Si el tema nos pilla lejano, puede que no necesitemos más. Pero ¿qué ocurre si se ve involucrada nuestra marca? ¿O si se trata de un evento que puede afectar a las operaciones de nuestra empresa? Necesitamos entender bien el evento, sus consecuencias, qué medios han informado y cómo lo han hecho. Y, por supuesto, necesitamos poder evaluar el riesgo para actuar en consecuencia.

Hoy podemos acceder a todo lo publicado sin vernos limitados por la posición de las noticias en los buscadores. Podemos obtener grandes cantidades de datos automáticamente, analizarlos, compararlos y clasificarlos. Y, por supuesto, hacer lo que más nos gusta: el análisis cualitativo de todo el monto de información obtenido.

A continuación, mostramos un ejemplo de lo que una combinación de Machine Learning con Análisis Cualitativo netamente humano puede ofrecer en cuanto a comprensión de un evento que tiene un fuerte impacto mediático en un periodo muy corto de tiempo. El evento es la muerte de Qasem Soleimani, el 3 de enero de 2020, por un ataque de la Fuerza Aérea estadounidense.

El informe, disponible aquí o haciendo clic en las imágenes, incluye:

• • Una descripción completa del evento: antecedentes, muerte, entierro, eventos posteriores, etc.
  • Datos extraídos automáticamente y enriquecidos mediante reconocimiento de entidades denominadas (NER): personas, localizaciones y organizaciones mencionadas.
  • Y claves sobre el tratamiento mediático del evento: tono, evolución del lenguaje, imágenes ilustrativas, temas según el medio, etc.

Toda la información proviene de las 135 fuentes analizadas de lo que ha sido transmitido por los medios y ha llegado al público, tanto en formato escrito como vídeo.

La entrada Análisis de un evento desde fuentes abiertas, con ML y QA se publicó primero en Online and Offline.

Para responder, hemos elaborado un pitch sobre un sector concreto, el de la cerveza artesanal en España.

Mapa interactivo: zoom con la rueda del ratón y clic sobre categorías

Y hemos concluido que el empresario hoy tiene la posibilidad de:

• Conocer las propuestas de valor de toda su competencia.
• Saber en qué aspectos se fijan más los clientes en función del tipo de establecimiento.
• Conocer la ubicación de todos los establecimientos vinculados a la oferta de cerveza artesanal.
• En definitiva, reducir el riesgo a la hora de encaminar su negocio en un momento de profunda incertidumbre.

Hemos combinado Machine Learning con análisis cualitativo para ofrecer una imagen del sector que incluye:

• Mapa de geolocalización.
• Mapa de calor.
• Categorías de establecimientos vinculados a la cerveza artesanal (cervecerías artesanales, bares, restaurantes, etc.)
• Aspectos más destacados por los usuarios (comida, ambiente, etc.)
• Aspectos más destacados según la categoría de local.

Podéis consultar el informe con gráficos interactivos aquí: Presencia online de la cerveza artesana en España.

Gráfico sobre temas destacados por los usuarios. Interactivo en el pitch.

La entrada Cerveza artesana con Machine Learning y análisis cualitativo se publicó primero en Online and Offline.

Sea como fuere, estos días no tienen precedentes. Es una excusa como cualquier otra para dar cuenta de que no encontré datos .CSV en OMS. Lo único que había encontrado era archivos PDF desde los que copiar y pegar. Además, los datos de worldofmeter presentan discrepancias respecto a la OMS, con lo que de momento no los considero. Afortunadamente, encontré archivos CSV o JSON en el centro europeo de control de enfermedades:

https://www.ecdc.europa.eu/en/publications-data/download-todays-data-geographic-distribution-covid-19-cases-worldwide

El problema es que son series de datos por países. Exigirían un trabajo manual que me detrae energía y que es inútil si es evitable. Por lo tanto, he generado un pequeño programa python y un jupyter notebook para evitar el trabajo manual y observar los resultados cada día.

En un repositorio os he dejado instrucciones muy básicas por si no tenéis python instalado. Con ellas y un mínimo de perseverancia, podréis tener listo vuestro PC con windows o linux para poder ejecutar los scripts en python y con las bibliotecas necesarias. Max OS X es casi lo mismo, pero no lo puedo asegurar porque no tengo mac. Cuenta con python de origen, pero ni idea de cómo se instala pip, conda o lo que sea que usen en la manzana

https://github.com/jlchulilla/COVID-19-scripts

A partir de ahí, tenemos un script básico que descarga los datos de ECDC y genera tablas dinámicas (pivot table – por cierto, qué traducción más sicalíptica de “pivot table”) con datos diarios y datos agregados.

https://github.com/jlchulilla/COVID-19-scripts/blob/master/ECDCcovid19TABLES.py

Por otra, os incluyo un cuaderno jupyter con el que representar los resultados agregados con matplotlib. Por ejemplo:

