Decisión basada en datos y análisis de datos públicos

Ganancias:

• Reconoce los riesgos de calidad, confidencialidad e interpretación de trabajar con datos y establece un flujo de análisis seguro.
• Selecciona el indicador correcto para un propósito, distinguiendo entre indicadores únicos engañosos y mediciones que están abiertas a manipulación.
• Reconoce técnicas gráficas engañosas (eje que no comienza desde cero, rango elegido) y observa una visualización honesta.

El público produce datos todos los días: números de solicitudes, tiempos de solución, partidas presupuestarias, movimientos de población, solicitudes de servicios, resultados de auditorías, encuestas de satisfacción. La mayoría de estos datos se encuentran en hojas de cálculo, formularios y sistemas de registro de Excel, pero no se traducen en decisiones, porque analizarlos requiere experiencia y tiempo. La toma de decisiones basada en datos (un enfoque para asignar recursos y establecer políticas basándose en evidencia cuantificada, en lugar de opiniones o hábitos) aumenta tanto la eficiencia como la justicia en el sector público: los recursos van a donde más se necesitan en función de las cifras. En este caso, la IA es un poderoso asistente para dar sentido a una tabla, encontrar patrones y anomalías, extraer estadísticas resumidas y traducir los hallazgos en oraciones simples. En esta unidad, verá cómo acortar el camino desde los datos públicos sin procesar hasta una decisión defendible con IA y cómo mantenerse disciplinado en el aspecto más crítico: la interpretación correcta del número.

Tres peligros de trabajar con datos

Los datos son poderosos, pero tienen tres trampas, y la IA puede mitigarlas y magnificarlas:

1. Correlación ≠ causalidad. Sólo porque dos cosas cambien juntas no significa que una cause la otra. Las ventas de helados y los ahogamientos están aumentando, porque ambos están relacionados con el calor del verano y no uno causa el otro. La IA construye con fluidez oraciones "porque"; Cuestione cada afirmación de causalidad.
2. Datos sesgados/faltantes. ¿De quién y cómo se recogieron los datos? Los datos de quejas reflejan sólo aquellos que pueden quejarse; datos de aplicaciones digitales aquellos con acceso a internet. Si no ve el grupo que falta, la decisión será sesgada.
3. Número sin contexto. "Aumentar en un 30%" por sí solo no tiene sentido: ¿según qué, en qué período, cuál es el número absoluto? Pídele contexto a la IA.

Atención: mientras la IA analiza la tabla que usted proporciona, a veces agrega números "razonables" pero ficticios desde fuera de la tabla o completa silenciosamente las celdas que faltan. Compare cada número de salida con la tabla fuente; Dale a la IA la regla "usa solo los valores de la tabla que te doy, si faltan di 'sin datos'".

Flujo de análisis de datos paso a paso

1. Aclara la pregunta. ¿A qué pregunta buscamos respuestas para la decisión? ("¿En qué barrio tarda más el tiempo de solución?")
2. Conozca los datos. ¿Cuáles son las columnas, cuál es la unidad, cuál es el período, faltan valores o son incorrectos?
3. Extraer datos personales. Anonimizar/agregar si no se requiere identificación individual para el análisis (ver Unidad 11).
4. Surgen el resumen y el patrón. Haga que la IA realice estadísticas básicas, agrupaciones y marcado de anomalías.
5. Cuestiona el comentario. ¿Correlación o causalidad? ¿Explicación alternativa? ¿Falta grupo?
6. Visualiza y simplifica. Un resumen y gráfico sencillo que el tomador de decisiones pueda entender.
7. Documente la decisión y su razonamiento. ¿Qué decisión se tomó en base a qué datos? pista de auditoría.

tres mini casos

Caso 1: La fuente fue al lugar correcto. En el pasado, un municipio distribuía su presupuesto de mantenimiento de parques "por igual a cada barrio". Cuando se analizaron 18 meses de datos de demanda y uso con IA, la demanda per cápita de los tres vecindarios fue 2,4 veces el promedio. El presupuesto se redistribuyó según las necesidades; La satisfacción general aumentó, sin gastos adicionales.

