¿Qué se puede hacer con un living lab? 

qsphcll

A propósito de una conversación con Gemma, del Ayuntamiento de Gavà


¿Qué se puede hacer con un living lab?

Un living lab es un concepto, una metodología y un espacio relacionado con el mundo de la investigación que promueve una manera de hacer y de pensar el fenómeno de la innovación. Los living labs se emplean para añadir valor al proceso de innovación.

En su sentido original depende de tres condiciones fundamentales: 1) Tiene que ver con la estrategia (competitiva o solidaria) de la innovación abierta, 2) con la aproximación metodológica de la innovación (o el diseño) centrado en los usuarios, los ciudadanos o las personas, y 3) con la creación de un espacio de pensamiento y acción transversal que reúne a los distintos agentes que participan en un ecosistema socio-económico y tecno-cultural. Es decir, la expresión living lab va acompañada de una manera particular de entender y trabajar el fenómeno de la innovación: una innovación abierta, centrada en las personas, sistémica y transversal. Abierta para poder incluir a los usuarios y otros agentes en el proceso de investigación y diseño del producto o servicio, y sistémica y transversal para poder coordinar los intereses de los agentes implicados.


Abierta y con los usuarios ¿Por qué innovar de manera abierta y centrándose en las personas?

Originalmente, los living labs surgen en un momento en el que la oferta de productos supera la demanda y las empresas tienen que adaptar sus estrategias de mercado y empezar a competir en innovación y calidad de producto (situémonos en la década de los 70s y los 80s, el momento en el cual se empieza a hablar de una sociedad post-industrial y de la emergencia de la sociedad de la información). ‘Innovar’, aquí, significa la capacidad para ofrecer nuevos productos a la curiosidad del consumidor y ‘calidad del producto’ debe interpretarse como la posibilidad de satisfacer y fidelizar el consumidor a través de la reputación de un producto o marca. Pero, para innovar, hacen falta ideas y, para mejorar la calidad de un producto, se necesita información sobre la experiencia de sus usuarios que lo van a utilizar en sus circunstancias particulares. 

En ambos casos, algunas empresas se dan cuenta de que el tradicional secretismo inherente al mundo industrial y a su sistema de patentes necesita una revisión o, por lo menos, cierta flexibilidad o ‘apertura’. Mantener un producto en secreto hasta el momento de introducirlo en el mercado como había sido habitual en los momentos en los que la oferta era inferior a la demanda, resultaba demasiado arriesgado en un mercado donde los consumidores fácilmente podían elegir otros productos, los de la competencia. Por lo tanto, algunos exploraron de qué maneras podían disminuir los riesgos de fracaso de los productos en el mercado. Una de las soluciones que encontraron fue ‘abriendo’ un poco la investigación de producto (o servicio) a los potenciales consumidores, y renunciando un poco al genio de los inventores y diseñadores para adaptarlos a las necesidades reales de los consumidores. Este giro social en la estrategia de investigación de producto permitía socializar el nuevo producto antes de lanzarlo al mercado. En esta ecuación, si los usuarios o potenciales consumidores podían compartir sus experiencias con una idea, concepto, prototipo o diseño de un producto, los promotores del proyecto aún estarían a tiempo de corregir y re-diseñar el producto para que encajara mejor con los requerimientos del futuro mercado y, así, disminuir los riesgos de rechazo. De esta manera, al explorar las experiencias de los usuarios en el proceso de I+D del producto se podían detectar sus puntos débiles y se tenía tiempo de adaptar el producto teniendo en cuenta los usos reales en la relaciones cotidiana con los objetos o los servicios. A esto se le llamó innovación abierta (Open Innovation) e innovación (o diseño) centrado en los usuarios (o las personas) (People Centred Innovation, User Centred Desgin).

Qualitative Open Data

QualitativeOpenData

El jueves 17 de marzo tuvimos una reunión del Grupo de Diseño de Ecosistemas Tecnoculturales (UB-i2CAT) en el i2CAT. A la reunión asistimos Artur Serra, Marc Aguilar, Cristina Nieto y Jordi Colobrans. En un momento dado hicimos una conexión. Funcione este post como Acta de la Reunión.

