Saber interpretar los datos es un gran desafío para todas las organizaciones. En un entorno cada vez más dinámico en que se deben tomar decisiones oportunas y acertadas, el análisis de datos se ha convertido en una herramienta cada vez más importante. En particular, en el contexto de la COVID-19, el uso de tecnologías analíticas ha permitido a las instituciones mejorar la evaluación del impacto sanitario y social de la pandemia, así como los procesos de toma de decisiones.
La analítica de datos se define como la ciencia que se encarga de examinar un conjunto de datos con el propósito de sacar conclusiones sobre la información para poder tomar decisiones, o simplemente ampliar el conocimiento sobre diversos temas.
Es decir que el análisis de datos consiste en un conjunto de técnicas que apuntan a extraer conclusiones y recomendaciones a partir de los datos. Las diferentes técnicas de análisis de datos se clasifican - según su aporte - en cuatro categorías principales: Analítica descriptiva, diagnóstica, predictiva y prescriptiva.
Analítica descriptiva: En general este tipo de análisis parte de un gran conjunto de datos que a simple vista no ofrece mucha información y sobre los que se aplican técnicas de limpieza, ordenamiento, transformación y visualización para permitir expresar de una forma comprensible lo que ha venido pasando en las organizaciones. Esta técnica permite analizar el resultado de ciertos eventos o fenómenos y saber qué fue lo que pasó. Estos hallazgos simplemente indican que algo está bien o mal, sin explicar por qué.
Analítica diagnóstica: Ofrece información detallada sobre un problema particular y permite responder porque ocurrió un determinado fenómeno o evento. Los datos históricos pueden ser contrastados con otros datos para responder a la pregunta de porque sucedió algo.
Es necesario disponer de información detallada para poder realizar este tipo de análisis, de lo contrario la recolección de datos para cada caso particular se torna ineficiente, además de que puede llevar mucho tiempo.
Analítica predictiva: Este tipo de análisis consiste en la aplicación de técnicas y modelos matemáticos y estadísticos a los datos históricos que posee la organización. Aunque los análisis predictivos no intentan predecir el futuro al 100%, porque este tipo de análisis es probabilístico, si pronostican que podría suceder. Usan los hallazgos de análisis descriptivo y de diagnóstico para detectar grupos y excepciones, a partir de los cuales construyen modelos predictivos. Estos modelos, aplicados sobre una gran cantidad de datos, permiten pronosticar, con una cierta probabilidad, lo que podría llegar a pasar.
La analítica predictiva pertenece a los tipos de analítica avanzada y ofrece muchas ventajas, como el análisis basado en aprendizaje automático. Sin embargo, no se debe olvidar que el pronóstico es solo una estimación, y al estudiar la correlación entre variables y como podrían comportarse en el futuro, su precisión depende en gran medida de la calidad de los datos involucrados en el análisis.
Analítica prescriptiva: Este tipo de análisis es el encargado de recopilar datos, recomendar acciones y prever que impacto tendrán para facilitar y automatizar la toma de decisiones, identificando la mejor decisión entre todas las posibles.
Se busca responder preguntas del estilo, ¿Qué puedo hacer para que tal fenómeno deje de ocurrir? O ¿Cómo hacer que algo pase? y prescribir qué medidas tomar para eliminar un problema futuro o aprovechar al máximo una tendencia.
Este tipo de análisis requiere no solo de datos internos históricos sino también información externa debido a la naturaleza de los algoritmos matemáticos en los que se basa.
Figura 1: Diferentes tipos de técnicas analíticas
La Figura 1 resume las categorías, su valor agregado y complejidad de aplicación.
El uso de estas técnicas es sumamente importante para la seguridad social, dado que está permitiendo que las instituciones aprovechen los datos disponibles, cada vez más voluminosos, para detectar y explicar hechos inhabituales, así como para elaborar modelos predictivos que permitan anticipar nuevas situaciones.
Este tipo de análisis tiene múltiples aplicaciones, un número creciente de instituciones están aplicando tecnologías de analítica en diversas áreas, tales como: lucha contra el fraude, análisis de performance de los procesos, evaluación y ajustes de programas sociales, implementación de medidas preventivas, desarrollo proactivo de políticas sociales y servicios de salud.
La Asociación Internacional de la Seguridad Social (AISS) ha desarrollado directrices sobre las tecnologías de la información y la comunicación, que proveen orientaciones en la aplicación de las tecnologías de análisis de datos. Concretamente, se desarrollaron cuatro directrices, una por cada tipo de análisis de datos descriptos previamente (Directrices #54 a #57) y una específica sobre Big Data (Directriz #58) y otra específica sobre aprendizaje automático (en inglés Machine Learning ) y su uso para la toma de decisiones (Directriz #59).