Caso 2: Se observaron datos sesgados. Una agencia analizaría los datos de las solicitudes digitales y concluiría que “los ciudadanos ya no vienen al peaje”. Pero cuando se solicitó el desglose por edades en el análisis, se vio que las solicitudes de personas mayores de 65 años todavía procedían en su mayoría de ventanilla. Si sólo se examinaran los datos digitales, se ignoraría a este grupo; Se conservó el servicio de taquilla.

Caso 3: Se detuvo la causalidad artificial. Mientras interpretaba una tabla, YZ dijo: "Los accidentes disminuyeron porque aumentó el número de inspecciones". El analista recordó que el clima también cambió y el tráfico disminuyó en el mismo período; Atribuirlo a una sola causa era engañoso. El informe se corrigió para decir "existe una relación pero no se ha demostrado la causalidad".

Cuatro plantillas copiables

1) Conociendo la mesa:

Su función: analista de datos. Examine la siguiente tabla y, basándose ÚNICAMENTE en los valores de esta tabla: (1) resuma qué es cada columna, su unidad y período, (2) cualquier celda que parezca faltante/incorrecta, (3) resuma los 3 patrones principales que se destacan. Sumar números desde fuera de la tabla; si falta, diga "sin datos". TABLA: [pegar datos]

2) Estadísticas resumidas con contexto:

Responda la siguiente pregunta de la siguiente tabla: [pregunta]. DEBE dar el resultado con contexto: número absoluto + tasa + período de comparación. Cuando diga "aumentado en un X%", especifique en qué medida y en qué período. Simplemente use los datos proporcionados. TABLA: [datos] PREGUNTA: [pregunta]

3) Interlocutor de causalidad:

Interprete el siguiente hallazgo, pero PRECAUCIÓN: no confunda correlación con causalidad. Generar al menos 3 explicaciones alternativas para esta relación (tercera variable, sentido inverso, coincidencia). Dígame qué datos adicionales se necesitan para probar la causalidad. HALLAZGO: [relación]

4) Resumen simple de la decisión:

Simplifique el siguiente análisis para un tomador de decisiones que no sea un experto en datos: no más de 5 ítems, cada ítem un hallazgo y una explicación de “qué significa esto”. También anote claramente las incertidumbres y límites de los datos. Añadiendo nueva información. ANÁLISIS: [texto]

Aviso débil / Aviso fuerte

Débil: "Analiza este gráfico y dinos qué debemos hacer".

Strong: "Su papel es el de analista de datos. Utilice SÓLO la siguiente tabla; no agregue números externos, diga 'sin datos' en la celda que falta. Primero, conozca las columnas, las unidades y el período. Luego responda la pregunta 'qué vecindario tiene el tiempo de solución más largo' con número absoluto + relación + período de comparación. Si encuentra un patrón, proponga 3 explicaciones alternativas antes de explicarlo con causalidad. Finalmente, enumere los puntos y límites de los datos (grupo faltante, período corto) que nos dejan la decisión a nosotros".

Diferencia: un mensaje fuerte establece juntos la fidelidad de los datos, el contexto, la disciplina de causalidad y los límites de decisión; El resultado es un análisis defendible.

¿Dónde se puede confiar en la IA en el negocio de los datos?

negocio

Confianza en la IA

regla

Resumen de tabla, agrupación

alto

Datos proporcionados únicamente

Marcado de anomalía/patrón

medio

confirmación humana

Interpretación de causalidad

bajo

Se requiere una explicación alternativa

Completando datos faltantes

demasiado bajo

No hagas que esto suceda; "sin datos"

Simplificación/resumen visual

alto

El significado debe ser preservado.

