Periodismo de Datos

Este elemento es una profundización de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs] Los expertos en marketing de contenidos han empezado a contar historias con datos, y las mejores técnicas están empezando a aparecer. El primer paso es detectar la historia que se quiere contar. Su enfoque a la hora de recopilar y analizar datos determinará qué tipo de contenidos podrá desarrollar. Una vez que divise la historia, redacte el mensaje sin permitir que sea eclipsado por los datos.

Encontrar la historia

Empiece con el titular ideal. Cuando trabajo en un proyecto de marketing impulsado por datos, me gusta empezar por imaginar el titular o los tuits de mis sueños: los descubrimientos que a mí me encantaría que me proporcionasen los datos. Cuando examinaba los riesgos de seguridad infantil en Internet, por ejemplo, esperaba descubrir las prácticas que mayor reducción de fechorías habían generado. Deseaba leer algo como: “las buenas contraseñas reducen el número de ataques perpetrados por niños en un 50%”.

Puntualización

Sin embargo, los datos rara vez apoyaban el titular ideal, pero me ayudaban a hacerme una idea de cómo abordar mi investigación. (Tal vez sea de interés más investigación sobre el concepto). ¿Qué datos necesitaría si quisiera producir esa historia ideal? ¿De dónde podría sacarlos? Buscar los datos que producirían el resultado óptimo me ayuda a determinar qué tipos de datos serán relevantes para mi público. También me proporciona un enfoque claro mientras intento abrir paso por una montaña de resultados de encuestas o analíticas de redes sociales.

Reconozca sus prejuicios. Parte del atractivo de los contenidos de datos es que creemos que los datos carecen de prejuicios, que son objetivos.Si, Pero: Pero cuando empleamos los datos para fines de marketing, a menudo tenemos prejuicios. Queremos datos que ayuden a transmitir nuestro mensaje clave o que refuercen nuestra historia particular de marca. Como experto en marketing, puede y debe permitir que esos prejuicios den forma a las preguntas que haga, los temas que persiga y las partes de sus datos que recalque.
Para asegurarse de que esos prejuicios no le están llevando por mal camino, pregúntese si la historia y las conclusiones finales reflejan con precisión los datos con los que ha trabajado. Una buena forma de hacerlo consiste en imaginarse lo que concluiría alguien si tuviera acceso a su conjunto de datos al completo. Si es probable que llegasen a otra conclusión distinta, significa que usted ha hecho una selección sesgada de los datos y necesita replantearse la historia que está contando.

Busque patrones. Hay veces que solo queremos contar una historia interesante y no nos interesa que demuestre algo concreto. Dudo que a Jawbone le interesase si los neoyorquinos se acuestan a las 22:00 o a las 00:00, o que a Facebook le importe si reaccionamos con un “LOL” o simplemente un “jajaja”.Si, Pero: Pero compartir datos sobre esos patrones permite a las marcas captar la atención de los medios de comunicación y los clientes en potencia. A veces es la ausencia de patrones lo que resulta interesante, como los datos de OKCupid que mostraron que las personas homosexuales y los heterosexuales tienen el mismo número de parejas sexuales. La manera más fácil de empezar a contar una historia es a través de historias como estas. Son historias que resultan peculiares e interesantes, pero donde su marca no tiene ningún interés particular en lo que los datos demuestran.

Busque las sorpresas. Los contenidos de datos más interesantes cuentan a los lectores algo que todavía no saben. A veces esa sorpresa reside en encontrar una correlación inesperada: se podría esperar que los trabajadores más jóvenes tengan más probabilidades de comunicarse en línea y menos probabilidades de quedar en persona, pero en realidad es al contrario. Si no resulta sorprendente, será una historia aburrida.

Contar la historia

Una vez que haya decidido la historia que contará con los datos, necesita estructurarla de la forma más clara y atractiva posible.

