Gestión de datos científicos: perspectiva latinoamericana – Venezuela

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 continúa profundizando 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 del  experto invitado y los pilares fundamentales de su gestión de datos.

Perfil del Experto

• Entrevistado: Ing. Julio Ignacio Gutiérrez.
• Formación: Ingeniero Agroindustrial (UNELLEZ), Postgrado en Procesos (UNEXPO).
• Afiliación: Miembro de la Sociedad de Ingeniería de Tasación de Venezuela (SOITAVE).
• Experiencia: 16 años en tasación independiente y consultoría.
• Trayectoria Destacada: Experto técnico en avalúos para el Instituto de Ferrocarriles del Estado (IFE) en Venezuela y para China Railway Group Limited (CREC) en Bolivia, especializado en avalúos industriales y despeje de vías férreas.

El Contexto: Escasez de Datos y Cambio de Paradigma

El ingeniero Gutiérrez describe un escenario crítico en Venezuela caracterizado por la “oscuridad de datos”: la desaparición de fuentes oficiales y la obsolescencia de registros históricos (data de hace más de 10 años).

• Impacto Metodológico: Esta carencia ha forzado la caducidad de métodos tradicionales (mercado, costo, renta) y ha impulsado la adopción de modelos matemáticos predictivos y métodos disruptivos, como la tasación distributiva, donde el justiprecio se deriva de una distribución ponderada de elementos valorativos ante la falta de comparables directos.
• Propuesta Gremial: Sugiere que SOITAVE debe evolucionar para convertirse en una instancia recopiladora y garante de esta “materia prima” (datos) para el gremio.

Desafío Principal: La Heterogeneidad de los Datos

El mayor reto identificado es la integración de conjuntos de datos masivos y dispares (estructurados y no estructurados) en proyectos rurales/industriales.

a.-Tipología del Caos: Mezcla de mapas en papel, archivos digitales, registros manuales de cosecha, facturas con formatos variados y datos financieros volátiles.

b.-Solución Tecnológica (Stack de Herramientas):

• Limpieza y Estandarización: Uso de Python (librerías Pandas y NumPy) para automatizar la conversión de unidades y limpieza de formatos (PDF, CSV, Excel).
• Validación Geoespacial: Uso de SIG (QGIS, ArcGIS) para corregir discrepancias entre cartografía antigua y realidad topográfica actual.
• Análisis Estadístico: Implementación de modelos de regresión múltiple en R para identificar variables de peso (productividad, accesibilidad) sobre el precio final.
• Validación: Aplicación de validación cruzada con subconjuntos conocidos para asegurar la fiabilidad del modelo.

Integridad, Reproducibilidad y Versionado

La narrativa de Gutiérrez enfatiza que la tasación científica no admite “cajas negras”; el proceso debe ser auditable.

• Protocolo de Integridad (3 Pasos):
  1. Validación en origen.
  2. Limpieza/Estandarización técnica.
  3. Registro de auditoría (trazabilidad de cambios).
• Control de Versiones: Adopción de Git para gestionar scripts y datasets. El uso de commits descriptivos permite volver a estados anteriores y garantiza que cualquier par con los mismos datos llegue a la misma conclusión (reproducibilidad).

Plan de Gestión de Datos (PGD) e Interoperabilidad

Para el entrevistado, el PGD no es burocracia, sino la “hoja de ruta” operativa.

a.- Indicadores de Éxito del PGD: Se mide por la calidad de resultados (reducción de errores/consistencia) y la eficiencia del proceso (agilidad en limpieza y análisis).

b.- Estrategia de Interoperabilidad:

• Formatos Abiertos: Preferencia por CSV/JSON (tabulares) y GeoJSON (espaciales) para facilitar el intercambio entre disciplinas (economistas, topógrafos).
• Documentación: Creación de Diccionarios de Datos para eliminar ambigüedades.
• Metadatos: Adopción del estándar Dublin Core por su simplicidad (15 elementos) y universalidad, complementado con estándares OGC (Open Geospatial Consortium) para la parte geográfica.

Visión de Futuro: La Inteligencia Artificial

Gutiérrez identifica a la IA como la innovación más disruptiva, redefiniendo el rol del tasador.

• Aplicación Actual: Análisis predictivo de valores futuros, automatización de limpieza de datos y, crucialmente, el procesamiento de datos no estructurados (fotos, textos descriptivos) que antes eran difíciles de cuantificar.
• Límite Ético/Técnico: Aclara que la IA es una herramienta de apoyo, no un sustituto del criterio experto (expertise) y el discernimiento humano necesario para el justiprecio.
• Tendencia: Evolución hacia “Sistemas de Recomendación”, donde el tasador no solo da un valor, sino que sugiere reformas para maximizar dicho valor basado en datos.

Conclusión

La gestión de datos según Julio Ignacio Gutiérrez transciende la simple recolección; es un proceso de ingeniería de información. Su enfoque transforma la tasación tradicional (muchas veces subjetiva) en una ciencia de datos rigurosa, apoyada en programación (Python/R), control de versiones (Git) y estándares internacionales de metadatos, todo ello bajo la supervisión crítica del experto humano.