Experiencias de aplicación de técnicas analíticas en lucha contra la pandemia
Las buenas prácticas presentadas sobre este tema en el concurso del premio de las buenas prácticas de la AISS para las Américas 2020, así como webinarios y otras actividades de la AISS, ha puesto de manifiesto que el uso de técnicas analíticas es un tema vigente y cada vez más utilizado en las instituciones de seguridad social. En el contexto de emergencia sanitaria debido al COVID-19 estas técnicas han demostrado ser una herramienta de valor, con especial aplicabilidad en los Servicios de Salud.
Costa Rica
La Caja Costarricense de Seguro Social (CCSS) implementó técnicas analíticas para el monitoreo del comportamiento de la enfermedad COVID-19 en la población y las atenciones que se realizan en los establecimientos de salud de la CCSS. Ante la situación de emergencia sanitaria se entendió que se debía disponer de información oportuna y veraz tanto para el monitoreo como para la toma de decisiones en la gestión de la pandemia.
Para ello se propuso desarrollar una fuente de información única, aprovechando los sistemas de información de Salud sólidos y adaptables con los que cuenta la CCSS, permitiendo así introducir el análisis de trazabilidad de pacientes COVID-19. En ese sentido, se apuntó a consolidar datos de centros de atención médica y utilizar los datos maestros de la institución.
La aplicación desarrollada también se focaliza la estrategia en explotar herramientas de inteligencia de negocios para la gestión de información estadística que permita disponer en forma ágil de datos de atención por COVID-19. Se trata de promover la toma de decisiones basadas en datos, especialmente a nivel estratégico, lo cual requiere acercar facilitar el acceso a información estadística, así como el uso de herramientas de análisis de datos.
En suma, la aplicación de tecnologías analíticas permitió a la CCSS fortalecer los procesos de toma de decisiones basadas en datos, pudiendo cuantificar la afectación de los servicios y mejorar el dimensionamiento de los mismos. Asimismo, apoyó la transformación digital de la institución, en particular a través de la adopción de tecnologías de análisis de datos.
El enfoque de la CCSS es a través de técnicas de analítica descriptiva y analítica diagnóstica.
México
En México, el Instituto Mexicano de Seguridad Social, IMSS aborda la temática de análisis de datos a través una estrategia de Gobierno de Datos dada la importancia de los mismos en la atención de la pandemia COVID-19.
El enfoque de Gobierno de Datos le permite al IMSS proveer información de valor a sus áreas sustantivas y facilitar de esta forma la toma de decisiones tanto a nivel directivo como a nivel operativo. La información geográfica y estadística con que cuenta la institución, posibilitan gestionar los niveles de existencias de insumos, las incapacidades de beneficiarios por padecimientos vinculados al COVID-19, así como la información relacionada a las empresas sobre variables de cumplimiento para el retorno laboral. De esta forma, el IMSS busca dar respuesta a situaciones como la duplicación de esfuerzos, la falta de oportunidad en la entrega de información de valor, así como la falta de homogeneización, trazabilidad, integridad y calidad de los datos. Estas características de los datos son típicas cuando las instituciones tienen muchos servicios y mucha información dispersa en múltiples repositorios de datos no interconectados.
El Gobierno de Datos se basa en tres pilares. El cambio cultural sobre las personas, la mejora de los procesos a través de una visión holística de los mismos y la evolución de la tecnología con la implementación de un “lago de datos” (en inglés Data Lake) bajo una solución integral. Sobre esta base, es posible implementar el uso de herramientas analíticas para el análisis de datos. Esta analítica brinda información útil y de calidad y permite la identificación de tendencias o valores fuera de los valores esperados, así como la armonización que posibilita el intercambio de información transparente y seguro con otras instituciones.
A su vez, en este marco, la implementación una Big Data basada en un “lago de datos”, permite visualizar y gestionar la evolución de la pandemia, según diferentes variables como ser: cantidad de casos, ocupación hospitalaria, evolución de los pacientes y defunciones por región, sexo, edad, unidad médica, etc.
El enfoque del IMSS es sobre analítica descriptiva y analítica diagnóstica.
Perú
El enfoque seguido por EsSalud en Perú fue la creación de una unidad de inteligencia y análisis de datos (UIAD) que apunta a proveer información completa, oportuna y de calidad, para sustentar las decisiones estratégicas institucionales mediante el análisis de datos. Con la creación de dicha unidad se busca una gestión moderna y eficiente en beneficio de los asegurados a través del suministro a la alta dirección de información oportuna, relevante y de calidad para la toma de decisiones.
Otro aspecto del abordaje propuesto es el desarrollo de aplicativos y otras estrategias innovadoras para comunicar a la alta dirección, así como la promoción y monitoreo de la mejora de la calidad de registro y la integración de la información institucional. Una de las principales aplicaciones desarrolladas corresponde a un Mapa de Calor, que grafica la presencia de la pandemia en el territorio peruano, mostrando información sobre la "Ruta del virus" al expandirse, las zonas de contagio, etc.