Escoja el formato adecuado. A pesar de la impresión que le puede dar observar los datos de Pinterest, una única infografía larga no siempre representa la mejor manera de contar una historia impulsada por datos. Un libro blanco, una entrada de blog o incluso un sencillo gráfico difundido por Twitter pueden representar maneras efectivas de contar una historia con datos, en función de su objetivo y público. Si tiene muchos datos o una historia compleja que contar, un artículo largo que explique detalladamente los resultados será más efectivo que intentar atestar los márgenes de un solo gráfico. Si se empeña en proporcionar una corta actualización visual, publíquelo como un adelanto del artículo completo.

Articule su mensaje clave. Tanto si consigue encontrar la historia ideal de la que partió como si acaba con algo completamente distinto al sumergirse en los datos, su historia final debería comunicar un mensaje clave con claridad. ¿Cómo resumiría su historia en una sola frase o tuit? Articule esa historia de forma muy clara al principio de su actualización o documento, y utilice cada sección o gráfico para desarrollar más esa historia, al igual que haría con cualquier otro escrito persuasivo.

Empiece con una o dos cifras. Una de las mayores recompensas de los contenidos de datos es el tipo de atención que es capaz de atraer por parte de los medios de comunicación y las redes sociales. La forma más segura de atraer esa atención es señalar una o dos cifras sorprendentes y memorables. Cuando Grant Thornton publicó su último estudio sobre la inclusión de las mujeres en el liderazgo (véase también carisma) corporativo, destacó el hecho de que casi un tercio de las empresas no disponen de ejecutivas. Cuando Vision Critical lanzó What Social Media Analytics Can’t Tell You About Your Customers, remarcamos la cuestión de que el 85% de lo que “escucha” en Internet procede de menos del 30% de su público en redes sociales. Esos son los tipos de datos que se tuitean y de los que hacen eco los artículos de prensa.

Encuentre el equilibrio entre texto y efectos visuales. Muchos contenidos de datos se descarrillan al esparcir un gran cuadro de texto con unas pocas cifras, o al enterrar al lector en tablas y gráficos. Los mejores contenidos emplean el texto y las imágenes de forma equilibrada. Las tablas proporcionan el contexto completo de los datos que comparte, mientras que el texto permite a los lectores entender cómo interpretar esas tablas, y por qué las cifras son relevantes para su trabajo. Asegúrese de que los textos y los efectos visuales estén equilibrados no solo en cuanto a la cantidad, sino también en cuestión de calidad. A menudo observo infografías maravillosamente diseñadas llenas de errores tipográficos, o que no explican lo que las cifras presentadas con gran colorido representan realmente.

Ilustre sus datos con ejemplos humanos. Siempre que cuente una historia con datos, utilice historias reales o hipotéticas de personas concretas para traducir las cifras en una historia humana. Nuestro artículo How Pinterest Puts People In Stores demostró que un tercio de la gente confirmó que “hacer pin” de su última compra por Pinterest ejerció una “gran influencia” sobre su decisión de realizar finalmente la compra. Esta cifra se hizo mucho más tangible con la historia particular de Claire, que recibió una alerta de rebajas para un artículo del que había hecho pin. Mientras que “Claire” era un nombre ficticio, su historia se basó en las respuestas específicas de una encuestada. Ese tipo de ejemplo facilita que la gente entienda la historia que usted cuenta con sus datos, y también hace que resulte más fácil a los lectores identificarse con ella.

Haga recomendaciones. Si se adentra en las profundidades de un conjunto de datos, puede observar la relevancia de sus datos para un abanico de decisiones de negocio y de consumidores.Si, Pero: Pero eso no significa que la relevancia vaya a resultar fácil de identificar para sus lectores. Una vez hecho el análisis de datos, dé un paso atrás y piense en cómo usted tomaría diferentes decisiones de negocio o de compra en función de los datos presentados. Entonces, explique estas conclusiones en una sección independiente de “recomendaciones” o “conclusiones clave”.

Cuánto más siga estas buenas práctica, más parecerán una extensión natural de las habilidades comunicativas que ha perfeccionado mediante los otros aspectos de su trabajo. Y justo de eso se trata: si cuenta bien las historias con datos, será la historia y no las cifras lo que brillará.