Aquí tenéis el cuaderno jupyter.

https://github.com/jlchulilla/COVID-19-scripts/blob/master/transformadatosECDC.ipynb

Una forma rápida de probarlo es con el servicio de colab de google. En el siguiente enlace he subido una copia del jupyter notebook

https://colab.research.google.com/drive/1HgqWM7o-REM91StH7O0mpI6p5Cqh7Z53

Por defecto veréis el código y los resultados expresados gráficamente. Si queréis ver los resultados sólo, tenéis que seleccionar Menú principal > Editar > Mostrar u ocultar el código. Obtendréis unos resultados más simples (porque google no permite el ajuste del matplotlib widget), y no se verá contextualmente el valor de cada métrica por fecha, pero al menos funciona. Mi consejo es que os liéis la manta a la cabeza y probéis a instalar python, las librerías necesarias y jupyter. En muchas ocasiones os van a sacar de apuros. Os dejo con una captura reducida del notebook en google:

La entrada Histórico casos COVID-19(2): script para descarga y presentación de datos oficiales se publicó primero en Online and Offline.

Le hemos puesto remedio. Aquí tenéis un cuadro de mando de casos acumulados y de fallecimientos de España y de otros casos para que lo pongáis en contexto, basado en datos de la OMS. Os sugerimos que os olvidéis de las cifras (e incluso del retraso en la publicación por parte de la OMS), que os centréis en cada una de las evoluciones, y que saquéis vuestras conclusiones.

Iremos actualizando el cuadro de mandos diariamente. Para pasar de casos a fallecimientos, tenéis un control en la parte inferior izquierda del cuadro. Podéis ampliarlo con el zoom de la parte inferior derecha del cuadro.

También podéis consultarlo de manera independiente con este vínculo, o ir directamente a los datos en sendas tablas.

Cualquier sugerencia o aportación es bienvenida. Un abrazo a todos, o su equivalente a 1,5m de distancia.

La entrada Histórico de casos COVID-19: España y casos comparables se publicó primero en Online and Offline.

Y para apoyar la creación de este tutorial, lo que os pedimos es que creéis vuestro usuario de coda empleando este vínculo: https://coda.io?r=V1NB01-gTXy07Vp6TVW5aA. Os dan 10$ de crédito para las cuentas de pago, y a nosotros también. Tenéis que emplear una cuenta de Google, ya sea gmail.com o una de dominio privado que emplee gsuite

Un posible problema de Coda es que los elementos parecen familiares. A la izquierda, vemos carpetas y secciones. En la sección principal, vemos fundamentalmente bloques de texto y tablas.

Las tablas pueden parecer a primera vista tablas de texto. A poco que operemos con ellas, sus capacidades nos recordarán a una tabla de una hoja de cálculo. Pero lo cierto es que no son ni una cosa ni la otra.

Realmente, lo que son es una representación gráfica de una tabla de base de datos. Como explican en Coda, las referencias a un dato no se hacen de manera cartesiana (Columna B, fila 12), sino respecto a su campo índice. En el ejemplo que vamos a emplear, el campo índice de la tabla Episodios es episodio, y para referirnos a él emplearemos su denominación: [@T1E1: arrancamos]

El resto de los campos de una tabla son propiedades del registro. En nuestro caso, @T1E1: arrancamos tiene lugar el 06/02/2020, tiene a los 5 asistentes mencionados y ya ha sido emitido. Aparentemente es lo mismo que una tabla de hoja de cálculo, y lo es ante ojos humanos, pero no lo es para la aplicación y lo que podemos hacer con ella.

Así, podemos construir fórmulas de forma muy natural, rápida y clara. Podemos escribir una fórmula que nos muestre los episodios emitidos antes del 1 de marzo: Episodios.Filter(Fecha<ToDate(“03/01/2020”)). Esa fórmula puede emplearse para calcular el valor de otra propiedad en la tabla, para calcular una propiedad en una tabla distinta, o en mitad del texto. Todas las fórmulas de todo el documento Coda se calculan en tiempo real, de manera que conforme pase el tiempo o se cumplan ciertas condiciones, cada valor se actualizará por sí mismo. Tendremos más episodios, más temas, más invitados, tantos episodios emitidos, etc.

Lo más importante (y, de hecho, lo que más trabajo les está costando a los de Coda – como se llaman a sí mismo, Codans) es que los usuarios vinculen tablas entre sí y empleen vistas de tablas en lugar de tablas independientes.

Por una parte, cuanto más estén conectadas las tablas, más podemos sacar partido a los datos. Menos errores, más fáciles de meter, y más capacidades para crear fórmulas. Por ejemplo, la tabla Guiones tiene como propiedad el capítulo en el que entra el tema. Colocad el cursor del ratón encima de la píldora azul con el nombre de un capítulo y veréis lo que aparece.

