馃帣 Episodio 42. Analfabetismo 4.0

En el episodio de hoy de Un podcast ninja sobre Big Data hablamos de la importancia de la alfabetizaci贸n en datos o data literacy, especialmente tras la cuarta revoluci贸n industrial.

Los datos son un pilar fundamental en la cuarta revoluci贸n industrial o industria 4.0, t茅rmino que fue acu帽ado por el  fundador del Foro Econ贸mico Mundial en 2016.

Las 4 revoluciones industriales 馃懛鈥嶁檧锔

Primero llego el momento en el que las sociedades agrarias y rurales se transformaron en industriales y urbanas

Luego, en la segunda revoluci贸n industrial, fue cuando se empez贸 a usar la energ铆a el茅ctrica para crear la producci贸n en masa.

Adem谩s en esta tambi茅n surgi贸 el tel茅fono y el motor de combusti贸n interna.

En la tercera ya aparecieron los dispositivos electr贸nicos, el ordenador personal, Internet鈥 

Sin Internet y todos los dispositivos electr贸nicos que nos rodean no tendr铆amos todos estos datos que son el combustible que alimenta gran parte de la industria 4.0.

La computaci贸n en la nube, el Big Data, el Machine Learning, los modelos del lenguaje鈥

La era de los ninjas del big data y la Inteligencia Artificial.

 Y de igual manera que hoy en d铆a es una gran desventaja no manejarse bien con un ordenador o saber desenvolverse en Internet, empieza a ser importante adquirir habilidades relacionadas con los datos.

En ingl茅s tienen un nombre para esto y es Data Literacy, que se traduce como alfabetizaci贸n en datos.

驴Qu茅 es Data Literacy?

驴Y en qu茅 consiste esto de la alfabetizaci贸n en datos o data literacy?

Pues b谩sicamente en la habilidad de leer, escribir y  entender los datos.

Esto no quiere decir ser un estad铆stico o un analista de datos consumado. De la misma manera que todos sabemos leer, escribir y entendemos lo que leemos y no somos literatos.

Sino en ser capaces de comunicarse utilizando datos y ser capaces de interpretarlos en contexto.

Muchas veces puedes saber mucho sobre datos pero si no sabes c贸mo funciona el  entorno en el que viven esos datos, qu茅 resultados tienen sentido y cu谩les no, tu soluci贸n no ser谩 贸ptima.

Puede que ni siquiera sea buena.

Por eso es bueno contar con alguien que sepa del campo en el que se est谩 intentando aplicar soluciones basadas en datos.

Si es para optimizar procesos de log铆stica, pues que sepa de log铆stica.

Si es para marketing, que sepa de marketing.

Y as铆.

Los datos como puente de comunicaci贸n 馃棧

驴Y qu茅 mejor si ese experto, adem谩s de saber de lo suyo, sabe interpretar y comunicarse utilizando datos?

 Pues en ese caso el analista, cient铆fico de datos o especialista en Machine Learning y 茅l tendr谩n un idioma com煤n para comunicarse.

Por un lado, el cient铆fico de datos o el equipo de datos necesita entender el contexto del negocio que envuelve a los datos que va a utilizar para crear su soluci贸n.

Y por el otro lado, el resto de empleados del negocio, especialmente los encargados de tomar decisiones, necesitan entender los datos relevantes en su trabajo del d铆a a d铆a.

Eso es lo que realmente hace que una organizaci贸n sea data-driven o lo que es lo mismo, que se apoye en los datos para dise帽ar sus estrategias.

Es eso y no que sea capaz de capturar much铆simos datos y que tenga un equipo de datos de lo m谩s potente.

Si los hallazgos y la informaci贸n se queda en el departamento de datos o en un informe que se reparte al restos de 谩reas pero que nadie m谩s es capaz de leer e interpretar pues es casi como si no se hubiera hecho nada.

Data literacy en el entorno laboral 馃捈

En el entorno laboral, para que todo el mundo pueda alfabetizarse en datos es necesario tener acceso a los datos. 

Como digo, muchas veces el acceso a los datos est谩 limitado a los ninjas de los datos en la organizaci贸n, a cient铆ficos de datos o analistas del equipo de datos.

Esto hace que el resto de empleados no puedan habituarse a explorar estos datos, a hacerse preguntas y poder buscar las  respuestas en datos que est茅n a su alcance.

Si pudieran exponerse a los datos relacionados con su trabajo podr铆an aportar m谩s valor en su puesto. 

Por supuesto que no todo el mundo puede tener los mismos permisos sobre las bases de datos completas de una organizaci贸n.

Para empezar una persona sin los conocimientos oportunos tocando donde no debe puede llevar a la corrupci贸n de los datos.

O incluso a su destrucci贸n.