Fuente: HBR

El lado oscuro de medirlo todo

Evaluar a la policía por su capacidad para reducir las tasas de criminalidad en un determinado barrio; a los médicos por alargar la vida de sus pacientes; a los profesores por los aprobados de sus alumnos y a los consejeros delegados de una compañía por el precio que alcanzan las acciones puede parecer razonable. De hecho, a menudo se hace.
Vivimos una época de veneración de la métrica, de adoración de datos.

Detalles

Las empresas almacenan grandes cantidades de información sobre clientes y empleados. Algunos incluso a los que aún no les han encontrado utilidad posible, pero se almacenan con un impulso de bulimia digital por si algún día hacen falta. El mantra de moda dice que el futuro son los datos. Y eso nadie lo duda ya en la era de la inteligencia artificial. ¿Pero dónde están los límites? ¿Podemos medirlo todo?

“Gran parte de la información no tiene ningún uso real”, escribe el historiador Jerry Z. Muller en The Tyranny of Metrics sobre la “carrera de armamentos de datos” que le toca, como a tantos otros profesionales, recopilar en interminables informes de dudosa utilidad. El enfado que le supuso la pérdida de tiempo de uno de esos análisis llevó a este profesor de Historia a investigar los recursos que se malgastan en la medición de rendimiento (véase una definición en el diccionario y más detalles, en la plataforma general, sobre rendimientos) en áreas como educación, medicina, vigilancia, negocios y también el ejército.
Medir la efectividad de la policía en función a las tasas de delincuencia, por ejemplo, incentiva a que la policía engorde la gravedad de algunos delitos para mejorar sus estadísticas. Evaluar a los médicos por la capacidad de curar a sus pacientes les lleva a priorizar los casos más fáciles; si se valora a los profesores por el resultado de sus alumnos en los exámenes, en vez de centrarse en motivarles en aprender, los niños aprenden a aprobar exámenes en vez de contenidos; y si se bonifica a los directivos por el precio de las acciones, como bien aprendimos en la crisis que inició con el colapso de Lehman Brothers, se merma la capacidad de tomar decisiones buenas para la empresa en el largo plazo. La culpa no es de los datos, claro, sino de tomarlos como la panacea olvidando los incentivos perversos que generan ciertas métricas.

En nombre de la eficiencia no solo se pierde mucho tiempo. Esta manía tan nuestra de querer medirlo todo acarrea también, más a menudo de lo que pensamos, más problemas que soluciones. Por eso Muller advierte de la tiranía de las métricas “para cualquiera que quiera entender una de las grandes razones por las que tantas organizaciones contemporáneas funcionan menos de lo debido, disminuyendo la productividad y frustrando a quienes trabajan en ellas”, afirma el historiador.

No solo hay una pulsión matemática en la necesidad de medirlo todo en las organizaciones. También es un asidero emocional al que sujetarse en tiempos de cambio acelerado. “La tendencia a delegar más decisiones en la medición entra en la lógica de la necesidad de sentir que tenemos el control y lo tenemos todo calculado”, afirma Miquel Seguró, investigador de la Càtedra Ethos de la Universitat Ramon Llull y profesor de Filosofía de la Universitat Oberta de Catalunya. “La idea de que algún día todo se podrá calcular y llevar a cálculos empíricos ayuda a gestionar la sensación de incertidumbre creciente.Entre las Líneas En parte sirve para hacernos la ilusión de que podemos dominar lo que no dominamos”.

Los fallos frecuentes

Ya sea para decidir cuál es el empleado que merece un ascenso o quién será la próxima cita de Tinder, cada vez delegamos más decisiones en algoritmos que basan sus resultados en métricas a veces muy dudosas y casi siempre poco transparentes. El problema no está en los datos, sino en los incentivos que generan y la dependencia que provocan.
Tanto los humanos como los algoritmos diseñados por ellos tienden a medir lo que es fácilmente cuantificable. “Lo que no se puede medir no existe”, enseñan en las escuelas de negocios .Si, Pero: Pero que existen muchas cosas que sean difíciles de justificar ante el departamento de Contabilidad no quiere decir que no existan, sostiene Muller. Entre los errores frecuentes a la hora de basar decisiones en métricas estandarizadas está centrarse solo en una o pocas medidas, incluso cuando los resultados que intentamos medir son complejos. Y entre los efectos secundarios de centrarse en lo que es fácilmente medible, como por ejemplo como los ingresos y las ganancias trimestrales, el número de contratos realizados o de exámenes aprobados, acaba desviándose la atención de lo que no es tan evidente, como la motivación y la confianza.

