UNA ANTROPOLOGÍA ANFIBIA : Colaboración cuali-cuanti en los tiempos del Big Data

Autor: Juan Felipe Forero.

Por las razones que sean, el concepto de colaboración está de moda en diversas disciplinas, campos del conocimiento y sectores (públicos o privados); y sin embargo, la colaboración, específicamente la colaboración interdisciplinar, parece ser la herramienta perfecta para un contexto en específico: la producción exponencial de datos digitales –o en otras palabras, lo que comúnmente se conoce como Big Data.

Ahora bien, la pregunta es ¿cómo la antropología puede aportar desde el ámbito colaborativo a los retos que plantea la era del Big Data a las organizaciones de hoy?

La antropología puede dar contribuciones de muchos tipos (o múltiples maneras de contextualizar los datos), pues al identificar distintas formas de colaborar, podemos generar diferentes respuestas a los interrogantes que producen los grandes sets de datos de hoy en día.

En otras palabras, y usando la ingeniosa metáfora de Nick Seaver (2016), el aporte de la antropología es ser anfibia: puede “navegar” en el flujo de datos como herramienta para producir insights, o puede “caminar” a través de los diferentes contextos semióticos, tecnológicos, y culturales de la colaboración en Big Data[1].

Mezclar es lo mejor

La era del Big Data propone un gran reto en términos de “contexto”: se sabe que más datos implican más insights, y más insights implican más oportunidades de negocio, pero no es muy claro cómo darle sentido a los datos para poner en marcha esa cadena de valor (Lorentz, 2013).

Los métodos estadísticos y lo que se ha estado consolidando como la ciencia de datos (data science) serían los indicados para desatar el nudo, y sin embargo, incluso defensores de aproximaciones cuantitativas ven vacíos en los muestreos, correlaciones y fórmulas predictivas cuando se transportan de un ámbito estadístico convencional a una situación de Big Data (Marcus, 2013; Mayer-Schönberger y Cukier, 2013).

En los últimos años se ha sugerido, entonces, que no existe la aproximación indicada, sino que el nudo se desata en la intersección entre muchas aproximaciones -es decir, en la colaboración interdisciplinar- pues, como lo afirma el Centro de Big Data de Cambridge, “la colaboración trae perspectivas frescas para los problemas que encuentran tanto los negocios como la academia.”[2]

La antropología y disciplinas afines también han hecho parte de este movimiento colaborativo entre aproximaciones cualitativas y cuantitativas. Tricia Wang (2013), por ejemplo, explica que “más números no necesariamente producen más insights,” por lo que “el trabajo etnográfico tiene un enorme valor en la era del Big Data.” Anders Blok y Morten Pedersen (2014, p. 6), por su parte, llevan la colaboración cuali-cuanti incluso más lejos, afirmando que la mezcla de métodos no solo produce “resultados” sino también “experimentos en democracia de datos.”

Desde este “boom” pro-interdisciplinar, entonces, existe la certeza de que la colaboración es la mejor herramienta social para movilizar el potencial del Big Data (una de las tecnologías de punta contemporáneas). No obstante, ¿qué entendemos por colaboración? ¿cómo funciona? ¿qué sucede en el proceso de colaborar con métodos, instrumentos y perspectivas aparentemente tan diferentes?

Oreos y Reese’s: Muchas formas de colaborar

Si definimos la colaboración como un proceso que se lleva a cabo de forma conjunta, podríamos afirmar entonces que la colaboración requiere un grupo de personas trabajando en equipo, y una meta final en común.

Basado en las metodologías ágiles de colaboración entre ingenieros, científicos y programadores, el antropólogo Christopher Kelty (2010) define la colaboración como el resultado (un estado final) de dos procesos simultáneos: la composición de un producto a partir de herramientas (metodologías, ideas, información, software) y la coordinación entre las distintas personas manejando dichas herramientas. Lo interesante aquí es que la colaboración puede tomar muchas formas porque puede ser compuesta y coordinada de diversas maneras.

Ken Anderson, Dawn Nafus y Tye Rattenbury (2009), en el contexto de su trabajo como investigadores de Intel, proponen entonces dos tipos de colaboración cuali-cuanti expresadas en una analogía provocadora que a continuación vamos a explorar: en la era del Big Data podemos colaborar en forma de Oreos o en forma de Reese’s.

giphy

La metáfora de las Oreos evoca complementariedad, en el sentido en que ambos elementos (la galleta y la crema, o lo cualitativo y lo cuantitativo) van muy bien juntos, pero al fin y al cabo se pueden separar (me puedo comer solo la crema o la galleta). Ejemplo de esta aproximación es la ya nombrada (y renombrada) Tricia Wang (2013) y su concepto de Thick Data. 