Esto tiene muchas ventajas:

1. Es mucho más difícil equivocarse al rellenarlo, porque el texto es predictivo
2. Permite añadir otros campos de forma automática desde la otra tabla
3. La relación funciona en ambos sentidos: podemos automatizar en otra parte el listado de temas de un episodio

De hecho, si una propiedad tiene un número finito de posibilidades (valor del 1 al 5, nombres de ciudad, tema dentro de un abanico limitado, etc.), lo mejor es definir el campo como lookup o seleccionado de otra tabla que, en principio, contiene sólo esa propiedad. Por ejemplo, el campo Tipo de Guiones bebe de otra tabla, Tipos de temas episodio, y los valores que se escogen en la tabla Guiones son los recogidos en la tabla tipos. De esa manera, podremos obtener de manera muy sencilla cuántas veces o en qué fecha hemos tratado un tema.

Finalmente, a partir de una tabla maestra podemos obtener las vistas que queramos. Desde las más sencillas como una representación en un calendario de los episodios, hasta una vista específica de una tabla en la que sólo se nos muestre el guión con los temas del próximo episodio

Si damos el salto mental de la hoja de cálculo a la base de datos, Coda pasa de ser un servicio conveniente y flexible a un servicio revolucionario. Si pensamos en cómo relacionar las propiedades de las tablas, qué tablas necesitamos y cómo las necesitamos ver para cada usuario o cada etapa, podemos construir un recurso a la medida de nuestra organización e incluso de nuestro proyecto

La entrada Introducción a Coda (4). Aclarando conceptos esenciales se publicó primero en Online and Offline.

Y para apoyar la creación de este tutorial, lo que os pedimos es que creéis vuestro usuario de coda empleando este vínculo: https://coda.io?r=V1NB01-gTXy07Vp6TVW5aA. Os dan 10$ de crédito para las cuentas de pago, y a nosotros también. Tenéis que emplear una cuenta de Google, ya sea gmail.com o una de dominio privado que emplee gsuite

Las secciones (4) son uno de los elementos más útiles de los documentos. Cada una tiene su hipervínculo al que llamar y, sobre todo, se organizan en el panel lateral (1). No es exactamente un outliner, dado que sólo se ofrecen secciones y carpetas de secciones, pero aún así es realmente útil para mantener el documento completamente ordenado. Aunque os parezca una tontería, lo cierto es que los iconos decorativos de las secciones ayudan a identificar con rapidez en qué estás trabajando.

De todas formas, hay que tratar de pensar en los nuevos términos. Esto es, aunque en Coda lo llamen “documento”, realmente va a ser un conjunto de tablas (lo más importante), elementos de texto independientes, botones, automatizaciones y conexiones externas. Por eso es mejor pensar en un gran archivador con muchos cajones (secciones) y algunas puertas (carpetas)

Cuando se arranca una nueva sección (5), Coda nos ofrece algunas posibilidades para arrancar:

Además de una tabla nueva o de una nueva vista de una tabla existente, podemos sincronizar una tabla existente en otro documento. Esas son las opciones principales junto con empezar a pulsar teclas y a escribir texto.

Las otras opciones son plantillas. Creo que ha sido muy acertado por parte de Coda ofrecer una serie de ejemplos precocinados, no tanto para ahorrar tiempo (que también) cuanto para hacerte una idea de las enormes posibilidades que tienes con una sección vacía.

Es importante tener en cuenta que son plantillas para hacer cosas con Coda. Las apariencias pueden engañar. Por ejemplo, una lista de cosas por hacer puede ser eso, una lista con una caja de confirmación y ya. O puede ser una lista cuyos componentes estén vinculados a otra tabla (tareas colectivas por hacer), y que actuar sobre ella genere comportamientos automáticos (enviar mensajes por email o slack, añadir nueva información en otra parte, etc.). No es fácil dar el salto mental a abandonar nuestros documentos y hojas de cálculo convencionales, pero merece la pena.

Además de las plantillas oficiales, se puede consultar un número mucho mayor en https://coda.io/templates . Ahí están expuestos algunos de los casos más sobresalientes de lo que los miembros de la comunidad están siendo capaces de crear con CODA.

El sistema de comentarios (6) es calcado (si es que no directamente prestado, no lo sé) del mejor del mercado, que es el de Google Docs. Se pueden comentar tanto fragmentos de texto, como elementos de una tabla o como secciones. Pulsando en el botón de comentarios se obtiene un mapa vertical de los comentarios de la sección. A partir de ahí, se pueden contestar o resolver (eliminándolos). Pero es Coda, no es un documento de google: además de automatizarlos, se puede llamar a otros usuarios empleando @nombredeusuario

(7) y (8) son los elementos de configuración del documento (7 llama a 8, claro). Vamos a repasar de menos a más complicación

En primer lugar tenemos la zona horaria, que no requiere más discusión. Después, tenemos los bloqueos y permisos, que es un conjunto de opciones al alcance de la opción de pago Teams y que permite al administrador del documento decidir quién puede hacer qué con el documento. Lo dejamos para más adelante.

