Cuando falla la data science

La pandemia que no pudo predecir Google

En 2008, Google creó Google Flu Trends con el propósito de detectar la aparición y propagación de casos de influenza en varios países.

Como explicó Google en un artículo publicado en Nature, el método consistía analizar millones de datos derivados de millones de búsquedas relacionadas con los casos de influenza.

Por ejemplo, aumentos en la búsqueda de medicamentos para la influenza podían indicar que estaba creciendo la enfermedad.

No pocas veces, Google logró adelantarse incluso a los reportes de los sistemas de reporte de los países más avanzados, como Estados Unidos o Francia.

Pero Google también falló. Y es algo que empezó a advertirse desde el principio.

Le pasó desapercibida la primera ola de la pandemia de H1N1, del 2009. Y entre 2011 y 2013 Google sobreestimó la cantidad de casos durante 100 de 108 semanas.

Sí, Google falló con sus millones de datos.

La ceguera de los datos

¿Por qué? ¿Qué fue lo que los datos de Google no lograron mostrar?

La respuesta no es que faltaran más datos ni mejores científicos de datos. Por supuesto, Google tenía acceso a los mejores.

Más bien, el problema de Google, como el de muchas empresas, era su confianza excesiva en el análisis de datos, sin darse cuenta de la necesidad de otros paradigmas no cuantitativos para interpretar contextos y personas.

Google tenía los datos de las búsquedas, pero no podía entender por qué se buscaba.

Eso provocaba la sobredimensión de casos: Google acababa por relacionar con influenza mucho de lo que se buscara en la temporada de gripas, aunque no tuviera que ver con los verdaderos casos de la enfermedad.

Por ejemplo, tomaba como indicador de influenza búsquedas como «baloncesto en escuelas secundarias».

O también Google estimaba como casos de influenza muchas enfermedades diferentes que causaban síntomas similares.

Y es que, por razones más o menos obvias, no podía hacer diagnósticos, como sí los hace un médico cuando se encuentra con su paciente.

Interpretar, no analizar

Estas limitaciones de Google las tienen todas las empresas con el análisis de datos. Aunque parezca que tener más y más datos da un mejor conocimiento de los fenómenos, no siempre, casi nunca, este conocimiento es más completo o mejor.

Sin embargo, el paradigma de los datos es tan común que parece inexacta e incierta una aproximación sin datos. Los datos son, al fin y al cabo, irrefutables e innegables.

Por eso creemos que el que tiene los datos tiene la verdad

Y este es justo el error. A los datos no les podemos pedir más de lo que pueden darnos.

Son necesarios paradigmas cualitativos, basados en nuestra capacidad de hacer interpretaciones sintéticas y generales de las cosas.

E interpretar es una capacidad que solo tenemos los seres humanos. 

Los datos no responden por qué. Y carecen de algo: contexto

Aunque de un contexto pueden obtenerse datos, ese contexto nunca queda explicado por los datos. No podemos reconstruir o entender un contexto uniendo muchos datos.

En este caso, el todo es mayor que sus partes.

Pensemos un ejemplo muy sencillo: de una mesa podemos saber su color, textura, material, tamaño, frecuencia de uso, entre otras cosas. Podemos obtener todos los datos mensurables de una mesa.

Pero, por mucho que analicemos la mesa, que la descompongamos en sus partes, nunca vamos a saber por qué, por ejemplo, una familia la usa para comer, pero no para desayunar. Tampoco podemos entender por qué esa familia compró esa mesa y no otra.

No podemos, justamente, interpretar los contextos y las personas. Para hacerlo necesitamos una visión de conjunto, una perspectiva sobre el todo de un contexto y unos modos de ser en el mundo.

El camino para las empresas

A muchas organizaciones puede pasarles lo mismo. Con seguridad tienen los datos de sus productos más vendidos. Y a partir de ellos definen, por ejemplo, aumentar la oferta de ese producto. Se dan cuenta de que sus consumidores lo valoran más.

Pero ¿por qué lo valoran más? Eso no pueden responderlo en sus datos. De ellos solo reciben una señal parcial. La señal completa es el entendimiento, la interpretación, de lo que hacen y buscan sus consumidores.

Con el SEO ocurre igual. ¿Para qué hacer contenido que tenga las «palabras clave», las "key words", si no entendemos por qué un usuario busca esas palabras? Eso nunca lo encontraremos en Google Analytics.

De ahí el valor del diseño centrado en lo humano y la investigación de diseño, alimentada por las ciencias humanas, como la filosofía o la antropología e instrumentos como las entrevistas etnográficas: nos dan un entendimiento empático y contextual de las personas.

Eso es lo que hacemos todos los días en el área de investigación de Xperience: comprender usuarios y personas para transformar modelos de negocio, crear ofertas de valor, diseñar experiencias y canales que se compenetren con sus intereses, formas de entender la vida.

¿Quieres que conversemos sobre cómo transformar el entendimiento de tus usuarios y clientes? No dudes en contactarnos.