Con el suministro de información oportuna en forma diaria se busca poder realizar el análisis de suspensión de citas, el seguimiento de la programación de visitas domiciliarias, realizar alertas de estancias prolongadas, así como controlar la disponibilidad de camas hospitalarias.
Es importante destacar que EsSalud se propone no solo generar información para su uso interno, sino también cooperar con otras entidades públicas compartiendo los resultados obtenidos. En particular, se utilizó información del Registro Nacional de Identificación y Estado Civil.
El enfoque de EsSalud, es a través de analítica descriptiva y analítica diagnóstica.
Resultados obtenidos
Los resultados obtenidos por las instituciones que aplicaron tecnologías analíticas resultan positivos, y les han permitido tanto implementar mecanismos específicos para hacer frente a los desafíos de la pandemia como desarrollar capacidades para aplicar las tecnologías en otros contextos. El Cuadro 1 presenta una síntesis de los mismos.
| Pais | Resultados obtenidos sobre los sistemas de salud |
|---|---|
| Costa Rica - CCSS | Fortalecimiento de los procesos de toma de decisiones. |
Generación de información para planificación de servicios post COVID-19. Fue posible medir la afectación de los servicios:
|
|
| México - IMSS | Implementación de Plataforma de Datos única para COVID-19 utilizando tecnologías de Lago de datos y Big Data. Dicha plataforma ha recibido 86 422 visitas por 445 usuarios. |
| Se comparte información con la Secretaría de Salud (encargada de la coordinación de acciones con respecto a la pandemia) y otras instituciones | |
| Peru - EsSalud | Fue posible entregar informes diarios con el seguimiento de la pandemia:
|
| Implementación de aplicaciones, tales como el Mapa de calor, así como mapas, infografías para ayudar a interpretar la información. Implementación de un cuadro de mando con alertas de estancias prolongadas y disponibilidad de camas hospitalarias, accesible desde internet con información en tiempo real. | |
| Se comparte información con al menos 12 gobiernos locales y 2 ministerios |
Potencial y limitaciones de la analítica predictiva
La Organización Panamericana de la Salud (OPS) destaca la importancia de la analítica predictiva en el contexto de la lucha contra la COVID-19, ya que permitiría estimar el comportamiento de la pandemia con un grado aceptable de incertidumbre. En base a estar información, las instituciones pueden prever, aproximadamente, la demanda de servicios médicos de atención aguda, determinar los plazos para levantar de forma parcial o total las medidas de restricción de la movilidad (es decir, los confinamientos), e incluso predecir las nuevas necesidades que podrían surgir (OPS, 2021).
Por otro lado, también se señala que los modelos predictivos presentan limitaciones en su aplicación a un contexto como el de la pandemia, ya que existe una incertidumbre inherente a estos modelos la cual afecta el desempeño del mismo y que resulta difícil de cuantificar. Concretamente, la introducción de períodos de tiempo así como la heterogeneidad de los datos analizados puede contribuir a la incertidumbre. La realización de “análisis de sensibilidad” resulta fundamental para conocer mejor la incertidumbre, y se trata de una técnica usada para evaluar el impacto que podría tener una variable dependiente concreta, bajo un conjunto dado de supuestos, en el resultado general. La incertidumbre puede reducirse aumentando el tamaño de la muestra y mejorando la calidad de los datos empleados en el modelo. Por lo tanto, el volumen y calidad de los datos resulta crítico en estas técnicas analíticas (OPS, 2021).
Factores críticos
Las experiencias analizadas coinciden en destacar varios factores críticos en la aplicación de técnicas analíticas en el contexto COVID-19.
Un primer factor crítico corresponde al equipo de trabajo, ya que resulta una pieza esencial en la estrategia de implantación de técnicas de analítica. En este sentido se debe buscar que los equipos sean multidisciplinarios y que los roles estén bien definidos. La existencia de comités con integrantes de diferentes áreas siempre es importante pues permite realizar un escalamiento de las definiciones cuando esto es requerido.
En EsSalud, se creó una unidad de análisis específica formada por un equipo multidisciplinario. Dicha unidad cuenta con un plan estratégico flexible para permitir el desarrollo e incorporación de innovaciones dentro de la estrategia de análisis institucional. El IMSS en México, formó un equipo conjunto de trabajo colaborativo. Se definieron roles específicos de analítica, calidad de datos, arquitectura y dueños funcionales de los datos, así como un comité ejecutivo de datos.