Después tenemos el mapa del documento. En él se recogen sus componentes fundamentales. En el caso de muestra, tenemos las tres tablas existentes (y el número de vistas o vínculos que tiene cada tabla). Además, nos muestra los botones, controles y fórmulas presentes en el documento. En un documento sencillo no es demasiado importante… pero conforme el documento se complejiza, el mapa se vuelve más y más importante para tener el conjunto de recursos bajo control.

Las automatizaciones son reglas que aumentan las capacidades de un documento de coda. Las plantillas que ofrece el servicio son tanto útiles en sí mismas, como ejemplos de lo que se puede lograr con las automatizaciones, que se pueden definir siguiendo un esquema no muy diferente del famoso servicio IFTTT: Cuando se cumpla una condición y/o Si se cumple una condición, ejecuta n acciones.

Finalmente, lo que acaba por otorgar a Coda una capacidad de creación de recursos sobresaliente es su conectividad con otros servicios usando Packs. Podríamos definirlos como puentes hacia los recursos de otros servicios. Algunos ejemplos:

• Comprobar y añadir eventos a Google Calendar
• Mandar recordatorios y avisos a Slack
• Leer y enviar correos con gmail
• Gestionar productos, clientes y pedidos con shopify
• Trabajar con Jira Issues y proyectos
• Gestionar conversaciones con clientes mediante Intercom
• gestionar recursos en GitHub
• Sincronizar con otros documentos Coda
• Generar barcodes
• Gestionar foros de discourse
• Gestionar almacenamiento Dropbox
• Comprobar contactos Google y añadirles información
• Importar Google Docs
• Emplear google natural language y google search console

También se pueden generar conexiones con más productos empleando Zapier. Pero con la lista que he mencionado (que no incluye packs con otros productos mucho más minoritarios), y sumando las capacidades de las tablas, las automatizaciones y los botones, tenemos que un documento Coda generado para resolver algunas necesidades de una empresa, equipo o incluso proyecto puede recibir y emitir información o gestionar recursos de un número significativo de servicios que, además, no para de crecer.

Con esto terminamos la revisión de la interfaz y capacidades básicas de Coda. Lo siguiente que trataremos serán las tablas.

La entrada Introducción a Coda (3). Resto de la interfaz básica se publicó primero en Online and Offline.

Y para apoyar la creación de este tutorial, lo que os pedimos es que creéis vuestro usuario de coda empleando este vínculo: https://coda.io?r=V1NB01-gTXy07Vp6TVW5aA. Os dan 10$ de crédito para las cuentas de pago, y a nosotros también. Tenéis que emplear una cuenta de Google, ya sea gmail.com o una de dominio privado que emplee gsuite

Hoy vamos a trabajar con los elementos básicos del servicio en su versión de escritorio. Es importante empezar desde cero para evitar confusiones con servicios superficialmente parecidos, como un procesador de textos o una hoja de cálculo. Vamos a ello.

Cuando arrancamos un nuevo documento, encontramos… un documento vacío.

Pero ojo, un documento vacío no es el equivalente a un documento de texto. Lo que tenemos es esto:

En la columna de la izquierda tenemos la lista de secciones (1). Un documento coda puede tener una única sección, pero lo más normal es crear las secciones que necesites para recoger los datos o presentarlos. Si empiezas a acumular un buen número de secciones, puedes pulsar en los tres puntos que aparecen al lado de cualquier sección (2) para crear nuevas secciones. Las secciones se pueden recolocar en el panel lateral, arrastrando y soltando el nombre de la sección.

El botón de inserción (3) es lo que nos permite introducir en la sección elementos que no sean texto plano. El texto plano sólo necesita que hagamos click con el puntero del ratón debajo del título y empezar a escribir. Recordad: el resto del mundo emplea los atajos de teclado normalizados, y Ctrl+B, por ejemplo, es negrita.

El elemento más importante que podemos insertar son las tablas. De momento no hay ninguna creada, así que partiríamos de cero. Si tenemos otros documentos con tablas en ellos, los podremos sincronizar con nuestro nuevo documento.

También podemos importar hojas excel, archivos CSV o documentos trello. Las dos primeras son alternativas a copiar y pegar desde excel o un archivo de texto, mientras que la segunda es una propuesta obvia: los usuarios de Trello (por temporadas, yo mismo) pueden importar sus tableros Kanban para, a partir de ellos, gestionar proyectos añadiendo capacidades CRM, documentales… o generando nuevas herramientas adaptadas a roles y objetivos determinados.