“El peligro de someterse a las métricas estandarizadas es que la diferencia se convierte en algo sospechoso”, afirma el filósofo Miquel Seguró, autor de La vida también se piensa (Herder, 2018). “Lo que no responde al patrón pasa a ser considerado fuera de lo normal. Y eso puede llevar a que cada uno se someta a una misma medida estándar que no corresponde a su nivel óptimo. Igual que hay gente a la que le vale dormir cinco horas y otros necesitan nueve, si se dice que todos durmamos ocho el que no se ajusta al estándar lleva una connotación negativa”.
Además, hay otro factor humano a tener en cuenta: las trampas. Desde que existen los libros de cuentas, existen los márgenes para anotaciones. Y los engaños. Para ilustrar el riesgo de medirlo todo, Muller llena de ejemplos en el que al exigirle a los trabajadores o a un sistema que reduzcan a números su rendimiento, estos recurren de forma sistemática a trampear el sistema.

No hace falta inventarse las cifras para que parezcan más altas, a veces basta con trampearlas. Cuando los hospitales empezaron a ser penalizados financieramente en función a las tasas de reingreso de sus pacientes, empezaron a ocultar los reingresos contabilizándolos como servicios ambulatorios. Los reingresos, claro, contaban que se habían reducido a la mitad, aunque el número de pacientes tratados fueran parecidos.

La intuición y lo imprevisible

El mundo digital va en una dirección en la que parece que lo ideal esté previsto y el mercado anticipe nuestras preferencias. “La tecnología cada vez está más personalizada”, afirma José María Torralba, profesor titular de Ética de la Facultad de Filosofía y Letras de la Universidad de Navarra. “Los algoritmos intervienen en las decisiones de las compras, de los viajes… Y esto plantea muchos problemas éticos. Uno es la idea misma de que todo esté previsto. Que no haya un espacio para lo imprevisible me parece una pérdida. Si llegáramos a ese mundo previsible se cuestionaría incluso la propia libertad como si estuviera escrito lo que vamos a hacer”.

El segundo problema que ve este filósofo experto en acción humana es la trampa de quererlo cuantificar todo: Se hacen algoritmos para cuantificar los gustos de las personas, los comportamientos políticos… y hasta la compatibilidad en el amor de potenciales emparejamientos. “¿Se puede cuantificar la vida humana?”, se pregunta Torralba. “Yo diría que no, porque siempre habrá un aspecto de libertad. Si por el desarrollo de la tecnología construimos un mundo en el que todo es cuantificable, incluso aunque llegásemos a hacerlo tecnológicamente posible, el resultado sería empobrecedor porque atrofiaríamos la vida humana hasta encajarla en una tabla de Excel”.
La solución, claro, no está en prescindir de los datos. Y menos en la época de la transformación digital en la que vivimos donde cada vez más aspectos de la vida cotidiana, de las citas en Tinder a los tratamientos médicos, se van metabolizando en datos. Lo que hay es que entenderlos mejor.

Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):

“No solo faltan científicos e ingenieros, faltan analistas de negocios que entiendan realmente de qué va todo esto”, afirma Marc Torrens, profesor de Operaciones, Innovación y Data Science ESADE. “No hay nada mágico detrás del machine learning. No hay nada realmente inteligente, hay que desmitificar el big data. El experto en datos de una empresa no es más que un científico al que le encantan las matemáticas. Los que tienen la responsabilidad de entender el poder de los algoritmos y sus consecuencias son los directivos de turno, del jefe de marketing al consejero delegado. Porque si la persona encargada de gestionar el negocio no calibra bien ni lo que se puede hacer ni el cómo con lo que mide, no entiende las consecuencias de sus acciones. Es urgente que quienes toman las decisiones sean conscientes de lo que se puede hacer y lo que no con los datos, pero falta mucho conocimiento”.
La culpa no es de los números, claro. Ni del big data. Sino de haber incrustado en el panorama organizativo presuntos indicadores objetivos que se anteponen a la experiencia, la intuición y el talento. “Los indicadores de desempeño pueden ciertamente ayudar, pero no reemplazar, las funciones clave de la administración: pensar con anticipación, juzgar y decidir”, escribe Muller.