La narrativa actual sobre la Open Data pone el énfasis en la dimensión cuantitativa de los datos. Se supone que los datos a los que hay que acceder son fundamentalmente de origen estadísticos. ¿Por qué es así y no de otra manera? ¿Por qué no es habitual aún pensar en una Open Data Cualitativa?

Estábamos reflexionando sobre el acceso y el uso de los datos abiertos y salía el tema de la Big Data. En un momento dado, caímos en la cuenta de que estábamos hablando de Open Data y pensando únicamente en datos cuantitativos. Y esto no es necesariamente verdadero. Alguna vez, frente a la Open Data, los tecnoantropólogos hemos reaccionado reivindicando una Thick Data, datos densos, significativos, datos etnográficos. Es decir, puestos a abrir los datos, podemos abrir tanto los datos estadístcios como los contenidos textuales. La Open Data, pues, también puede ser cualitativa. Puede haber una Qualitative Open Data y, en realidad, una Qualitative Open Data resulta fundamental cuando estamos hablando de información que tenga relevancia a escala local, pensando en el uso que de ella puedan hacer los ciudadanos en sus vidas cotidianas personales, sociales, laborales o profesionales.

¿Cómo llegamos a esta conclusión? Estábamos discutiendo sobre un nuevo proyecto financiado por la UE, el OpenData4Citizens y en el que intervienen varios países. El kick off de este proyecto empieza el mes de abril. Los impulsores de este proyecto ponían el énfasis en la apertura de los datos. Sin embargo, algunos, desde la experiencia del análisis de contenidos, replicábamos que de poco sirve tener datos si, luego, no hay manera de extraer nada útil de ellos. Además, añadíamos, ¿Cuál podría ser el valor real de acceder a bancos de datos generados por la administración para un ciudadano? Hemos vivido tantas experiencias de datos inútiles puestos a disposición del mundo, que nos rebelábamos ante la idea de una Open Data simplista e ingenua. Si el argumento del proyecto es ayudar a los ciudadanos en algo, tenemos que partir no d los datos, sino de los ciudadanos. ¿Y para qué quieren datos los ciudadanos? Hagamos el ejercicio de contextualizar. ¿Quienes son los ciudadanos? El tendero del mercado, el propietario de la tienda de bolsos que está a punto de cerrar, el profesor de escuela implicado en la cultura digital, el monitor de un centro de jóvenes que prepara los campamentos de verano, el programador de actividades de un centro cívico, el funcionario del ayuntamiento de barrio encargado de dinamizar el tejido asociativo, el presidente de una asociación de, por ejemplo, pintores o músicos o amigos de los trenes, el responsable de la biblioteca del instituto de secundaria, el padre, la madre, el hijo, el estudiante, el que anda por la calle o hace gimnasia en el parque, el comprador, el vendedor, el usuario del Centro de Asistencia Primaria… Los ciudadanos son las identidades y los roles que desempeñan las personas (por lo menos desde una perspectiva antropológica). Por lo tanto, una Open Data para los Ciudadanos debería ser un instrumento que ayude a estos roles e identidades a ser lo que son y a hacer lo que hacen.

Una Open Data Top-Down, para nosotros, resultaba criticable. Tiene escaso sentido en la escala local. No se trata de volcar datos en Internet, aunque estén algo indexados. Hacer públicas las bases de datos de administraciones, investigadores y otros puede ser una acción quizás encomiable desde la perspectiva de la cultura de la apertura y la transparencia, pero si estos datos carecen de interés, no están optimizados, ordenados, indexados y no se acompañan de herramientas para su explotación y aplicación, estamos ante un simulacro de servicio. El destinatario de la Open Data deben ser los ciudadanos, no el mundo digital. La Open Data no debería ser un fin en sí mismo.