De acuerdo con Wang, los Datos Densos (es decir, los datos cualitativos que revelan el mundo emotivo y contextual de las personas que produjeron los datos) resultan una combinación perfecta para las aproximaciones cuantitativas que analizan los millones de datos: los Datos Densos revelan conexiones entre los datos cuantitativos que de otra forma sería imposible de ver (por lo tanto, producen nuevos insights), pero también le dan un halo emotivo a los números cuando se quieren vender a los clientes (historias con qué vender los insightsencontrados). Sin la crema (los datos cualitativos), la galleta (los datos cuantitativos) sería menos apetitosa -pero aún sin crema, la galleta sería considerada apetitosa en sí misma.

giphy-2

Por otra parte, Anderson et al.(2009) propone una segunda forma de colaboración cuali-cuanti, que relaciona con los chocolates Reese’s: su cobertura de chocolate y su relleno de crema de maní no pueden ser separados (o por lo menos no tan fácilmente).

En vez de recopilar datos cuantitativos por un lado, y luego complementarlos con datos cualitativos recopilados por otro lado, la autora propone una forma de colaboración de datos cualitativos y cuantitativos al mismo tiempo.

Para Nafus, los antropólogos pueden ayudar a recopilar datos cuantitativos en campo (con apps que registran datos de forma automática), y luego llevar esos datos a los mismos usuarios que los produjeron, para que ellos también puedan darle sentido a los millones de datos recolectados digitalmente.

Usando de nuevo los conceptos de Kelty (2010), lo que proponen desde Intel es una composición distinta a partir de una coordinación diferente: están trabajando coordinadamente, no sólo con científicos de datos, sino también con los usuarios; y está componiendo una serie de insights que son al mismo tiempo cualitativos y cuantitativos.

Un anfibio entre Oreo y Reese’s

Más allá de cuál de las dos aproximaciones es mejor, la antropología puede moverse de diferentes maneras (nadando o caminando) entre diversas combinaciones cualitativas y cuantitativas. Para las organizaciones interesadas en sacarle el mayor provecho a la era del Big Data, esto significa que la antropología puede adaptarse dinámicamente y producir insights relevantes de maneras innovadoras e inesperadas. Por lo tanto, si el contexto es esencial para entender los datos que se recolectan por millares, entonces la antropología puede conseguir dichos contextos a nado o a pie.

 Bibliografía

Anderson, K., Nafus, D., Rattenbury, T., & Aipperspach, R. (2009). Numbers have qualities too: Experiences with ethno‐mining. Ethnographic praxis in industry conference proceedings1(1). Oxford, UK: Blackwell Publishing Ltd.

Kelty, C. (2009). Collaboration, Coordination, and Composition: Fieldwork after the Internet. Fieldwork is not what it used to be: Learning Anthropology’s method in a time of transition. Ithaca: Cornell University Press, 184-206.

Lorentz, A. (2013). With Big Data, context is a big issue. Wired. Link del artículo: https://www.wired.com/insights/2013/04/with-big-data-context-is-a-big-issue/

 Marcus, G. (2013). Streamrolled by Big Data. The New Yorker. Link del artículo: https://www.newyorker.com/tech/annals-of-technology/steamrolled-by-big-data

 Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.

 Seaver, N. (2015). Bastard algebra. Data, Now Bigger and Better!. Chicago: Prickly Paradigm Press, 27-46.

 Wang, T. (2013). Big data needs thick data. Ethnography Matters13. Link del artículo: https://medium.com/ethnography-matters/why-big-data-needs-thick-data-b4b3e75e3d7

 


[1]O incluso, como lo propone el mismo Seaver, quedarse en la orilla (entre flujos y terrenos) observando cómo ambos se combinan.

 

Sobre el autor: 

foto_linkedIn_recortada

Juan Felipe Forero es antropólogo social con maestría en Antropología Digital de University College London (UCL). Ha trabajado en temas de colaboración interdisciplinar a través de plataformas digitales en Madrid y Bogotá, y en el análisis de la relación entre pacientes y farmacéuticas en redes sociales. Actualmente trabaja en proyectos de ‘alfabetización digital’ con comunidades vulnerables para la generación de empleos TIC, y próximamente va a comenzar un doctorado en antropología e innovación social.

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s