Unidad 2 Sesión 5 Actividad 2. Análisis y abstracción de información

Marco teórico

Antecedentes

A partir de la masificación del acceso a internet y de los dispositivos electrónicos conectados a internet, se ha generado un cambio de paradigma donde la información es el protagonista. Se ha creado un ambiente donde el resultado de la interacción entre los agentes genera huellas digitales o datos que se caracterizan por su volumen, velocidad, variedad y veracidad. Es así como surge Big Data fuera del ambiente científico, donde los grandes volúmenes de datos no surgen del estudio de millones de estrellas, de la recepción de señales de sondas espaciales, del análisis de reacciones químicas o de resultados de la investigación científica en general.

El inicio de Big Data está directamente relacionado con el crecimiento exponencial de los datos generados en todo momento por personas, instituciones, gobiernos, dispositivos electrónicos conectados a internet, entre otros. Tales datos suelen caracterizarse por provenir de diversas fuentes, cuya relación no es visible muchas veces y que ocasiona tener un cúmulo gigantesco de datos sin relación aparente entre sí.  Frecuentemente se ve imposibilitada la aplicación de las herramientas matemáticas y computacionales tradicionales al análisis de los datos por el excesivo requerimiento de capacidad computacional para almacenar la ingente cantidad de información o bien, la obtención de datos incorrectos debido a que las técnicas estadísticas tradicionales no contemplan las características de los datos estudiados.

En la actualidad no existe una definición única para Big Data, empero, a partir de las definiciones existentes al respecto se pueden resumir, para efectos prácticos del presente estudio, que Big Data se refiere a que tanto la capacidad científica de los métodos matemáticos y la capacidad computacional actual no es suficiente para el manejo adecuado de los datos debido a que el perfil de los datos y sus fuentes es más complejo que antes. Datos generados en grandes volúmenes, de distintas fuentes, de manera muy rápida y de veracidad muchas veces difícil de verificar.

Como respuesta a tal cambio de paradigma, ha surgido un nuevo tipo de enfoque científico, la ciencia de datos, y con ella, un nuevo tipo de profesional, el científico de datos.

¿Qué sucede en línea cada 60 segundos?
Fuente: Smart Insigts. Recuperado de: https://goo.gl/jiaDX2.

           

Bases teóricas

La Ciencia de Datos más que una nueva ciencia es una nueva manera de entender el nuevo tipo de información que se tiene como materia prima en la investigación, de procesar grandes volúmenes de información y transformarla en un activo valioso para empresas, gobiernos e incluso los mismo generadores de los datos. Es por ello que únicamente un análisis con herramientas a la medida permitirá extraer el significado de la información y la creación de productos de datos valiosos.

Hal Varian, economista en jefe en Google y también docente en la universidad de Berkeley, pronosticaba en una entrevista en octubre de 2008:

            “La capacidad de tomar datos y entenderlos, procesarlos y extraer un valor de ellos que se pueda visualizar y comunicar, va a ser una habilidad crucial en las próximas décadas. Y no sólo a nivel profesional, también a nivel educativo, desde los niños que están en el colegio, pasando por el instituto hasta la universidad, porque ahora de verdad tenemos datos libres y ubicuos. Así que el factor diferencial será la habilidad de entender los datos y extraer valor de ellos”.

La ciencia de datos incorpora elementos de las técnicas tradicionales de las ciencias exactas con habilidades en ocasiones desatendidas pero fundamentales en la investigación científica. Se hace referencia a conocimiento de muchos ámbitos del saber, tanto  matemáticas y ciencias de la computación como la creatividad y la comunicación.

Ahora bien, ¿Quién es el profesional que realiza tal actividad? En el pasado una especialista en estadística o un profesional especializado en otro campo pero que tuviese conocimientos básicos de estadística obtenía la información para su investigación de fuentes que compartían el mismo sentido, la tendencia o la misma idea general del conocimiento que se abordaba, sin embargo, en la actualidad las fuentes de  información tienen un grado muy alto de heterogeneidad y cantidad, por lo que resulta indispensable que la persona encargada del análisis de la información sea capaz de encontrar patrones, tendencias o cualquier tipo de relación entre conjuntos de datos que parecen no guardar una relación entre sí. Es así como surge un nuevo perfil de profesionales, el científico de datos.

