Big Data Revolution, de Mayer-Schönberger y Cukier: resumen y lectura crítica aplicada a educación

Big Data. La revolución de los datos masivos explica cómo cambia nuestra forma de conocer y decidir cuando podemos analizar cantidades de información que antes eran inabarcables. Viktor Mayer-Schönberger y Kenneth Cukier concentraron esa transformación en tres ideas: trabajar con muchos más registros, tolerar cierto desorden y utilizar correlaciones para anticipar resultados. Publicado en 2013, su diagnóstico sobre la datificación, la reutilización de la información y el poder de los algoritmos conserva una vigencia extraordinaria. El tiempo ha corregido su confianza en la correlación.

El libro que me hizo levantar la vista

Cuando leí Big Data ya llevaba bastante tiempo trabajando con información aplicada al negocio. En Equifax desarrollé MicroVisión, un análisis descriptivo de tipologías, y GeoConsumo, un proyecto predictivo que incorporaba geomarketing y micromarketing. Participé en scorings bancarios, procesos de preconcesión de crédito y una plataforma general de activo.

Aquellos cálculos tenían consecuencias muy concretas. Servían para decidir a quién dirigir una campaña, dónde encontrar determinados perfiles de consumo o qué riesgo presentaba una operación financiera. Había aprendido que una base bien construida descubre relaciones invisibles para el ojo humano y que una probabilidad, trasladada a un proceso, mueve dinero y condiciona vidas.

Mayer-Schönberger y Cukier me ayudaron a mirar aquel trabajo desde mayor altura. Las técnicas que conocía iban a extenderse al consumo, la salud, el empleo, la educación o el crédito. La estadística aplicada estaba convirtiéndose en una infraestructura social. El libro ordenó aquellas intuiciones y acabó influyendo en las inversiones que hicimos después en IEBS.

Big Data: A Revolution That Will Transform How We Live, Work, and Think se publicó en 2013. La edición española de Turner, titulada Big Data. La revolución de los datos masivos, tiene 280 páginas. Es un ensayo divulgativo, escrito para entender las consecuencias de la tecnología. Quien busque código o arquitectura de sistemas tendrá que acudir a otros libros.

Tres ideas que cambiaron la conversación

Muchos más datos

La estadística moderna creció en un tiempo de escasez. Medir era caro, almacenar resultaba difícil y procesar grandes volúmenes podía llevar meses. Las muestras representativas fueron una respuesta brillante a esas limitaciones: bastaba estudiar una parte bien elegida para obtener conclusiones razonables sobre el conjunto.

La digitalización alteró las condiciones. Cada compra, búsqueda, desplazamiento o interacción empezó a producir un registro. El libro llamó N = todo a la posibilidad de observar poblaciones enteras o fracciones muchísimo mayores. La expresión es deliberadamente provocadora. Siempre queda realidad fuera del sistema y siempre hay alguien que decide qué se mide. Aun así, el salto de escala abrió una resolución desconocida: excepciones, microsegmentos y comportamientos individuales dejaron de perderse dentro del promedio.

Datos menos pulcros

El segundo planteamiento chocaba con una máxima clásica: limpiar la base hasta dejarla impecable. Los autores observaron que millones de registros irregulares podían describir mejor un fenómeno que una selección pequeña y perfecta. Cien sensores baratos ofrecen una imagen continua de una máquina; una medición exquisita tomada una vez al día puede pasar por alto la anomalía decisiva.

La inteligencia artificial ha confirmado ese intercambio entre pulcritud y escala. Los grandes modelos aprenden de una mezcla monumental de textos, imágenes y conversaciones de calidad desigual. De ahí surgen capacidades asombrosas, acompañadas de errores, prejuicios y falsedades. La abundancia amortigua parte del ruido. Cuando el defecto se repite de forma sistemática, la abundancia lo multiplica.

