El trabajo real de un científico de datos: narración de historias

El trabajo real de un científico de datos: narración de historias
El trabajo real de un científico de datos: narración de historias

Todas las mañanas en Dosomething.org, nuestras computadoras nos saludan con un informe que contiene más de 350 millones de puntos de datos que rastrean el rendimiento de nuestra organización. Nuestro desafío como científicos de datos es traducir este pajar de información en orientación para el personal para que pueda tomar decisiones inteligentes, ya sea eligiendo el titular adecuado para la explosión de correo electrónico de hoy (¿deberíamos pedir a nuestros miembros que «tomen medidas ahora» o «aprendan más»?) o determinar el propósito de nuestra campaña de voluntariado de verano (campaña de donación de alimentos o campaña de reciclaje?).

En resumen, tenemos la tarea de transformar los datos en directivas. Un buen análisis analiza los resultados numéricos en una comprensión de la organización. «humanizamos» los datos convirtiendo los números en bruto en una historia sobre nuestro rendimiento.

Cuando muchas personas escuchan «Big Data», piensan «Big Brother» (Escriba «Big Data es…» en Google y una de las principales recomendaciones es, «… mirarte»). El centro de esta ansiedad es la sensación de que lo que significa ser humano no puede ser rastreado o cuantificado por las computadoras. Este miedo está bien fundado. A medida que el costo de recopilar y almacenar datos sigue disminuyendo, el volumen de datos brutos que tiene disponible una organización puede ser abrumador. De todos los datos existentes, 90% fue creado en los últimos 2 años. Las organizaciones inundadas pueden perder de vista la diferencia entre lo que es estadísticamente significativo y lo que es importante para la toma de decisiones.

El uso de Big Data con éxito requiere traducción humana y contexto, ya sea para su personal o para las personas a las que su organización está tratando de llegar. Sin un marco humano, como fotos o palabras que hacen que la emoción sobresalga, los datos solo confundirán, y ciertamente no conducirán a un comportamiento organizacional inteligente.

Data le proporciona el¿Qué, pero los humanos conocen el ¿Por qué.

Las mejores decisiones empresariales provienen de intuiciones e ideas basadas en datos. El uso de datos de esta manera permite a su organización desarrollar el conocimiento institucional y la creatividad sobre una base sólida de conocimientos basados en datos.

Para Dosomething.org, el mapeo de nuestros datos de comunicaciones nos da una ventana increíble para ver a nuestra audiencia. Tenemos más de 1,5 millones de usuarios, y para cada uno tenemos cientos de puntos de datos sobre qué y cómo responden a las nuevas oportunidades de voluntariado a través de correo electrónico y mensajes de texto. Así es como pasamos de 350 millones de puntos de datos al cambio organizacional, y cómo las organizaciones que luchan con cantidades similares de información pueden hacer lo mismo:

 

  • Busque únicamente los datos que afecten a las métricas clave de su organización. En Dosomething.org, nuestro objetivo es aumentar la participación de los adolescentes en el voluntariado. Así que cuando hicimos un profundo análisis de nuestros datos el otoño pasado para determinar cómo aumentar esa métrica empezamos con preguntas simples: ¿Quién es el voluntario más y cómo podemos encontrar a más personas como ellas? Pudimos ignorar grandes volúmenes de datos que no respondían a nuestras preguntas y afinar lo que realmente importaba.

 

 

  • Presentar datos para que todos puedan comprender los conocimientos. Sugerencia: nunca mostrar un análisis de regresión o una trama de R. De hecho, nuestra presentación final tuvo muy pocos números. Nos centramos en contar una historia clara con diapositivas simples y visuales. Si bien utilizamos el análisis de regresión para encontrar una lista de variables significativas, visualizamos datos para encontrar tendencias: incluso los analistas de datos son mucho mejores para descubrir tendencias geográficas (y demográficas subyacentes) en los mapas que en las tablas de regresión, especialmente cuando hay múltiples patrones subyacentes con ambigüedades relaciones.

 

Al presentar los datos visualmente, todo el personal fue capaz de captar rápidamente y contribuir a la conversación. Todo el mundo fue capaz de ver áreas de alto y bajo compromiso. Eso llevó a una gran idea: Alguien fuera del equipo de análisis notó que los miembros de las ciudades fronterizas de Texas estaban mucho más comprometidos que los miembros de las ciudades costeras del noroeste.

 

  • Volver a los datos con nuevas preguntas. Una vez que aprendimos quiénes eran nuestros miembros más comprometidos, volvimos a los datos para ver qué campañas les gustaban más a esos miembros; en otras palabras, qué llevó a esos miembros a involucrarse. La respuesta resultó ser campañas en torno a la mejora de la salud comunitaria, un problema que afecta desproporcionadamente a las minorías. Esta información nos permitió adaptar mejor nuestras campañas de voluntarios en el futuro para involucrar a nuevos miembros, llegar a las asociaciones adecuadas para esas campañas, y también destacar otra área potencial para el crecimiento: estudiantes universitarios blancos y masculinos en el noroeste.

 

Los científicos de datos quieren creer que los datos tienen todas las respuestas. Pero la parte más importante de nuestro trabajo es cualitativa: hacer preguntas, crear directivas a partir de nuestros datos y contar su historia.

Únase a la conversación y compruebe si hay actualizaciones regulares. Siga el centro de información de Scaling Social Impact en Twitter @ScalingSocial y danos tu opinión.


Jeff Bladt Bob Filbin
Via HBR.org

Posts Relacionados
Total
0
Share