“Por supuesto hay cosas que no se pueden medir”, reconoce Marc Torrens, experto en análisis de datos. “Factores como la empatía o el sentido común no se pueden capturar con datos… de momento”. Y añade: “Aunque seguramente no podrán calcularse nunca”. Como ejemplo pone el estudio que hizo Facebook con datos de 68.000 usuarios a los que les pidió que respondieran varios test psicológicos para conocer su personalidad. “La conclusión fue que los algoritmos en Facebook en base a los clics de lo que nos gusta deducen mejor el carácter y la personalidad que un familiar o amigo de confianza. Saben más de ti que tú mismo”, afirma.

Una cosa es identificar patrones, pero en lo que tanto ingenieros como filósofos coinciden es en que la interpretación del conocimiento no es cosa de máquinas. “Estadísticamente los algoritmos funcionan mejor que un ser humano en procesar datos, pero la interpretación de los resultados es tarea humana”, afirma Torrens. “Hace cinco años no creíamos que estos algoritmos pudieran llegar a ser tan precisos. Por ejemplo, ya puedes recibir un anuncio de un viaje que estabas pensando en hacer aunque no hubieras hecho ninguna búsqueda porque los algoritmos empiezan a deducir que si has hecho una serie de cosas te sugieren cosas o viajes que estaban a punto de interesarte”.

Cada vez más expertos en inteligencia artificial reclaman, de hecho, el valor del slow data frente al big data. Dejar de acumular datos al por mayor para afinar más en los procesos de gestión. (Tal vez sea de interés más investigación sobre el concepto). El despacito y buena letra de los datos. El dilema no es de las métricas frente al juicio humano, sino que las métricas sean la base del juicio humano y no las sustitutas de este. Es decir, los profesionales deben saber cada vez más sobre métrica y dominar el big data en su campo. No para fiarse de todo lo que dice, lo cual haría prescindible al humano, sino para saber interpretarlas adecuadamente, reconocer las típicas distorsiones características de las que advierte Muller y, sobre todo, saber identificar todo aquello especialmente valioso que no se puede medir. No en vano el sentido común es una de las cualidades más difíciles de enseñarle a la inteligencia artificial.

“Debemos ser críticos con los sistemas de medición”, dice Seguró. “Hay muchas cosas en las que las personas somos previsibles, pero hay situaciones de la vida que no controlamos. Y eso asusta. El paradigma (modelo, patrón o marco conceptual, o teoría que sirve de modelo a seguir para resolver alguna situación determinada) cientifista de llevarlo todo a lo cuantitativo es una manera de afrontar la resolución de problemas, pero hay que combinarla con otras perspectivas. Porque siempre habrá parámetros que se nos escapan”.

Muller reivindica el valor del contexto más allá de los datos. Claro, que para eso el jefe de turno encargado de evaluar debe conocer bien la compañía, el departamento y el negocio por dentro. La gran utilidad de unos datos presuntamente objetivos es que a los fichajes recién llegados (o a los encargados que no tienen ni idea de cómo trabajan sus empleados) les permite hacerse una composición de lugar que a menudo es más bien una simple ilusión de control.

Tener pautas sobre cuándo tiene sentido una medición y cuándo corre el riesgo de desviarnos del valor de nuestra experiencia es algo que aprenden los buenos cocineros en las escuelas de cocina. No estaría de más que las escuelas de negocios se apresuraran a recordarlo más a menudo. Más datos no equivale a tomar una mejor decisión. (Tal vez sea de interés más investigación sobre el concepto). Un análisis reflexivo, sin embargo, sí. Sobre todo si está basado en datos relevantes.

Fuente: el Independiente

▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.