Correlaciones capaces de anticiparse

La tercera idea fue la más seductora. Si una combinación de temperatura y vibración suele preceder a una avería, el vehículo puede avisar antes de que el motor se detenga. Todavía ignoramos la pieza exacta que fallará, aunque ya sabemos que conviene ir al taller. Farecast, uno de los ejemplos del libro, estudiaba históricos de tarifas aéreas para recomendar si era mejor comprar un billete o esperar.

Una predicción útil puede llegar antes que una explicación completa. Ese adelanto tiene un enorme valor económico e invita a conceder a la asociación estadística una autoridad que quizá no merece. Los hábitos cambian, los sistemas de medición se modifican y el entorno rompe patrones que parecían estables. Una correlación responde qué suele ocurrir; cuando necesitamos intervenir, importa mucho saber por qué.

Todo empezó a dejar rastro

Una de las palabras más fértiles del libro es datificación. Digitalizar convierte un objeto o contenido a formato digital. Datificar transforma una actividad en variables que pueden registrarse y analizarse. La localización se vuelve una secuencia de coordenadas; la actividad física, una serie de pasos, pulsaciones y horas de sueño; el aprendizaje, un recorrido de accesos, entregas, dudas, notas y abandonos.

Los registros conservan además un valor que supera el motivo por el que fueron recogidos. Una empresa de mensajería puede observar la marcha de la economía a partir de sus envíos. Un histórico de precios concebido para guardar transacciones puede alimentar una herramienta de predicción. El libro llama valor de opción a esas utilidades que todavía nadie ha descubierto.

La economía digital ha explotado ese valor secundario con frecuencia sin permiso. Textos, fotografías y conversaciones creados para comunicarnos han terminado alimentando sistemas de inteligencia artificial. La posibilidad técnica de reutilizarlos no resuelve el consentimiento, la finalidad original ni los derechos de quienes los produjeron.

De la lectura a los proyectos de IEBS

En febrero de 2020 presenté algunos de nuestros proyectos en AI Tech Spirit Barcelona. Mi intervención comienza aproximadamente en el minuto 2:20:40. IEBS ya utilizaba aquellas aplicaciones y algunos trabajos habían comenzado unos cinco años antes.

En el área comercial habíamos desarrollado un sistema predictivo para la maduración de contactos. Estimaba el valor de cada oportunidad, medía casi en tiempo real la rentabilidad de canales, campañas y creatividades, y asignaba cada contacto al asesor con mejores probabilidades de convertirlo. Durante la ponencia comuniqué una tasa de acierto próxima al 90 % y un incremento de los ingresos del 30 %, resultados internos de IEBS que no fueron auditados externamente.

La plataforma educativa generaba otro tipo de señales. Seguíamos la actividad docente, buscábamos indicios de problemas en las aulas y estimábamos el riesgo de abandono a partir del comportamiento de alumnos anteriores. Llegamos a comunicar una tasa de graduación del 90 %. El sistema reconocía una anomalía y avisaba al profesor. Averiguar qué estaba sucediendo y cómo ayudar seguía en manos de una persona.

Trabajábamos en itinerarios adaptados al progreso de cada estudiante. La dificultad de los proyectos podía ajustarse y las actividades recomendadas cambiaban según la evolución observada. Raúl 2.0, nuestro tutor virtual, nació para atender consultas repetitivas y descargar a los tutores humanos de respuestas que consumían tiempo sin requerir acompañamiento pedagógico.

Esos proyectos trasladaban a la práctica la secuencia descrita en el libro: convertir una actividad en señales, buscar regularidades, anticipar un resultado y actuar. En educación, la finalidad, los accesos, la supervisión humana y el derecho a corregir el resultado marcan los límites.

Donde el libro se pasó de frenada

Google Flu Trends ocupa un lugar destacado entre sus casos de éxito. El proyecto analizaba búsquedas relacionadas con síntomas para estimar la expansión de la gripe antes que las estadísticas sanitarias. Encajaba a la perfección con la tesis del libro: millones de señales, una correlación potente y una respuesta rápida.

