«Si algo caracteriza a la revolución digital es el lugar central que ocupan los datos. De un entorno marcado por la escasez y el alto coste de los mismos, hemos pasado a otro distinguido por la abundancia y el coste marginal. La digitalización ha permitido que las organizaciones humanas –empresas, instituciones, entidades de cualquier tipo- hayan podido resolver el acceso al maná de los datos a un coste marginal. Ahora el reto es qué hacer con ellos». Un artículo de José Miguel de Elías, director de investigación y análisis de Sigma Dos.
Es obvio que no resulta sencillo procesar y analizar importantes cantidades de datos, de tal manera que se puedan extraer conclusiones útiles. Muchas organizaciones sienten la doble presión de tener que analizar sus datos, pero no saber exactamente qué hacer ni por dónde empezar. Es habitual que el estrés derivado de almacenar un determinado activo que se está dejando de explotar, unido a la ausencia de know how, se resuelva con una externalización de esta tarea. Los resultados de esta decisión son, en demasiadas ocasiones, escasos, insuficientes para la inversión realizada, o directamente decepcionantes. El primer efecto es que se incrementa el nivel de estrés organizacional, aumentando la desconfianza ante una realidad que algunos tienden a ver, equivocadamente, como una tendencia de la consultoría.
Desde la perspectiva de la investigación social podemos identificar algunas razones que explican esta desorientación. En primer lugar, es útil diferenciar entre los datos generados por cosas (a través del Internet de las cosas, como por ejemplo en la medición en el ámbito de los transportes) y los datos generados por personas (actos de consumo, votos, opiniones, etc). En el primer caso, resulta mucho más sencillo hallar patrones, caracterizar comportamientos y correlaciones entre factores, porque las causas son fácilmente identificables. Las correlaciones que se pueden dar entre los retrasos de una línea de tren y las inclemencias climatológicas se pueden aislar de manera sencilla. En el caso de los datos generados por las personas, el proceso resulta mucho más complejo, precisamente porque no siempre las causas que han motivado determinadas conductas aparecen claras (una decisión de compra o de voto, pongamos por caso). Sin esa información, el dato se convierte en un misterio que aporta poca o ninguna información relevante a la organización. Cuando hablamos de información relevante, nos referimos a aquella que le permita trazar una determinada estrategia válida para la organización (su business intelligence).
El análisis de datos, por tanto (sea o no al nivel de Big Data), en muchos casos debe ser complementado por la investigación social, en la medida en que solo esta se pregunta (encuestando a las personas a través de diversas técnicas) por las razones que hay detrás de un determinado acto o actitud. Junto a ello, la investigación social (ya sea en el ámbito de mercado o de la opinión pública) puede orientar el trabajo del Big Data hacia hipótesis concretas que eviten inversiones de tiempo, y por tanto económicas, innecesarias y sin una finalidad útil a la estrategia de la organización.
Nuestro modelo de trabajo consiste en integrar el análisis de datos en nuestro know how, intentando hallar sinergias metodológicas entre esta técnica y la investigación social: lo hemos llamado “análisis de datos aplicado” y consiste en procesar y analizar grandes paquetes de datos teniendo en cuenta su interpretación sociológica. Con ello, evitamos dar al cliente una serie de conclusiones matemáticamente impecables, pero comercial o políticamente estériles. Por otra parte, y realizando el camino inverso, diseñamos proyectos de análisis de datos y Big Data partiendo de las hipótesis que solo pueden surgir en la investigación social. Dicho de otra forma, solo preguntando antes a las personas, podemos saber qué nos pueden decir sus actos.
Es a través de la integración entre ambos ámbitos –el de los matemáticos y el de los sociólogos– como conseguimos extraer al análisis de datos todo el potencial. La manera más inteligente para convertir la información en conocimiento.