Los siguientes 4 elementos son representaciones específicas de las tablas. Si una tabla es una cuadrícula con datos (en realidad, una base de datos con campos y registros, pero todavía no hemos llegado a eso), Coda nos ofrece formas específicas de mostrarlas en la pantalla de un navegador de escritorio o de un smartphone:

• Tarjetas, un tablero de Kanban donde pintar tareas, objetivos, contactos, etc y poder recolocarlos según interese.

• Calendario, especialmente útil para eventos o tareas cortas, pero representativo de cualquier forma. Atentos a un detalle: cada elemento de una tabla, tablero de tarjetas, calendario, etc. es dinámico: si colocamos el puntero del ratón encima del elemento nos aparece toda la información contextual de dicho elemento.

• Detalle, donde podemos representar en una pantalla un único registro en el detalle que queramos y con el formato que más nos convenga.

• Gráficos: barras, tartas, gantt… Nuestros datos pueden ser representados de la forma que más nos convenga en cada ocasión. Más adelante veremos como podemos escoger con todo detalle los datos que vamos a representar, y cómo vamos a hacerlo. En cualquier caso, otro aspecto diferente a lo que estamos acostumbrados es que los gráficos, como todas las demás vistas de las tablas, son dinámicos: si cambiamos en la tabla un porcentaje, por ejemplo, se verá reflejado en todas las vistas, tablas y fórmulas que dependan de ella. Por ejemplo, si vamos acumulando datos que representamos en una tarta, los porcentajes de esa tarta serán los correspondientes al estado actual de los datos.

Los iconos de documento y de sección admiten iconos representativos. Parece algo sin importancia… hasta que compruebas que aparecen en las pestañas del navegador, en el listado de documentos, y dan más visibilidad a las secciones. Yo los uso de continuo, y para escoger el icono que prefieres para el documento o la sección tienes que usar el buscador y escribir en inglés la palabra que más se acerque a lo que quieres representar.

En la próxima entrega cubriremos el resto de la interfaz principal. Luego pasaremos a jugar y a construir con los elementos de Coda documentos y aplicaciones móviles.

Y recordando: cread vuestros usuarios, si no os importa, haciendo click en este link. Recordad que tenéis que emplear una cuenta de Google, ya sea gmail.com o una de dominio privado que emplee gsuite

https://coda.io/d/Primeros-pasos-con-Coda_dQxYHcJLlWR/_suFNG

La entrada Introducción a Coda (2). Interfaz básica y Tablas se publicó primero en Online and Offline.

“Precon” en Minority Report

¿Quién no recuerda la película Minority report? Los Precon previsualizaban los crímenes que tendrían lugar en el futuro, con antelación suficiente para evitarlos y detener a [quienes habrían sido] sus ejecutores. Durante la puesta en marcha del programa piloto, los resultados fueron tan espectaculares que la sociedad asumió como infalible el sistema. Llegados a ese punto de convencimiento, sería difícil comunicar la existencia de algún error de predicción en caso de producirse. Y los errores llegaron; mejor dicho, estaban ahí desde el principio, pero era mejor no ponerlos encima de la mesa para otorgar infalibilidad al sistema.

La idea de que es posible predecir eventos futuros ha acompañado al ser humano a lo largo de su historia. Responde al anhelo permanente de seguridad que tiene cualquier ser racional: predecir permite anticiparse y estar preparado para lo que depara el futuro; reduce la incertidumbre, aumenta las posibilidades de supervivencia. Y aunque los dioses dejaron de hablar en los oráculos, las personas siguen buscando sus respuestas. En la actualidad, la idea y el anhelo de predecibilidad han explotado con el big data y el Machine Learning (éste último, cada vez más identificado por algunos con la IA en un ejercicio metonímico de confundir la parte con el todo). Los análisis predictivos basados en la ingente cantidad de datos que podemos procesar y analizar en la actualidad se aplican con éxito a sectores estratégicos como la producción y distribución energética, la automoción o la red de transporte y distribución de mercancías. Ha penetrado con fuerza en el sector financiero, en el industrial y en el de la salud, entre otros. ¿Por qué? Porque ya es posible (y legal, y útil). ¿Y para qué? Para reducir costes, mejorar la eficiencia, ajustar oferta a demanda; optimizar el uso de los recursos en definitiva. ¡Hasta el planeta estaría de acuerdo si pudiera opinar!