El científico de datos es un profesional capaz de encontrar la relación entre datos que con los métodos tradicionales no es posible de entender, observar o saber de su existencia. En ocasiones, relaciones que parecen ir en contra de la intuición.

Se puede plantear cuatro habilidades fundamentales que el Científico de Datos debe poseer:

Matemáticas / Estadística:

Dominio de herramientas matemáticas y estadísticas para la construcción de modelos que puedan ser aplicados a las bases de datos. Habilidad para supervisar, corregir y conocer los detalles de su implementación, dado que los modelos aplicados son una aproximación de la realidad y una definición no óptima del modelo solo ampliará la posibilidad de generar errores.

Según George E. P. Box, considerado uno de los más importantes estadísticos del siglo XX,  “Todos los modelos son erróneos, pero algunos son útiles”. Erróneos en el sentido de que no es posible contemplar todas las características de un sistema, ya que el modelo es una simplificación de la realidad que se quiere estudiar. Cabe destacar que la utilidad de los modelos recae en la abstracción y simplificación de la realidad, por ello, los modelos deben ser analizados constantemente para alcanzar el nivel óptimo entre realidad y manejabilidad”.

Tecnología:

El diseño de algoritmos en el proceso de modelaje es fundamental para el adecuado procesamiento de datos por lo que se requiere de dominio de múltiples lenguajes de computación y de un excelente manejo de bases de datos. Es importante dominar la implementación de los modelos, ya que no bastará con tener ideas o intuición de que están diciendo los datos, será necesario implementar las ideas surgidas del análisis y la reflexión.

Campo donde surgen los datos:

El científico de datos debe entender la naturaleza del negocio o actividad donde se genera la información, ya que sólo de esta manera podrá entender cabalmente el problema planteado y aplicar las herramientas adecuadas con el objetivo de generar valor o conocimiento útil. La falta de comprensión de la actividad generadora de datos impedirá al profesional tener la intuición del camino a seguir o la forma de expresar los resultados.

Kaggle, compañía de Big Data, asevera que es un error pensar basta con saber manejar información sin importar su naturaleza, hace énfasis en que un científico de datos debe conocer el negocio o actividad de donde surge la información y en donde se aplicarán los resultados.

Presentación de los resultados:

El Científico de Datos deberá de ser capaz de presentar el resultado de su investigación a personas de distintos perfiles académicos, frecuentemente, personas encargas de tomar decisiones basándose en la información obtenida del análisis de su actividad. Tal presentación debe ser clara, precisa, con un lenguaje asequible a la audiencia pero sin perder rigor ni exactitud.

La visualización de datos ayuda al usuario a examinar una gran cantidad de datos e identificar patrones o tendencias con la ayuda de gráficas o representaciones. Una sola gráfica puede codificar mucha más información que la que se puede presentar en varias hojas de texto (Pujari, 2001, p. 48). 

Por otro lado, el Científico de Datos carga con un fuerte compromiso ético, ya que debe garantizar un uso responsable del activo que se le ha entregado, en este caso, la intimidad de la persona a través de huellas digitales. En una sociedad cada vez más digitalizada donde cada individuo deja rastros inconscientes e involuntarios, es factible invadir la intimidad de cualquier persona con el simple hecho de emplear las tecnologías existentes.

Una sociedad de la información que se enfrenta a peligros de los que no está consciente aún: vigilancias masivas, ausencia de intimidad, robo de identidad, etcétera. Lo anterior se puede expresar de manera sucinta como delitos por parte de delincuentes, así como violación de garantías constitucionales y derechos humanos por gobiernos.

La ética en la profesión del análisis de los datos cobra relevancia cuando el pensamiento económico preponderante  expresa: “si no pagas por el producto, tú eres el producto” (Van der Aalst, 2014, p. 19).

Es por ello, que el presente estudio busca indagar en las consecuencias de las nuevas tecnologías sobre la sociedad, en particular, la relación entre la información, sus fuentes, su análisis y sus profesionales.

Analizar la diferencia entre un estadístico y un científico de datos y como este último ha cambiado y aportado a las ciencias sociales o cualquier tipo de actividad, de la misma manera en que lo hizo la estadística en sus inicios como herramienta de investigación.

Analizar como un científico de datos ha pasado de trabajar en un departamento de estadística en una empresa, gobierno o institución, teniendo cierta distancia entre los generadores de ideas y los tomadores de decisiones, a tomar un rol más importante dentro de equipos de desarrollo de proyectos multidisciplinarios.