Diseño de indicadores y trampa de gráficos engañosos

El paso más crítico al tomar decisiones con datos es elegir el indicador correcto (la expresión numérica que hace que un fenómeno sea mensurable; por ejemplo, “tiempo promedio de procesamiento” o “costo por aplicación”). Un indicador equivocado conduce a una decisión equivocada, incluso con datos precisos: mientras que el “número total de reclamaciones resueltas” parece estar aumentando, el “tiempo de espera por ciudadano” puede estar empeorando. La IA puede enumerar indicadores candidatos para un tema y lo que cada uno mide y oculta; pero tú decides qué indicador representa realmente el interés público. Además, hay que tener en cuenta el riesgo de visualización engañosa (distorsionar la percepción con técnicas como que el eje no parte de cero, escala desproporcionada, intervalo de tiempo seleccionado) en los gráficos que la IA sugiere o describe; La imagen honesta en los datos públicos es parte de la gobernanza.

Mini caso: señal equivocada, alarde equivocado. Una unidad batía récords en el indicador "número de expedientes cerrados por mes"; pero las quejas ciudadanas aumentaron. Si se analiza el indicador preciso, la “tasa de resolución del primer contacto”, la tasa cayó del 58 por ciento al 44 por ciento: los archivos se cerraban y volvían a abrir rápidamente. Cuando el indicador cambió, la prioridad de gestión también cambió.

Mini caso: eje que no parte de cero. En el gráfico AI descrito en una presentación, el eje vertical comienza en 40, un aumento del 2 por ciento parecía un salto dramático. Cuando el eje se movió a cero, surgió la imagen real y la decisión fue eliminada de la percepción exagerada.

Plantilla que admite la selección de indicadores:

Tarea: Sugiera 5 indicadores candidatos para el siguiente propósito. Propósito: [p. ej. mejorar la calidad de la atención ciudadana]Para cada indicador: qué mide | qué puede ocultar | apertura a la manipulación | frecuencia de lectura recomendada.A continuación: escriba 3 advertencias (las que son engañosas por sí solas) para leer estos indicadores juntos.Regla: No produzca números; solo sugiera el diseño del indicador.

Precaución: No caiga en la idea errónea de que "el número es objetivo". El número que mide, cómo lo muestra y el rango que elige son cuestiones de interpretación. Una interpretación pública transparente y honesta es tan importante como disponer de datos precisos.

Errores comunes

• Confundir correlación con causalidad. "Juntos crecieron" no es la causa; Busque explicaciones alternativas.
• Hacer que la IA complete los datos faltantes. El análisis se derrumba con un valor inventado; dejar desaparecidos a los desaparecidos.
• Generalizar datos sesgados. Las quejas/datos digitales no representan a todos; Consulta el grupo que falta.
• Presentar el número sin contexto. Al lado de la proporción debe haber un número absoluto y un período de comparación.
• Analizar innecesariamente datos personales. No utilice identificación individual si los datos agregados son suficientes.
• No documentar la decisión. Qué decisión se tomó en función de qué datos deberían registrarse para la auditoría.

En resumen

La toma de decisiones basada en datos es la forma más poderosa de distribuir recursos de manera justa y eficiente en el sector público; La IA es un asistente rápido en este negocio que da sentido a la imagen, encuentra patrones y simplifica la búsqueda. Pero no haga que la IA invente números, no la obligue a completar los datos faltantes, no permita que confunda correlación con causalidad y evite generalizar datos sesgados o incompletos. La unión hace la fuerza; La persona que la interpreta correctamente y documenta la decisión es más fuerte.

Tarea de aplicación

Obtenga una tabla real (sin datos personales) de su unidad. Introduzca los datos con la plantilla "Conociendo la tabla", luego obtenga respuesta a una pregunta importante para la decisión con la plantilla "Estadísticas resumidas contextuales". Aplique la plantilla "Pregunta sobre la causalidad" a una relación emergente y encuentre al menos una explicación alternativa. Compruebe si la IA está sumando números desde fuera de la tabla.

lista de verificación

• [] La IA solo usó la tabla dada; No sumó números de afuera.
• [ ] No completé los datos faltantes; Lo dejé como "sin datos".
• [] Presenté cada resultado con contexto (número absoluto + tasa + período).
• [ ] Produje una explicación alternativa a las afirmaciones de causalidad.
• [] Evalué el riesgo de datos sesgados/faltantes y el grupo faltante.
• [ ] Documenté la decisión y los datos en los que se basó.