que no van a obtener ningún resultado sobre demanda de teléfonos inteligentes.
Sus encuestas, sus métodos han sido diseñados para optimizar el modelo empresarial existente, y yo estoy mirando las dinámicas humanas emergentes, que no han pasado todavía.
Mirando fuera de las dinámicas del mercado para poder estar en la vanguardia».
¿Saben que le pasó a Nokia?
La empresa se cayó por un barranco.
Ese es el costo de ignorar algo.
Fue increíble.
Pero Nokia no está sola.
Veo organizaciones que desechan datos todo el tiempo porque no vienen de un modelo cuantitativo o no son compatibles con uno cuantitativo.
Pero no se debe a los grandes volúmenes de datos.
Es la manera en que los usamos; nosotros somos los responsables.
La reputación exitosa de big data se debe a cuantificaciones en ambientes bastante específicos, como redes eléctricas, logística de distribución, o códigos genéticos, cuando el análisis cuantitativo es de sistemas contenidos.
Pero no todos los sistemas son contenidos tan organizadamente.
Cuando uno cuantifica sistemas más dinámicos, especialmente sistemas que conciernen a seres humanos, hay fuerzas complejas e impredecibles, cosas que no sabemos modelar tan bien.
Y una vez que uno predice algo sobre la conducta humana, emergen nuevos factores, porque las condiciones cambian constantemente.
Por eso es un ciclo interminable.
Uno cree que sabe algo y aparece algo nuevo.
Por eso es que confiar solo en big data, incrementa la posibilidad de no ver algo, y a la vez nos da la ilusión de saberlo todo.
Lo que hace difícil de ver esta contradicción, y hasta de comprenderla, es algo que se llama predisposición cuantitativa que significa que inconscientemente valoramos más lo que podemos medir que lo que no es medible.
Y muy a menudo tenemos esta experiencia en el trabajo.
Quizás tenemos colegas que son así, o quizás la empresa es así, donde la gente tiene una fijación con un número, y no ve nada más, aún si tienen las pruebas en la punta de la nariz.
Y este es un mensaje muy atractivo, porque no hay nada malo en cuantificar; realmente da mucha satisfacción.
Me causa bienestar ver una hoja de cálculo Excel, hasta las más simples.
(Risas)
Es así: «¡Sí, la formula funciona! Todo está bien.
Todo está bajo control».
Pero el problema es que la cuantificación es adictiva.
Y cuando nos olvidamos de eso y no tenemos un sistema de control, podemos muy fácilmente desechar datos que no se pueden expresar numéricamente.
Es muy fácil caer en la idea milagrosa, como si existiera una solución simple.
Este es un momento peligroso para cualquier organización, en muchos casos, el futuro que predecimos no está en el pajar, es un tornado que se nos viene encima afuera del granero.
No hay peor riesgo que no ver lo desconocido.
Puede causar malas decisiones.
Puede causar que no veas algo importante.
Pero no es necesario que vayamos por ese camino.
Resulta que el oráculo de la antigua Grecia tiene la llave secreta para enseñarnos el camino hacia adelante.
Estudios geológicos recientes han demostrado que el Templo de Apolo, donde estaba el oráculo más famoso, fue construido sobre dos fallas sísmicas; y estas fallas emiten gases petroquímicos que están bajo la corteza terrestre, y que el oráculo estaba literalmente sentado sobre estas fallas, inhalando cantidades inmensas de gas etileno, por estas grietas.
(Risas)
Es verdad.
(Risas)
Todo es verdad, eso es lo que la hacía balbucear, alucinar, y entrar en trance.
¡Volar como una cometa!
(Risas)
(Aplausos)
Entonces cómo…
¿Cómo recibió alguien buenos consejos de ella en ese estado?
Bueno,
¿ven la gente que rodeaba al oráculo?
Toda esa gente que la está sujetando porque está un poquito mareada.
Y
¿pueden ver al hombre que está a su izquierda, con un cuaderno anaranjado?
Todos esos eran guías del templo, y trabajaban mano a mano con el oráculo.
Cuando las personas entraban y se arrodillaban, los guías se ponían a trabajar, después que la persona preguntaba, observaban su estado emocional, le hacían más preguntas, como: «
¿Por qué quieres saber esta profecía?
¿Quién eres?
¿Qué vas a hacer con esta información?
» Y después los guías usaban esta información, más etnográfica, esta información más cualitativa, e interpretaban los balbuceos del oráculo.
Así que el oráculo no estaba solo, y tampoco deberían estarlo los sistemas de big data.
