Uso de cookies

Este sitio web utiliza cookies propias obligatoras y de terceros opcionales con la finalidad de hacer que su navegación sea segura, hacer análisis estadístico de las visitas a la web y conocer su usabilidad.
Si desea más información o cambiar la configuración de su navegador, puede visitar nuestra Política de Cookies.
Pulse el botón "Rechazar cookies" o "Aceptar cookies" para confirmar que ha leído y aceptado la información aquí presentada.

Recogida y gestión de datos para la evaluación de políticas

Septiembre de 2020
Los crecientes vol√ļmenes de datos disponibles proporcionan una valiosa plataforma para el an√°lisis de pol√≠ticas basado en informaci√≥n precisa, continua y din√°mica, generada a partir del comportamiento observado.

El an√°lisis de pol√≠ticas implica tradicionalmente un proceso de extrapolaci√≥n a partir de datos recogidos de algunas muestras representativas, o la elaboraci√≥n de una imagen agregada de una persona promedio y luego la elaboraci√≥n de pol√≠ticas o intervenciones basadas en esa combinaci√≥n. Alternativamente, el an√°lisis de pol√≠ticas, puede basarse en cantidades masivas de datos actualizados continuamente y en tiempo real de m√ļltiples fuentes.

El análisis experimental de políticas en tiempo real aprovecha las ventajas de las nuevas grandes fuentes de datos, junto con técnicas de análisis de datos, reuniendo todas las etapas discretas del ciclo de políticas en un proceso continuo. Mientras que un problema de política se está observando, también se estarían realizando intervenciones utilizando los mismos dispositivos utilizados para recoger los datos, con su impacto en el problema, pasando a formar parte de la base de pruebas para seguir modificando las variables de política.

Por √ļltimo, mientras que la captura de datos en la investigaci√≥n de la opini√≥n tradicional se centra en lo que los encuestados prefieren o creen, el Big Data mide lo que las personas hacen realmente, revelando las percepciones sin filtro del comportamiento humano pertinentes para las pol√≠ticas (Pentland, 2012a).

An√°lisis de efectividad

Con este crecimiento del volumen de datos digitales y de la capacidad de extraer de ellos conocimientos, en los √ļltimos a√Īos se ha incitado a las administraciones a que proporcionen un acceso abierto, f√°cil de usar y en gran medida gratuito a los datos p√ļblicos. Cuando se utilizan en el sistema de pol√≠ticas internas en las administraciones p√ļblicas, supone una mayor capacidad de an√°lisis de pol√≠ticas (Longo, 2015). Con ello se consigue medir la efectividad en los tres aspectos fundamentales de impacto de las pol√≠ticas puestas en marcha:

  1. Eficacia
  2. Eficiencia
  3. Pertinencia

Se tratan de mediciones ex post de las actuaciones. Pero el análisis de datos va más allá y se extiende a la predicción.

Muchos de estos nuevos m√©todos anal√≠ticos -como los m√©todos computacionales que hacen hincapi√© en las correlaciones y las pautas en lugar de los procesos m√°s tradicionales- tienen el potencial de mejorar el bienestar p√ļblico al proporcionar an√°lisis basados en pruebas sobre cuestiones y desaf√≠os emergentes.

El análisis de políticas podría ayudar a:

  • reducir la incertidumbre en la toma de decisiones
  • identificar ahorros de costes y nuevas fuentes de ingresos
  • mejorar la prestaci√≥n de servicios
  • desbloquear nuevas oportunidades de intervenci√≥n

La tecnología de grandes datos puede complementar la caja de herramientas existente del gobierno y proporcionar nuevos enfoques analíticos para:

  • gestionar los asuntos p√ļblicos
  • participar en la micro experimentaci√≥n de pol√≠ticas
  • supervisar el rendimiento de los programas
  • mejorar los resultados de la prestaci√≥n de servicios.

Enfoques de análisis de políticas

El an√°lisis de pol√≠ticas puede adoptar una serie de enfoques. Tal vez la l√≠nea de an√°lisis m√°s directa radica en la monitorizaci√≥n de las redes sociales o en escuchar para analizar y responder a las preferencias, experiencias, valores articulados y conductas de los ciudadanos (Grubm√ľller et al., 2013).

La escucha social implica buscar y monitorear los medios sociales para encontrar palabras, frases, hashtags o menciones de cuentas o personas del √°mbito de las administraciones p√ļblicas. Se pueden realizar b√ļsquedas sencillas a trav√©s de la interfaz de plataformas de medios sociales como Twitter o herramientas como twXplorer.

Se ha estudiado la forma en que el analista de pol√≠ticas podr√≠a tratar de dar sentido a la opini√≥n p√ļblica representada en las cantidades masivas de texto no estructurado de forma libre en los medios de comunicaci√≥n social utilizando an√°lisis sem√°ntico latente y mapas organizados para agrupar ideas similares. La escucha social y el an√°lisis de los sentimientos revelan el potencial real de las formas avanzadas de compromiso p√ļblico. Sin embargo, la aparici√≥n de tecnolog√≠as de colaboraci√≥n social como los sitios de redes sociales, los blogs y los wikis ha dado lugar a numerosas comunidades virtuales que facilitan la interacci√≥n entre personas con experiencias e intereses similares (McNutt, 2014).

An√°lisis predictivo

El an√°lisis predictivo genera previsiones basadas en datos, identi?cando tendencias y oportunidades de intervenci√≥n. La granularidad de los grandes datos permite personalizar los servicios p√ļblicos, desde la atenci√≥n sanitaria y los servicios sociales hasta el consumo de energ√≠a, para satisfacer mejor las necesidades de los clientes (Hondula et al., 2017).

En cuanto a las técnicas aplicadas en ese análisis, mientras que las estadísticas descriptivas e inferenciales son las normas del análisis de datos, el análisis de datos incluye métodos como:

  • la miner√≠a de textos para el an√°lisis de sentimientos,
  • el an√°lisis de los medios sociales para evaluar el contenido y la estructura de la red,
  • el an√°lisis de audio y v√≠deo para revelar patrones de comportamiento o predicciones de respuestas a est√≠mulos particulares,
  • el an√°lisis predictivo (Gandomi & Haider, 2015).

Las nuevas fuentes de datos tienen el potencial de cambiar significativamente el estudio de los fen√≥menos sociales y pol√≠ticos (Savage & Burrows, 2007; Lazer et al., 2009). La combinaci√≥n de se√Īales digitales y nuevas t√©cnicas anal√≠ticas puede ayudar a comprender y predecir el comportamiento en contextos como:

  • el transporte
  • la delincuencia
  • el uso de la energ√≠a
  • la migraci√≥n
  • la planificaci√≥n urbana
  • la salud p√ļblica

Todo ello resulta de enorme interés y utilidad para medir la eficacia, eficiencia y pertinencia de las políticas y acciones adoptadas.

Roberto Knop
Roberto Knop es Director asociado del √°rea de Data Analytics de Afi.