En 2014, David Lazer, Ryan Kennedy, Gary King y Alessandro Vespignani publicaron en Science un análisis de sus fallos. Google había sobreestimado la incidencia de la gripe y los cambios en las búsquedas, junto con las modificaciones del propio buscador, deterioraron el modelo. Los investigadores acuñaron una expresión memorable: la arrogancia del big data.

Google Flu Trends demostró que el volumen no corrige una población mal representada ni una medición defectuosa. El libro concedió demasiado terreno a la correlación frente a la causalidad. En medicina, política pública, crédito o educación necesitamos saber qué intervención producirá un resultado, a quién puede perjudicar y si funcionará cuando cambien las circunstancias.

El castigo por propensión

Los capítulos finales han envejecido mejor que parte del entusiasmo inicial. Mayer-Schönberger y Cukier advirtieron de la fragilidad de la anonimización: varias bases aparentemente inocuas, una vez cruzadas, pueden reconstruir identidades y revelar intimidades que nadie entregó de forma consciente.

Los autores alertaron contra el castigo por propensión, es decir, perjudicar a alguien por lo que un cálculo indica que podría hacer. Lo conozco bien por el crédito. Un scoring ordena riesgos y agiliza decisiones, pero una probabilidad puede adquirir apariencia de sentencia. Variables como el barrio, el consumo o las relaciones actúan a veces como sustitutos de la renta, el origen o la clase social.

Los autores temían una «dictadura de los datos» en la que el resultado matemático clausurase la discusión. Propusieron la figura del algorithmist, un auditor de modelos con capacidad para pedir explicaciones y responsabilidades. Esa función se reparte hoy entre la auditoría algorítmica, la gobernanza, la explicabilidad y las evaluaciones de impacto.

Por qué ayuda a entender la inteligencia artificial

Big Data se publicó mucho antes de la popularización de la IA generativa, pero describió buena parte del suelo sobre el que se levanta: cantidades colosales de información, capacidad de cálculo, reutilización de contenidos y sistemas que extraen regularidades sin ofrecer una explicación causal de sus respuestas.

Un gran modelo de lenguaje aprende relaciones estadísticas dentro de un corpus inmenso y predice qué debería venir a continuación. Su soltura puede confundirse con comprensión y ocultar una invención. Clasificar un archivo, resumirlo o buscar patrones lleva segundos; juzgar la respuesta y asumir sus consecuencias sigue exigiendo experiencia.

Mi valoración trece años después

Big Data ofrece un vocabulario para pensar y casos que ayudan a comprender por qué la información se convirtió en un activo económico y una fuente de poder. También conserva el entusiasmo de 2013, cuando apenas empezábamos a ver el coste de los sesgos automatizados, los usos secundarios y las predicciones opacas.

A mí me marcó porque reunió tipologías, geomarketing, scoring y predicción dentro de una misma transformación histórica. Comprendí que los datos atravesarían toda la organización. Esa convicción orientó inversiones posteriores en IEBS y explica por qué probábamos aplicaciones educativas de inteligencia artificial años antes de la popularización de ChatGPT.

Mi valoración: 8,5 sobre 10. Un libro brillante para comprender el origen de la economía algorítmica y especialmente útil cuando se lee con las correcciones que el tiempo ha impuesto.

Fuentes y lecturas complementarias

• Ficha de la edición española publicada por Turner.
• Síntesis del Oxford Internet Institute.
• Ficha y capítulos de la edición original en Google Books.
• «The Parable of Google Flu: Traps in Big Data Analysis», publicado en Science.
• MicroVisión y GeoConsumo, explicados por Óscar Fuente.
• AI Tech Spirit Barcelona 2020. La intervención de Óscar comienza aproximadamente en 2:20:40.
• Proyectos y tendencias de inteligencia artificial en la educación de IEBS.