Ipsos Point Of View - "Big Data y como salir de la jaula tecnica"

En esta nueva edición de Ipsos Point of View, Diego de la Barra, Account Director de Ipsos UU reflexiona sobre la importancia de la humanización de la información, donde los avances en las técnicas de recolección de datos también deben ir acompañados de un pensamiento crítico.

Según la etnógrafa Tricia Wang, se invierten más de 120 mil millones de dólares anuales en Big Data y menos del 30% tiene un positivo retorno de la inversión . Si logré capturar tu atención con este dato, este punto de vista podría parecerte interesante.
El conocimiento, sobre todo en nuestra era, está ligado al desarrollo tecnológico y técnico con el que contamos, hoy las pruebas y los datos lo son todo. Si bien esto nos debería parecer obvio, esconde una realidad menos evidente: las certezas a las que podemos llegar son aquellas que pueden alcanzarse con las herramientas actuales. Por consiguiente, es muy común que la discusión se centre en las herramientas y no en lo que queremos conocer.
Las empresas no están ajenas a este fenómeno. Todas aquellas que están en la vanguardia están invirtiendo en Big Data Analysis, el cual está siendo utilizado fuertemente para orientar las decisiones de las compañías. Según Richard Joyce, analista sénior de Forrester, "solo un 10% de aumento en la accesibilidad a los datos resultará en más de $ 65 millones de ingreso neto adicional para una típica compañía Fortune 1000” . La promesa es grande, pero el desafío es aún más complejo. Esto, debido al nivel de tecnicismo y expertise que se necesita, ya que en muchas ocasiones se genera información difícil de interpretar, incluso para expertos.
Big Data Analysis, Machine Learning o proyectos de AI esconden un factor común: vivimos en la era del algoritmo, donde máquinas calculan si somos aptos para un crédito, si somos parte del segmento de alto valor de una compañía, si podemos acceder a ciertos beneficios e, incluso, lo que queremos ver o comer.
En términos ideales, todos somos analizados bajo las mismas condiciones: un algoritmo irrefutable y que carece de sesgo humano… ¿o no? Claro que no. 
Todos y cada uno de los criterios que componen un algoritmo son elegidos arbitrariamente por un grupo humano, el cual tiene una intención y una perspectiva frente al problema. Además, se determina un peso de las variables en el modelo de la misma manera. Incluso de seleccionarse “correctamente” las variables y su peso, muchas veces se encontrarán con variables poco parametrizables y se utilizaran sustitutivas (no exactamente lo que queríamos medir), generando modelos que cada vez se alejan más de la necesidad inicial . Para los especialistas en Big Data, el problema no está en la cantidad de datos con los que se cuenta, el principal desafío está en el entendimiento de las variables estudiadas y el diseño de instrumentos que permita producir datos válidos y confiables para ser analizados científicamente.  
Por consiguiente, y más que nunca, es muy importante tener clara la diferencia que existe entre un researcher y un técnico, o para poner la discusión en un plano intelectual, la investigación de la técnica. La diferencia fundamental radica en el sentido de la acción que tiene cada una de las definiciones, la generación de nuevos conocimientos o la generación de data, respectivamente.
Sobre el punto anterior, un artículo de la revista Science sobre Google Flu y cómo falló en el uso del Big Data en la predicción de gripe en los USA , señala precisamente que el problema de poseer motores predictivos libres de teoría (sólo técnica), es que pueden llevarnos a conclusiones erróneas. Con esto los invito a recordar dos puntos muy importantes en una investigación de mercado: primero, que no importa cuántos datos se tengan, siempre se debe cumplir con los temas fundamentales de una medición (robustez teórica y estadística necesaria), y, segundo, que por muy fuerte que sea una correlación no significa causalidad.
He aquí la externalidad negativa que tienen las empresas fuertemente orientadas a la búsqueda de respuestas basadas en la técnica y probablemente donde se encuentra ese 70% de compañías que no tienen un retorno positivo de la inversión al momento de poner recursos en Big Data: el padecer de infobecidad (exceso de información imposible de procesar), donde se pierde la capacidad de discernir entre la información útil y fidedigna, de correlaciones espurias generadas por motores que poco entendemos. 
Como consecuencia, un mal entendimiento y uso del Big Data podría limitarnos a conseguir el objetivo final: generar conocimientos relevantes para la toma de decisiones de negocio. Cualquiera sea el método, herramienta, técnica que se utilice para llegar a una conclusión, no hay que perder de vista que aquello es un medio, no un fin.
Con esto no busco satanizar el Big Data -que es una de las herramientas más importantes en este momento-, más bien es una recomendación para encontrar el maridaje perfecto entre los datos y una aproximación cualitativa que permita transformarlos en sabiduría, la cual podría derivar en una mejor toma de decisiones y acciones realizadas por las empresas . 
En Ipsos a esto le llamamos “humanizar los datos”, donde combinamos múltiples disciplinas, técnicas de depuración y profundización de la información para lograr mejores insight. Las aproximaciones etnográficas, creación de comunidades de consumidores/clientes y, por supuesto, la generación de curatoria de los datos, son algunos de los caminos que actualmente buscan resolver los problemas de infobecidad que sufren muchas compañías.
El avance en las técnicas de recolección de datos también debe ir acompañado de un pensamiento crítico que vaya más allá de la naturaleza del mismo método (Bit Data, neurociencias o cualquiera sea la forma de generar data), para que dé sustento a la relación causal que se quiere llegar y dote de sentido a la investigación que se realiza. Es importante entonces, no sólo mirar las capacidades técnicas de los proveedores de Research, las herramientas de que disponen y los avances tecnológicos con los que cuentan para dar soluciones de negocio (las cuales son importantes), también es sumamente relevante fijarse en si son capaces de desplegar estas herramientas bajo modelos probados, que demuestren la teoría y pensamiento que existe detrás, para así poder transformar todos los datos en conocimiento efectivo para nuestros negocios y así ser parte de la las empresas que invierten en Big Data y tienen un ROI positivo.