El apoyo alta dirección también resulta crítico en este tipo de iniciativas, en particular como viabilizador de las mismas. Esto se debe a que las iniciativas de analítica de datos, generalmente son de tipo horizontal a las instituciones, unificando datos y procesos de más de un área de negocio. Asimismo, puede requerir la concreción de acuerdos con otras organizaciones. Tanto en la experiencia del IMSS en México, como de la CCSS en Costa Rica se contó con el involucramiento y apoyo de la alta dirección, lo cual fue clave para el éxito de ambas iniciativas.
La flexibilidad de los modelos implementados también se identifica como un factor crítico, y los mismos deben poder evolucionar a medida que la realidad va cambiando. También es importante que los modelos sean específicos y no generales ya que es la forma en que se logran mejores predicciones. En el caso de EsSalud, la flexibilidad del modelo del mapa de calor, permitió adaptarlo a las crecientes necesidades de información surgidas a raíz de la emergencia sanitaria.
Otro factor crítico es la calidad de los datos, que resulta la base necesaria para la implementación de cualquier iniciativa de analítica de datos. Tomar decisiones basadas en los datos exige que los datos sean confiables, de lo contrario se limita la capacidad de análisis y validez de las conclusiones. La mejor forma de garantizar la calidad de los datos, es realizando acciones para que los mismos tengan calidad desde las bocas de entrada, para no tener que realizar acciones de limpieza de los mismos en etapas posteriores.
Tanto en la CCSS en Costa Rica como en EsSalud en Perú, se adoptó la cultura de tomar decisiones basadas en los datos. Se realizaron acciones para neutralizar la falta de experiencia o habilidades en la toma de decisión ya que se entendió que tanto la calidad de los datos como la correcta interpretación de la información son fundamentales para que las decisiones que se tomen sean las adecuadas.
Conclusiones
Las técnicas tradicionales de análisis de datos permiten la generación automática de informes (o reporting) y la implementación de cuadros de mando (en inglés dashboards), los cuales permiten disponer de una visión retrospectiva de la organización para dar respuesta a preguntas como “que ha pasado” o el “por qué” se ha llegado a la situación actual. Pero más allá de facilitar la toma de decisiones mediante el análisis descriptivo de los datos, la aplicación de técnicas avanzadas de aprendizaje automático (en inglés Machine Learning), como el análisis predictivo y prescriptivo, posibilita el disponer de una visión a futuro de la organización, incluyendo el apoyo a la toma de decisiones, sino también la optimización de los procesos de negocio y el incremento de la productividad.
La importancia del análisis de datos ha ido aumentando en los últimos años, lo que se puede ver claramente en la cantidad de buenas prácticas presentadas, así como las diferentes presentaciones de los webinarios que abordan este tema. En ese sentido, las herramientas de análisis de datos han tomado cada vez más, un lugar central en las organizaciones. El análisis de datos no se puede entender como un proceso aislado, sino integrado con los procesos de negocios y la toma decisiones, así como con la gestión de los datos utilizados y su calidad, de forma que la interpretación que se haga de los mismos sea válida.
También resulta importante destacar que la capacidad institucional de aquellas organizaciones que ya contaban con proyectos de análisis de datos en curso les permitió re-enfocarlas en el contexto de la emergencia sanitaria.
En suma, en el marco de la emergencia sanitaria producto del COVID-19, varias instituciones de seguridad social encontraron una oportunidad para afianzar o comenzar la incorporación de este tipo de soluciones.
Referencias
AISS. 2019a. Directrices de la AISS sobre las tecnologías de la información y de la comunicación (Edición revisada y aumentada). Ginebra, Asociación Internacional de la Seguridad Social.
AISS. 2019b. Directrices de la AISS sobre la calidad de los servicios (Edición revisada). Ginebra, Asociación Internacional de la Seguridad Social.
Caja Costarricense de Seguro Social. 2019. Soluciones automatizadas de inteligencia analítica en salud: apoyo a la gestión de la pandemia COVID-19 en Costa Rica (Buenas prácticas de seguridad social). Ginebra, Asociación Internacional de la Seguridad Social.
Comisión Técnica de las Tecnologías de la Información y de la Comunicación. 2019. Aplicación de las tecnologías emergentes a la seguridad social. Ginebra, Asociación Internacional de la Seguridad Social.
EsSalud - Seguro Social de Salud. 2020. Alertando el avance de la COVID-19: el mapa de calor de la Unidad de Inteligencia y Análisis de Datos (Buenas prácticas de seguridad social). Ginebra, Asociación Internacional de la Seguridad Social.
Instituto Mexicano de Seguridad Social. 2020. Analítica IMSS: la importancia de los datos en la atención de la pandemia COVID-19 (Buenas prácticas de seguridad social). Ginebra, Asociación Internacional de la Seguridad Social.
OPS. 2021. ¿Por qué los modelos predictivos son cruciales en la lucha contra la COVID-19? (COVID-19 Factsheets). Washington, DC, Organización Panamericana de la Salud.