Pero supongo que todos los grandes avances necesitan un tiempo de adaptación… La clásica adolescencia social, política y económica que padece el mundo cada vez que avanza un paso hacia un futuro desconocido. Se cometen excesos, como dejar que sea un sistema automático de cálculo de riesgo quien dictamine si una entidad bancaria debe o no conceder un préstamo en un momento dado, eliminando de la ecuación un posible diálogo humano entre operario de banca y cliente; los grandes números funcionan, así que resulta racional (desde un punto de vista empresarial) olvidar la casuística. Y se producen decepciones (derivadas también del exceso de optimismo): Los análisis predictivos proceden de la aplicación de algoritmos a grandes conjuntos de datos… ¿Qué pasa cuando la calidad de los datos no es buena, cuando las empresas arrastran históricamente datos erróneos? ¿Son todos los datos accesibles y están disponibles en un formato compatible? Existen diversas barreras a superar y algunas de ellas (como la calidad de los datos) a veces exige tal inversión de recursos que las empresas se lo tienen que pensar dos veces antes de abordarlo. Y si los datos son malos, los análisis predictivos no pueden aportar los resultados esperados. No hay magia.

El problema de fondo: la generación de expectativas 

La primera era de la computación trajo un nuevo tipo de oráculo que encontró rápido acomodo en el imaginario colectivo y, sobre todo, de los dirigentes. Costó tiempo desarraigar la idea de que esas “bestias de metal” que ocupaban habitaciones enteras no podían predecir el futuro. Y, siguiendo en esa línea, como la necesidad de control sobre el futuro existe siempre, era previsible que crecieran rápidamente las expectativas sobre la capacidad predictiva del machine learning / deep learning. Siendo que el machine learning (y, sobre todo el deep learning) son cajas negras sin control humano en su ejecución, la propia capacidad predictiva es una caja negra para los decisores. Sólo importa disponer de esa capacidad aparentemente binaria, de todo o nada. Y sucede que ML y DL trabajan sobre sistemas altamente complejos y sensibles a las condiciones iniciales. Por más que ofrezcan avances dramáticos (comparados con la completa ausencia de capacidad predictiva), no dejan de ser modelos estocásticos que reducen el margen de escenarios y comportamientos de un fenómeno hasta hacerlo relativamente manejable. Reducen, sí, pero no identifican ni por asomo el escenario concreto que modeliza perfectamente el comportamiento futuro de nuestro fenómeno dentro de un plazo de terminado. Más que nada, porque eso es imposible.

Así las cosas, estamos en un nuevo momento de alta querencia “oracular”. Hasta el punto de que, en más de una ocasión, se nos ha llegado a preguntar si la etnografía permite predecir. ¿Qué significa esta pregunta en la mente de quien la formula? En mi humilde opinión, responde al éxito demostrable de los algoritmos matemáticos aplicados a realidades diversas, difundido con bombo y platillo entre la sociedad. Y significa sólo una cosa: “Yo-quiero-eso”.

Y lo entiendo, pero… ¿Cabe pedir a la etnografía lo mismo que se le pediría a un producto de machine learning? ¿Tiene sentido? ¿Cómo hemos llegado a esa exitosa identificación de utilidad con predicción y  predicción con números? ¿Se reduce el ser humano a un número, a un sentimiento del 0 al 9, positivo o negativo, de “izquierdas” o de “derechas”? En definitiva: ¿Hemos sabido los antropólogos transmitir al mundo de la empresa el verdadero valor de la etnografía?

Vamos a ir poco a poco abriendo la mente a lo que un buen análisis etnográfico puede aportar. Es otra historia…

Pensemos en Homage to Catalonia y en la obra de ficción que escribió su autor posteriormente: Nineteen Eighty-Four. ¿Fue o no fue capaz Orwell de “predecir” el futuro? ¿Lo fue Aldous Huxley, en su Brave New World? Yo diría que sí, y más incluso Huxley que Orwell, o cada uno en un aspecto esencial. Neil Postman nos regala un análisis comparativo entre Orwell y Huxley en Amusing ourselves to death:

What Orwell feared were those who would ban books. What Huxley feared was that there would be no reason to ban a book, for there would be no one who wanted to read one. Orwell feared those who would deprive us of information. Huxley feared those who would give us so much that we would be reduced to passivity and egoism. Orwell feared that the truth would be concealed from us. Huxley feared the truth would be drowned in a sea of irrelevance. Orwell feared we would become a captive culture. Huxley feared we would become a trivial culture, preoccupied with some equivalent of the feelies, the orgy porgy, and the centrifugal bumblepuppy. […] In short, Orwell feared that what we fear will ruin us. Huxley feared that what we desire will ruin us.

Estamos ante otro tipo de “predicción”: el de los cambios sociales y culturales que afectan dramáticamente al comportamiento y al desarrollo de las sociedades en todos los niveles, incluido el político y el económico. Personas excepcionales como Orwell y Huxley vivían con tal conciencia, con tal profundidad, que donde otros sólo veían un día más (esto es, un conjunto más o menos diverso de eventos cotidianos), ellos vislumbraban un mundo nuevo. Los cimientos para ese mundo se estaban construyendo a la vista de todos sus coetáneos, pero resultaban invisibles para la mayoría.

Vamos acercándonos…

What a fail!

