Gestión de datos científicos: perspectiva latinoamericana – Perú

Por: Ricardo J. Chaparro – Tovar,  Investigador,  Venezuela. / Correo: ricardochaparroinia@gmail.com / Instagram 

https://orcid.org/0000-0003-0749-726X

El presente escrito es una contribución desde la Red Latinoamericana de Divulgación Científica.

Gestionar datos es más que una tarea técnica;  es un desafío estratégico que define el futuro de la investigación.

En esta entrega se profundiza en la gestión de datos a través de las perspectivas de profesionales del área, obtenidas en una entrevista. Sus testimonios no solo enriquecen los conceptos abordados en capítulos anteriores, sino que también ofrecen una comprensión directa y pragmática, proporcionando una visión más completa y holística de esta disciplina.

A continuación, se desarrolla la  sinopsis analítica basada en la entrevista proporcionada, estructurada para resaltar el perfil de la experta y los pilares fundamentales de su gestión de datos.

Perfil de la experta entrevistada

• Nombre: Iris Susana Montalbán Quispe.
• Profesión: Licenciada en Estadística y Magíster en Administración.
• Grados Académicos: Licenciatura en Estadística por la Universidad Nacional de Piura. Magíster en Administración con mención en Business Analytics por la Pacífico Business School.
• Afiliación Institucional: Gerente de Data & Analytics en Globokas Perú (KasNet). Docente universitaria en la Universidad del Pacífico.
• Experiencia: Más de 7 años en gestión y análisis de datos, transformación digital y cultura data-driven.

Trayectoria en Organismos Nacionales e Internacionales

La entrevistada ha liderado proyectos de ciencia de datos y analítica aplicada en diversos sectores, incluyendo:

• Intercorp Retail (Perú): Liderazgo en ciencia de datos y Machine Learning.
• Yanbal Corporativo (Latinoamérica, Europa y EE. UU.): Implementación de modelos predictivos multinacionales.
• Falabella Perú: Analítica de clientes y reporting.
• Dirección Regional de Salud de Piura: Gestión de datos científicos de salud pública (clave en su experiencia con datos de enfoque social).

Análisis de la Gestión de Datos: Ejes Temáticos

A continuación, se presentan los aspectos esenciales de la narrativa de la Iris respecto a la gestión integral de datos:

1. El Desafío de la Calidad y la Estandarización

La entrevistada enfatiza que el volumen de datos es irrelevante sin calidad. Identifica la fragmentación de fuentes y la gestión manual como los principales obstáculos para la trazabilidad.

• Solución propuesta: Automatización mediante procesos ETL/ELT (Extract, Transform, Load) y la estandarización rigurosa de variables desde la recolección (ej. evitar inconsistencias en unidades de tiempo).
• Herramientas clave: SQL y Python para procesamiento; Power BI para visualización y detección de errores; metodologías ágiles (Scrum/Kanban).
• Principios rectores: Adopción de los principios FAIR (Findable, Accessible, Interoperable, Reusable) para asegurar la utilidad del dato a largo plazo.

2. Integridad, Reproducibilidad y Documentación

La reproducibilidad científica depende de eliminar las “cajas negras” en el procesamiento de datos.

• Transparencia del Código: La limpieza y transformación deben realizarse mediante código estructurado y comentado, no manual, permitiendo auditoría.
• Gestión del Conocimiento: La documentación y el versionado (usando herramientas como GitHub) deben ser procesos paralelos a la investigación, no tareas finales.
• Ética: La anonimización es obligatoria cuando se manejan datos sensibles para proteger la privacidad del sujeto de estudio.

3. El Plan de Gestión de Datos (PGD/DMP)

Se describe el PGD como un instrumento vivo y estratégico, compuesto por seis elementos críticos:

1. Identificación de fuentes: Distinguir entre orígenes automatizados vs. manuales.
2. Procesamiento: Limpieza y enriquecimiento de datos.
3. Modelado: Diseño de estructuras validadas por los equipos.
4. Arquitectura: Estrategia de integración y disponibilidad.
5. Catálogo de datos: Inventarios y diccionarios para evitar duplicidades.
6. Seguridad: Cumplimiento normativo y protección de datos personales.

Evaluación del PGD: La efectividad se mide por el cumplimiento de lineamientos, la reducción de tiempos de acceso (calidad/consistencia) y la capacidad de reutilización de las variables creadas en nuevos contextos.

4. Tendencias: IA y Democratización

La visión de futuro de la entrevistada se centra en la convergencia de dos fuerzas:

• Inteligencia Artificial: No solo para el modelado final, sino para acelerar la limpieza de datos (generación de código) y procesar datos no estructurados (redes sociales, notas médicas) que antes eran inaccesibles.
• Datos Abiertos: Valora la tendencia gubernamental hacia los portales de datos abiertos (Open Data) como motor de transparencia y colaboración científica.

Conclusión

La narrativa de Iris Montalbán posiciona la gestión de datos no como una tarea técnica aislada, sino como acción estratégica que requiere formación, ética y estandarización. Su enfoque conecta la rigurosidad de la investigación científica (reproducibilidad, diccionarios de datos) con la agilidad del sector corporativo (automatización, IA), destacando que la documentación y la calidad del dato son parte fundamental para generar información y gestionar el conocimiento.

Nos vemos en la próxima entrega con otro invitado en esta sección con el tema “gestión de datos científicos desde la mirada latinoamericana”.