Explorar los datos haciendo buenas preguntas
Objetivos de aprendizaje
Después de completar esta unidad, podrá:
- Hacer buenas preguntas.
- Identificar aptitudes y actitudes para trabajar eficazmente con datos.
Introducción
Todos los días, se presentan millones de oportunidades para mejorar la vida de las personas usando datos de manera más eficaz. ¿Le interesa investigar enfermedades, patrones educativos, la eficiencia industrial, la atención a los pacientes o el gasto público? Las oportunidades son infinitas.
Para empezar a aprovechar mejor los datos, tenga en cuenta esta parte esencial de la alfabetización de datos: la exploración. La clave para una exploración de datos exitosa es hacer buenas preguntas. Por ejemplo, si le encantan los perros y se preocupa por la salud, una buena pregunta de partida sería: ¿tener un perro es bueno para la salud?
Ahora, compare esa pregunta con esta otra: ¿Cómo son los resultados de salud de las personas que tienen perros en comparación con las que no tienen entre la población con enfermedades crónicas en los Estados Unidos?
La primera pregunta es amplia y no establece criterios claros en términos de qué se considera bueno para la salud. La segunda pregunta es mucho más específica. Utiliza términos claramente definidos y limita el enfoque a una población específica. Es más fácil explorar datos que respondan a la segunda pregunta.
Preguntar por qué
Cuando comience a explorar la respuesta a cualquier pregunta, a menudo deberá hacer preguntas de seguimiento. Por lo general, debe seguir avanzando después de responder la pregunta original. En nuestro ejemplo, si los resultados de salud entre la población con enfermedades crónicas en los Estados Unidos varía según tengan o no un perro, la siguiente pregunta para formular será “¿Por qué?”.
La técnica de los 5 por qué, desarrollada por el fundador de Toyota Motors Sakichi Toyoda, propone preguntar el por qué de un problema identificado y, luego, seguir preguntando el por qué para cada respuesta o explicación dadas. Aunque el objetivo principal de esta técnica es determinar la causa raíz de un problema, podemos utilizar esta técnica para profundizar en las causas de cualquier resultado.
El destacado especialista en tecnología de la información Stephen Few identificó una lista de rasgos, que él define como “aptitudes y actitudes”, que ayudan a las personas a trabajar eficazmente con los datos. Estos rasgos también permiten hacer mejores preguntas.
Aptitudes y actitudes que inspiran buenas preguntas
Mientras lee estas aptitudes y actitudes, adaptadas, con permiso, del libro de Stephen Few Now You See It: An Introduction to Visual Data Sensemaking (Ahora que lo ve: Introducción a la comprensión de datos visuales), piense en su propia experiencia. ¿Cuál de estos rasgos posee? ¿Cuáles le gustaría desarrollar? ¿Cómo lo ayudan sus rasgos actuales a hacer buenas preguntas? ¿Cómo podría la adquisición de nuevos rasgos ayudarlo a mejorar sus habilidades para formular buenas preguntas?
El valor de las buenas preguntas: Ejemplos
Florence Nightingale y John Snow presentaban muchos de los rasgos enumerados anteriormente y formularon buenas preguntas para solucionar problemas. Mientras lee sobre cada uno de ellos, piense en las aptitudes y actitudes que demostraron en su trabajo.
Por ejemplo, ambos manifestaban interés y curiosidad. Nightingale tenía habilidades de análisis de datos y Snow detectaba patrones. ¿Puede pensar en otros ejemplos de cómo Florence Nightingale y John Snow demostraron aptitudes y actitudes de análisis de datos efectivo?
Florence Nightingale
En 1854, Florence Nightingale lideró un equipo de 38 enfermeras que atendió a los soldados hospitalizados durante la guerra de Crimea. ¿Por qué morían tantos soldados y cómo podían evitarse estas muertes?
Descubrió que las enfermedades prevenibles causadas por malas condiciones sanitarias, y no las heridas de guerra, eran la principal causa de muerte de estos soldados. Comenzó a implementar reformas sanitarias, que redujeron significativamente las muertes, y documentó los resultados durante dos años.
Posteriormente, utilizó gráficos, como un diagrama de área polar (ejemplo a continuación), para comunicar la necesidad de una reforma sanitaria generalizada a un público no científico. En su diagrama, cada porción representa un mes, y el área de la porción muestra el número de soldados que murieron ese mes. Los diferentes colores representan distintas causas de muerte.
La historia y las imágenes fueron adaptadas de la página dedicada a Florence Nightingale en el sitio web del Museo de Ciencias del Reino Unido: El trabajo de Florence Nightingale.
John Snow
El cólera es una enfermedad intestinal aguda que causó muchas muertes durante una epidemia en Londres entre 1831 y 1832, y luego entre 1848 y 1849. En aquel tiempo, muchas personas creían que el cólera se debía al mal estado del aire, derivado de la materia orgánica en descomposición. Creían que la enfermedad podía erradicarse con medidas preventivas, como el fregado, por lo que no siguieron el enfoque científico más puro de la microbiología. El físico inglés John Snow cuestionó la teoría de la calidad del aire o teoría miasmática de esta enfermedad.
¿Y si el cólera se debía a un germen? Snow sostenía que el cólera estaba causado por un germen, que aún no había sido identificado. Según este razonamiento, el germen se propagaba en el agua que la gente bebía. Para probar su teoría (de que el cólera se contraía a través del contacto con gérmenes en el agua, y no mediante el aire contaminado), Snow recopiló datos sobre las muertes en Londres atribuidas al cólera de la Oficina de Registro General.
Snow representó las muertes en un mapa de la ciudad y, luego, trazó la ubicación de las bombas que suministraban agua a la ciudad. Finalmente, determinó que las víctimas de las muertes por cólera que tenía trazadas habían consumido agua de la bomba de Broad Street.
La historia de John Snow es un ejemplo significativo de cómo resolver un problema sanitario con métodos estadísticos sin conocer la causa biológica subyacente. Él no sabía cuáles eran propiedades biológicas específicas del germen del cólera, pero de todos modos descubrió el origen del problema.
La historia y las imágenes fueron adaptadas de la página dedicada a John Snow en el sitio web del Departamento de Epidemiología de la UCLA: El trabajo de John Snow.
Recursos
- Blog de Tableau: Encuentre información oculta en sus datos: Pregúntese “por qué” una y otra vez
- Libro: Few, S. (2021). Now You See It: An Introduction to Visual Data Sensemaking (2da. edición). Analytics Press, 29-32.
- Sitio web: Florence Nightingale: The Pioneer Statistician
- Sitio web: El padre de la epidemiología moderna
Ahora comprende la relación entre formular buenas preguntas y la exploración de datos. Para trabajar con datos de forma eficiente, céntrese en las aptitudes y actitudes que le permitirán hacer buenas preguntas.