Sí, la etnografía ofrece información útil para la toma de decisiones en el corto, medio y largo plazo; pero no, no predice con fiabilidad matemática. Es que el etnógrafo no es una pitonisa. La etnografía se nutre de fuentes de datos cualitativas, de personas hablando y actuando en sus contextos reales, de personas debatiendo en sus propios espacios de Internet… sin condicionamiento, a su libre albedrío. Palabras, acciones y contextos son registrados por el etnógrafo de cara a abordar el análisis que se le ha encomendado, ya sea de índole social (p.ej., sobre la realidad de las personas sin hogar en Madrid o sobre situaciones de exclusión digital de determinados colectivos sociales y búsqueda de posibles soluciones), ya sea en el ámbito de la usabilidad (p.ej., sobre barreras para la adopción y fidelización de usuarios de una app y posibles soluciones), o en el terreno de la comunicación pública y la acción política (p.ej., sobre la imagen social de las Cías. eléctricas y su reflejo en el tratamiento mediático de temas vinculados al suministro eléctrico). Son sólo ejemplos de realidades en las que la capacidad de penetración y análisis del etnógrafo le permiten extraer tendencias, patrones, modelos donde otros sólo verían personas concretas actuando.

El etnógrafo se sumerge en una gran cantidad de datos, pero no aplica un algoritmo matemático sobre ellos. Sus conclusiones van a ser útiles, pero la realidad a la que se refieren no permite que las consideremos “predicciones”. Sería pretencioso e irreal. Tan pretencioso como proclamar la infalibilidad de los Precon o de las IA. Al final, de lo que se trata es de reducir (que no eliminar) la incertidumbre, modelizando y definiendo patrones que nos permitan comprender mejor lo que va a pasar. La etnografía reduce la incertidumbre de una forma diferente (no excluyente y sí complementaria) a como lo hacen los recursos de ML: ayudando al decisor y su equipo a que conciban un problema y sus consecuencias y tomen decisiones.

Lo de predecir… se lo dejaremos a los adivinos.

La entrada Predicción: ¿al alcance de la etnografía? se publicó primero en Online and Offline.

Érase una vez un usuario…

¡Hoy estoy de estreno! Soy un trabajador por cuenta ajena y la empresa para la que trabajo acaba de adquirir un nuevo software que, según me han trasladado mis jefes, me va a facilitar mucho el trabajo, voy a mejorar la producción y voy a poder hacer cosas que antes ni soñaba. Por supuesto, esto implica que hoy estoy de estreno por partida doble: estreno herramienta y estreno objetivos. Ahora esperan de mí maravillas.

Y érase una vez un cliente…

Acabamos de adquirir un software que va a mejorar sustancialmente la productividad de nuestros trabajadores. Vamos a reducir costes (incluidos los de personal), vamos a mejorar la calidad de nuestros resultados y vamos a incrementar nuestros beneficios a medio y largo plazo. El software es perfecto. Y si tenemos alguna duda, contamos con asistencia técnica.

Pasaron los días…

El usuario se encuentra con algunas dificultades, pero las va sorteando. Cuenta con la asistencia técnica del proveedor y eso es de agradecer. Se siente orgulloso de cómo, poco a poco, va dominando la herramienta y cómo está logrando incorporarla a su workflow, así como adaptar su propio workflow a las nuevas posibilidades que le ofrece el producto. Está siendo algo más lento de lo que esperaba, pero es que la realidad es lo que tiene: siempre surgen detallitos, problemillas imprevistos, aspectos del trabajo que no cabe cubrir con la herramienta y que exige del trabajador creatividad para que acabe cubriéndolos… Desde luego, que el software es bueno y que ofrece muchas posibilidades, pero para exprimir sus posibilidades hay que hacer una fuerte inversión de tiempo y talento. El usuario piensa: “¡Si no fuera yo quien soy, qué habría sido del trabajo este mes!” Y esboza una mueca de satisfacción, porque se siente un domador de leones que ha podido con este reto.

Por su parte, el cliente está inquieto. No entiende los retrasos. No comprende por qué no se han cumplido los nuevos objetivos. ¿Habrá hecho una mala inversión? Cuando adquirió el sofware se le pintó todo muy bonito. En su cabeza se dibujó una hermosa varita mágica. Y ahora… No ve todavía las mejoras reflejadas en resultados y ha percibido la tensión que el cambio tecnológico ha imprimido en el equipo humano. El cliente piensa: “¿Qué he hecho? ¿Hay marcha atrás? Esto no es lo prometido…”

Asoman dos nuevas incertidumbres:

• La del usuario, que, pese a sentir la satisfacción de haber dominado la herramienta, se da cuenta de que no ha podido cumplir con los nuevos objetivos. Incluso, piensa que, aunque el software facilita las cosas y ofrece grandes posibilidades, no permite asumir los retos que se habían planteado en primera instancia… “¿Cómo se lo explico a los jefes?”
• La del cliente, que ha tenido que bajar de las nubes y, una vez en tierra, tiene que asimilar la realidad de la inversión que ha realizado. “Sí, es un buen software, pero ¿es lo que esperaba? ¿He hecho una buena inversión?”

