El momento de orientar las ciencias del comportamiento al dato

Una de las particularidades que me parecen más atractivas de las ciencias del comportamiento es su habilidad para combinar varias disciplinas. Psicología, economía, gestión, sociología, diseño… Estas son algunas de las muchas áreas de conocimiento que conforman este campo de trabajo.  

En paralelo, se ha producido el auge de las ciencias basadas en el dato y de la gestión data-driven. La computación, la estadística, las matemáticas… Pero el avance de todas estas disciplinas interconectadas en la revolución tecnológica nos presenta un nuevo campo de trabajo que tiene un gran interés y tendrá una mayor relevancia. Este es el de Behavioral Data Science o ciencia de los datos del comportamiento.

¿Por qué creo esto? Porque el mundo que estamos construyendo difícilmente se entiende sin dos cosas. Por un lado, la comprensión del comportamiento del ser humano, y por otro su vinculación con la comprensión del comportamiento de los sistemas que conforma y de su relación con los algoritmos matemáticos y su funcionamiento.

La labor del científico de datos en ciencias del comportamiento

Y a esto se dedica un científico de datos del comportamiento. Entre otra cosas, a lo siguiente (Buisson, F (2021)):

  • Explorar las diferencias entre medición y predicción.
  • Comprender los detalles de los datos de comportamiento.
  • Aprender a limpiar y preparar datos de comportamiento.
  • Diseñar y analizar experimentos para impulsar decisiones comerciales óptimas.
  • Usar datos de comportamiento para comprender y medir la causa y el efecto.
  • Segmentar a los clientes de manera transparente e inteligente.

Cuestiones en torno a las ciencias del comportamiento

Sin perder nunca de vista el objetivo global: ¿cómo podemos mejorar la vida de cada persona mediante la combinación del comportamiento y el dato? No es la única pregunta que nos hacemos. También nos formulamos otras:

  • ¿Cómo podemos entender mejor la relación entre la persona, la sociedad y la tecnología?
  • ¿De qué forma podemos mejorar las decisiones que tomamos para tener una sociedad más óptima para todos y cada uno de nosotros?
  • ¿Cómo logramos que nuestros sistemas sociales sean más humanos (human centered), sostenibles y responsables?
  • ¿Cuáles son las implicaciones del Big Data e IA (inteligencia artificial) en los diferentes países y sociedades? ¿Y en los mercados? Y específicamente, en el mercado de trabajo. ¿Cómo afectarán a nuestra convivencia, nuestra seguridad, nuestras creencias y valores?
  • ¿Cómo podemos predecir lo que la gente prefiere, quiere o necesita? ¡Incluso, cuando se produzcan anomalías como la COVID-19!

Las preguntas qué surgen son muchas. Imposibles de enumerar. En todo caso, a estas preguntas podremos responder mejor cuanto mejores sean los modelos híbridos que nacen de la ciencia conductual y la ciencia basada en datos. Podremos traducir el Big Data y la IA a mejoras más entendibles y explicables. Pero también podremos identificar formas de incorporar los valores humanos en las operaciones de los sistemas de inteligencia artificial.

Las oportunidades de los nuevos datos

El riesgo y la oportunidad están ahí, ya que los algoritmos actuales tienden a ignorar los conocimientos existentes de la teoría de la decisión y las ciencias del comportamiento. Y aquí es donde la ciencia de datos conductuales se vuelve muy útil y necesaria. Al combinar modelos de ciencias del comportamiento con algoritmos de IA, podemos mejorar y simplificar las predicciones del comportamiento humano en una amplia variedad de contextos. Del mismo modo, podremos explicar y aplicar estas predicciones en los marcos y en los momentos precisos.

En esta línea, lo más interesante es que los nuevos datos, esta nueva manera de visualizarlos y usarlos, puede cambiar la forma en que pensamos sobre medir y hacer inferencias sobre el comportamiento social y humano.

“La nueva manera de visualizar y usar los datos puede cambiar la forma en que pensamos sobre medir y hacer inferencias sobre el comportamiento social y humano”

Por ejemplo, permite capturar información sobre todo el entorno del sujeto, (…) para comprender los efectos de los inputs ambientales complejos en el comportamiento humano (Foster I., Ghani R., Jarmin R.S., Kreuter F., Lane J., (Eds.), (2017)).

Una de las infinitas aplicaciones prácticas sería, por ejemplo, la llevada a cabo para determinar la influencia del etiquetado de las calorías en la elección de comida rápida por parte de niños y adolescentes y cómo realizar, por tanto, las intervenciones de salud pública (B. Elbel, J. Gyamfi, and R. Kersh (2011)).

El estudio concluyó que no existe evidencia de que el etiquetado influyera en la elección de alimentos por parte de los adolescentes o en las elecciones de alimentos de los padres para los niños de la población estudiada -niños y adolescentes en comunidades de bajos ingresos en la ciudad de Nueva York y en una ciudad de comparación (Newark, NJ)-. Influyen más otros aspectos, como contaba mi compañero Daniel Naranjo en este post.

En BeWay, soñamos con un futuro mejor para todos y, con ello, un futuro mejor para cada uno. Por eso tenemos especialistas de todas las disciplinas y trabajamos con las mejores empresas para conseguir, entre otros objetivos, consolidar el empoderamiento de perfiles como el de Behavioral Data Scientist, que contribuirán a construir nuestro futuro común.

Lo más importante en Behavioral Data Science

En resumen, el futuro en la predicción de la toma de decisiones pasa por establecer modelos híbridos sólidos que combinen todo lo que sabemos del comportamiento humano, del comportamiento de los algoritmos de las máquinas y del comportamiento de los sistemas que nos engloban.

Referencias

[1] Buisson, F (2021). Behavioral Data Analysis with R and Python: Customer-Driven Data for Real Business Results. O’Reilly.

[2] Foster I., Ghani R., Jarmin R.S., Kreuter F., Lane J., (Eds.), (2017). Big Data and Social Science A Practical Guide to Methods and Tools Statistics in the Social and Behavioral Sciences Series. CRC Press.

[3] B. Elbel, J. Gyamfi, and R. Kersh (2011). Child and adolescent fast-food choice and the influence of calorie labeling: A natural experiment. International Journal of Obesity, 35(4):493–500.

Política de cookies | Aviso legal | Política de privacidad