Ahora, aclaremos, no estoy diciendo que los sistemas de big data estén inhalando gas o haciendo malas predicciones.
Al contrario, estoy diciendo que de la misma forma que el oráculo necesitaba los guías de templo, nuestros sistemas de big data también los necesitan.
Necesitan etnógrafos e investigadores que puedan colectar lo que yo llamo «datos densos».
Estos preciosos datos humanos, como historias, emociones, interacciones que no se pueden cuantificar.
Es el tipo de datos que colecté para Nokia, que se obtienen con pocas muestras, pero traen información trascendente.
Y lo que hace esto tan denso y sustancioso, es la experiencia de entender la narrativa humana.
Y eso es lo que ayuda a ver lo que hace falta en nuestros modelos.
Los «datos densos» arraigan nuestras preguntas de negocios en preguntas humanas y por eso integrando big data y «datos densos» formamos una figura más completa.
Los grandes volúmenes de datos nos ofrecen ideas en escala, sostienen lo mejor de la inteligencia artificial mientras que los «datos densos» nos ayudan a rescatar el contexto perdido que viene del uso de big data y le saca provecho a lo mejor de la inteligencia humana.
Y cuando se integra ambas cosas, la cosa se pone divertida, porque uno ya no trabaja solo con datos que ha recolectado.
También trabaja con datos que nunca ha recolectado.
Puede hacer preguntas como
¿por qué?
¿Por qué está pasando esto?
Ahora, cuando Netflix hizo esto, desencadenó una nueva manera de transformar su negocio.
Netflix es conocido por su excelente algoritmo de recomendaciones, y tenía un premio de USD 1 millón para cualquiera que lo pudiera mejorar.
Y hubo ganadores.
Pero Netflix descubrió que las mejoras eran solo graduales.
Para realmente enterarse de lo que pasaba, contrataron a un etnógrafo, Grant McCracken, para compilar inferencias de «datos densos».
Y Grant descubrió algo que no vieron inicialmente en los datos cuantitativos.
Descubrió que a la gente le encanta mirar de una sentada.
Tanto es así que las personas ni se sentían culpables.
Disfrutaban.
(Risas)
Así que Netflix dijo: «Ah, esto es nuevo».
Incluyeron al equipo de análisis de datos, y lograron incluir estos hallazgos de los datos densos con los datos cuantitativos.
Y una vez que lo verificaron y validaron, Netflix decidió hacer algo muy simple pero con mucho impacto.
Dijeron: «En vez de ofrecer series de diferentes géneros o más variedad de series a usuarios similares, vamos a ofrecer más de la misma serie.
Les vamos a facilitar ver series de una sentada.
Y no pararon allí.
Hicieron todo esto para rediseñar la experiencia completa de los espectadores, para fomentar los atracones de series.
Por eso es que la gente y los amigos se desaparecen por fines de semanas, están mirando shows como Dueño de nadie.
Al integrar big data con «datos densos», no solo mejoraron su negocio, sino que transformaron la manera de consumo de la audiencia.
Ahora proyectan duplicar el valor de sus acciones en los próximos años.
Pero esto no solo se trata de cómo consumimos programación, o vendemos más teléfonos inteligentes.
Para algunos, la integración de ideas de «datos densos» a los algoritmos puede significar algo de vida o muerte, especialmente para los marginados.
En todo el país, las comisarías están usando big data para predecir dónde patrullar; para determinar las fianzas y las sentencias en maneras que refuerzan prejuicios existentes.
El algoritmo «Skynet» de la Agencia Nacional de Seguridad quizá haya contribuido a miles de muertes de civiles en Pakistán por malinterpretar metadatos de aparatos móviles.
Mientras más automatizadas nuestras vidas, desde automóviles hasta seguro médico o empleo, es probable que a todos nos afecte la parcialidad hacia la cuantificación.
Las buenas noticias son que hemos progresado mucho desde que aspirábamos gases para hacer predicciones.
Tenemos mejores herramientas, o sea que usémoslas mejor.
Integremos big data con los «datos densos», Unamos a los guías del templo con los oráculos, y ya sea que lo hagamos en empresas u organizaciones sin fines de lucro en gobiernos o en el software, todo es importante, porque significa que colectivamente estamos comprometidos a crear mejores datos, algoritmos, resultados, y a tomar mejores decisiones.
Así evitaremos perdernos algo.
(Aplausos)
https://www.ted.com/talks/tricia_wang_the_human_insights_missing_from_big_data/