Este relato de ciencia ficción nos sitúa ante un problema cotidiano: ¿Qué se vende mejor, la “magia” o la realidad? En una venta, ¿debe el proveedor plantear las dificultades a las que podría enfrentarse el cliente para poder sacar el 100% de provecho a su producto? La magia entra por los ojos y va directa al corazón; la realidad exige otro proceso cognitivo, más lento y que puede detenerse en cualquier momento de fricción (“esto me resulta problemático, ergo rechazo la totalidad de la propuesta”). Por tanto y en el caso ficticio que hemos planteado, es muy probable que sea finalmente el empleado (el usuario) el que se encuentre de bruces con la realidad y que sea él quien deba sacar del pensamiento mágico a su propia empresa (el cliente), mientras evita que, en el proceso, no se le considere negligente y se le achaque a su falta de pericia la no consecución de los objetivos soñados.

Y llegados a este punto, ¿debe o no debe incluir un análisis serio de experiencia de usuario el análisis de cómo se ofrece o se va a ofrecer al cliente el producto, cuáles son o van a ser las expectativas? ¿Puede un análisis de usabilidad centrarse exclusivamente en el usuario frente a frente con el producto, sin conocer su contexto de incertidumbres?

Desde la etnografía aplicada a UX es imposible no toparse con la experiencia de cliente. Porque se observa activamente al usuario mientras utiliza el producto en su contexto real; y en ese contexto se fusionan inevitablemente usuario y cliente, sean o no sean la misma persona. En el contexto real surgen los obstáculos, pero también las ventajas no previstas; surgen las dificultades, pero también los usos creativos… Y todo en el marco de unas expectativas y de unos objetivos que condicionan inevitablemente todo el proceso.

La entrada Magia y realidad: del cliente al usuario se publicó primero en Online and Offline.

• El etnógrafo senior no condicionará las respuestas del informante. En lugar de “¿verdad que la información de este menú de ayuda está muy clara?”, le pedirá al usuario que le explique lo que está viendo y usando. Observará cómo emplea el sistema de ayuda del producto mientras se lo cuenta y, entre lo que dice y lo que hace, tendrá muchas oportunidades para descubrir pain points o para desenterrar beneficios inesperados y poco llamativos del producto
• El etnógrafo senior no guiará al informante hacia conclusiones preestablecidas. ¡Y hay tantas formas de caer en este error! Si una de las funcionalidades del producto que estamos analizando junto a los usuarios no se acaba de entender bien, o no hace lo que se espera, el resultado más valioso es descubrir esos desencuentros y detallarlos. Eso exige la máxima libertad para el usuario, y escucharle atentamente.
• El buen etnógrafo tampoco caerá en un típico error de quienes hacen investigación desde la perspectiva exclusiva de la comunicación o el impacto informativo: asumir como verdaderas las respuestas de los informantes… O como falsas. La etnografía no busca La Verdad sobre una determinada realidad, sino las verdades. Las distintas opiniones, visiones y experiencias de los usuarios, agrupadas en perfiles y grandes tendencias. La verdad de un informante puede ser crítica para ilustrar una forma de ver un detalle del producto, pero el resultado final siempre será una suma equilibrada de esas verdades, y mucho más:
  • • Lo que hayamos podido detectar sin que el usuario lo haya dicho, observando lo que hace.
    • Su contexto de uso real, y cómo encaja el producto en él.
    • Y el orden y las lógicas que los analistas obtengamos a base de trabajar junto a los usuarios y analizar los resultados que obtenemos de ellos.
• El etnógrafo con experiencia no “traducirá” inmediatamente lo que dice el informante a su propia terminología, ni lo encajará en tiempo real en su propio marco de conceptos y conocimientos previos. Sólo registrará sus palabras o sus actuaciones y procurará descubrir en ellas alguna clave. Evitará el error de registrar el discurso en los siguientes términos: “lo que el informante ha querido decir es…” Porque en esa traducción inmediata estaríamos volcando nuestra estructura de pensamiento y conocimientos previos, no lo que el informante realmente expresa.

Son sólo algunos ejemplos de cómo se manifiesta en términos prácticos la suspensión del juicio, esencial en la investigación etnográfica y la que conduce a los mejores resultados. La sorpresa, lo imprevisto, lo que no cabía esperar… Esos son los detalles que se ocultan eficazmente a la mirada atenta de quien domina un determinado campo y que emergen cuando se observa el objeto de estudio con la mirada entrenada del etnógrafo.

La entrada Etnografía: una mirada limpia en busca de respuestas se publicó primero en Online and Offline.