Cómo poner en marcha un proyecto de analítica de datos

Desde gestionar la red de transporte o las inspecciones sanitarias, hasta predecir las necesidades futuras del personal. La analítica de datos puede ser una herramienta poderosa para optimizar las políticas municipales, garantizando una respuesta más ágil y eficaz a las demandas de los ciudadanos. Cada vez más ayuntamientos están apostando por tecnologías como Big Data, inteligencia artificial o machine learning con el fin de mejorar la gobernanza de la ciudad. Sin embargo, en muchas ocasiones, los responsables de la toma de decisiones desconocen cómo aproximarse a una iniciativa de este tipo.

En este contexto, la asociación Civic Analytics Network ha desarrollado el informe How to Do Data Analytics in Government, una reflexión sobre cómo las innovaciones basadas en datos y la tecnología afectan al gobierno municipal. A través de múltiples ejemplos, el informe nos recomienda seguir un enfoque sistemático basado en 5 pasos. Estos pasos pueden ser replicados por cualquier tipo de iniciativa, independientemente de su nivel de madurez.

Paso 1: Identificación del problema

Muchos proyectos de analítica parten del deseo de dar una utilidad a determinados conjuntos de datos. Sin embargo, el proyecto debe enfocarse de otra manera: lo primero es identificar el problema a resolver y luego identificar cuáles son los conjuntos de datos necesarios para solucionar el problema.

En esta fase tienen que estar implicados los científicos de datos, que deben trabajar conjuntamente con los distintos departamentos para conocer las necesidades concretas de los usuarios. Asimismo, es importante contar con el apoyo de la alta dirección. Únicamente si todos están alineados se podrá resolver el problema.

Paso 2: Evaluación de los datos

A continuación, los científicos de datos  procederán a identificar el estado de los conjuntos de datos necesarios para solucionar el problema. Para ello, la universidad de Chicago ha desarrollado un cuadro de mando que mide la madurez y disponibilidad de los datos. Este modelo utiliza 3 matrices: definición del problema, nivel de disposición de los datos y la tecnología, y nivel de preparación en la  organización. A través de una serie de preguntas se determinará cómo se almacenan los datos, qué información se recoge, cuáles son las prácticas de privacidad, qué personal participa en cada tarea, cuál es la política de uso de datos, así como quién lidera el proyecto o quién lo financia.

Paso 3: Alcance el proyecto

En esta fase, se determinarán las acciones necesarias a llevar a cabo para conseguir el fin propuesto. Si en la fase anterior hemos determinado qué datos tenemos y en qué estado se encuentran, en esta fase tendremos que determinar si son suficientes o si es necesario utilizar alguna fuente adicional. Asimismo, se abordará el tipo de análisis a realizar (descriptivo, predictivo o prescriptivo) o la forma de validar dicho análisis.

Paso 4: Puesta en marcha de un piloto

Esta fase también se podría llamar “la fase de prueba y error”. Implementando el proyecto a pequeña escala en un entorno real podremos ver cómo se comporta y solucionar los problemas que puedan surgir. Por muy bien que hayamos definido el alcance del proyecto, puede que el piloto no funcione como se esperaba, bien porque una suposición es incorrecta o porque se ha producido un error en el algoritmo.

Paso 5: Implementación y escala del modelo

Una vez que el piloto comienza a dar resultados es el momento de escalar el proyecto a otras áreas, replicando el modelo.

El informe, además, muestra múltiples ejemplos de proyectos de analítica que han ayudado a optimizar las políticas públicas. Por ejemplo, Nueva Orleans ha desarrollado un modelo para determinar  la distribución de detectores de humo, mientras que Chicago utiliza el análisis predictivo para prepararse ante un pico de enfermos afectados por un determinado virus. Muchas de estas iniciativas podrían ser replicadas en nuestro país, donde ya encontramos algunos ejemplos como Predict, una herramienta que permite predecir los niveles de contaminación para facilitar la gestión del tráfico.

La adopción continua de soluciones de análisis en los gobiernos de las ciudades no muestra signos de desaceleración, sino todo lo contrario. Pero para que estos proyectos tengan éxito es necesario abordarlos de manera estructurada, dedicando su tiempo a cada fase e implicando a todos los roles necesarios.