Peeero igual un acceso de solo lectura, en plan se mira pero no se toca, sobre el subconjunto de datos que es relevante para un puesto pues podr铆a ser positivo.

Adem谩s es necesario que la gente sea capaces de encontrar sentido en los datos a los que se enfrenta.

Ser capaces de entender visualizaciones y ver lo que esos datos est谩n contando. Que cuando les llegue el informe mensual de lo que han estado haciendo desde el equipo de datos, puedan realmente entender qu茅 est谩 pasando, en qu茅 les puede estar afectando a ellos y ver c贸mo pueden colaborar con lo que sea que diga el informe del equipo de datos sobre la organizaci贸n.

Finalmente, otra capacidad a desarrollar es la de comunicar y discutir con los datos en la mano.

Argumentando decisiones basadas en datos en lugar de basarse 煤nicamente en la intuici贸n y en c贸mo se han hecho las cosas en el pasado.

Ah铆 es cuando realmente una empresa tiene una cultura del dato implantada. No cuando tiene un equipo de datos muy potente y un datacenter a rebosar de datos sino cuando el resto de sus empleados son tambi茅n capaces de leer, escribir e interpretar datos.

Est谩n alfabetizados en datos. Han desarrollado su data literacy.

Alfabetizaci贸n en datos para todos 馃懃

驴Y para el resto de la poblaci贸n?

Pues aqu铆 es incluso m谩s importante y peliagudo.

Seguir ciegamente los datos no es nunca una buena idea.

Una cualidad fundamental para poder entender, interpretar y comunicarnos a trav茅s de los datos es el pensamiento cr铆tico.

Ser capaces de plantearnos preguntas.

驴De d贸nde vienen estos datos?

驴Son datos v谩lidos?

驴Est谩n sesgados?

Esto pasa frecuentemente en las noticias y en los peri贸dicos.

Se presentan gr谩ficos enga帽osos 鈥渂asados en datos鈥.

Un ejemplo es el gr谩fico que compara la rapidez en llegar al mill贸n de usuarios de ChatGPT frente a otras aplicaciones tambi茅n muy conocidas como Instagram, Netflix, etc鈥

Gr谩fica con el tiempo que tard贸 ChatGPT en alcanzar un mill贸n de usuarios

Como sab茅is, a finales de 2022 se lanz贸 ChatGPT que alcanz贸 el mill贸n de usuarios en s贸lo 5 d铆as pero lo comparan con Netflix que tard贸 3.5 a帽os en alcanzar la misma cifra de usuarios.

Aqu铆 podr铆a parecer que los de Netflix son unos mataos鈥

3 a帽os y medio frente a 5 d铆as鈥 los datos hablan por s铆 mismos.

Peeero Netflix se lanz贸 en 1999 no en 2022.

Ah铆 a煤n ni hab铆a redes sociales, ni whatsapp, ni nada, las cosas se transmit铆an porque alguien que conoc铆as te lo recomendaba o porque  ve铆as un anuncio en la tele, en alg煤n peri贸dico o en alguna valla publicitaria. 

El alcance de un producto en 1999 y ahora no tiene que ver.

Adem谩s, Netflix se lanz贸 solo en EEUU y no a nivel mundial y es un producto de pago.

ChatGPT se lanz贸 en su versi贸n gratuita que a煤n hoy sigue manteniendo.

驴Es comparable? yo dir铆a que no鈥 nos dice algo concluyente esa gr谩fica que por supuesto  est谩 basada en datos reales鈥 mmm, complicado comparar ambas situaciones.

As铆 que es muy importante hacerse preguntas.

La pr贸xima vez que veais conclusiones basadas en datos no olvid茅is haceros preguntas en especial si es periodo electoral. Ah铆 se pueden usar los mismos datos para argumentar posiciones opuestas y es muy importante saber leer e interpretar los datos.

Espero que os guste el episodio.

Si es as铆, no olvid茅is dejar un 芦Me gusta禄 y alg煤n comentario al episodio en Ivoox o una valoraci贸n de 5 estrellas del podcast en Apple podcasts, en Spotify, en Google podcasts o donde quiera que escuch茅is el podcast. 

Recordad que si ten茅is cualquier duda o pregunta pod茅is contactar conmigo a trav茅s del formulario de contacto o podemos seguir la conversaci贸n en Twitter.

Muchas gracias por estar ah铆 y os espero en el pr贸ximo episodio de Un Podcast Ninja sobre Big Data.

Bolet铆n Ninja

Suscr铆bete a la newsletter y recibe la gu铆a ninja del Big Data y la Inteligencia Artificial.

Gu铆a ninja del Big Data
Copyright 漏 2023  路 Datos 馃シ 路 Todos los derechos reservados