Por lo tanto, si de verdad estamos pensando en los ciudadanos habría que hacer algo distinto. Habría que conocer qué necesidades de información tiene la gente a escala local y, a partir de ahí, solicitar el tipo de datos que necesitan para mejorar el desempeño y la calidad de su vida cotidiana. Por ejemplo, la chica sin estudios que quiere quiere montar una peluquería para ganarse la vida y no se puede costear un estudio de mercado ni de imagen, quizás estaría encantada de poder consultar una web que le permitiera localizar el mejor lugar para ubicar su peluquería en su barrio y encontrar pistas para decidir el aspecto de su tienda y los productos que podría ofrecer a sus futuros clientes. Cualquiera de los perfiles locales mencionados dos párrafos más arriba serían candidatos a explicar sus necesidades. Habría que hacer una Etnografía de las Necesidades de los Ciudadanos en los Barrios para saber qué información necesitan y para requerir a quienes van a abrir sus datos, los tipos de datos y qué quieren hacer con ellos. Y, luego, tratando de resolver algunos de estos casos desde el principio hasta el fin, habría que ir modelando la estructura de estos espacios que se ofrecen abiertos al ciudadano. De otra manera, sucede lo que tantas veces sucede: magníficos aeropuertos sin aviones, lujosos trenes de alta velocidad sin pasajeros, costosos archivos digitalizados que jamás se van a utilizar. ¿Es esto lo que queremos para el mundo de la Open Data? ¿Datos y datos sin usuarios? ¿Datos que están ahí, abiertos, pero sin usuarios? Si se hace hay que hacerlo bien. No se vale esto de ‘Yo ya he puesto los datos’ ahora te toca a ti. Esto sería como darle un volante, un sillón, unas ruedas y un bidón de gasolina al usuario y decirle ‘Anda conduce’. Todos sabemos que no va a conducir en estas condiciones. Por lo tanto, ahí hay engaño y esto no puede ser.

A partir de ahí nos planteamos qué tipos de datos esperan los ciudadanos y nos percatamos de que no son precisamente datos numéricos los que espera el ciudadano sino consejos, conocimientos, experiencias y conceptos con los que pueda pensar y que, a continuación, pueda aplicar. El ciudadano, por ejemplo, no quiere saber la densidad del flujo en las calles de Barcelona, quiere saber si aquel día saliendo a tal hora de su casa va a llegar puntual al trabajo. No se descargará una base de datos para analizar las tendencias del tránsito o visualizar la disponibilidad de las zonas azules o verdes para aparcar en el Área Metropolitana de Barcelona. Quiere saber si el recorrido que prevé hacer aquél día será fluido o le resultará un calvario. Quiere saber si acierta en sus decisiones. Querrá saber cosas como si en aquella calle en la que ahora se encuentra y está pensando en aparcar en doble fila para descargar algo tiene un riesgo real de que le multen. El ciudadano local no pide sólo números quiere, sobretodo, conocimientos y experiencias.

El Ayuntamiento de Barcelona, por ejemplo, dentro del Plan de Actuación Municipal 2016-2019, está impulsando iniciativas participativas a nivel de ciudad organizadas por distritos. Entre ellas la plataforma Decidim Barcelona, una plataforma en la que se fomenta un diálogo entre el soporte ciudadano a las propuestas del Ayuntamiento y las propuestas de los ciudadanos. Las intervenciones de los ciudadanos también son Datos Abiertos. Está abierto el tipo de información que el Ayuntamiento necesita del ciudadano para mejorar la gobernanza de la ciudad. Pero ¿en qué plataforma están las recomendaciones que necesitan los ciudadanos? ¿Dónde se encuentran las devoluciones del Ayuntamiento a la información y experiencias que comparten los ciudadanos con la institución que los representa? Esto es algo que los ciudadanos también necesitan en su día a día. Información para decidir ellos sus cosas, al igual que hace el Ayuntamiento con las suyas. Aquí haría falta un trabajo de coordinación de los muchos foros, blogs y espacios de interacción en los que los ciudadanos comparten sus experiencias y conocimientos.  La Open Data que necesita el ciudadano no es tanto una Open Data numérica sino una que le aporte síntesis y guías de muchos datos que ya están en Internet y que la escala personal y humana tiene dificultades para procesar. Esto sería una verdadera Open Data for Citizens, una Open Data no solo estadística sino cualitativa., una Open Data de ayuda al ciudadano, no para el estadista o el investigador académico. El ciudadano no necesita demasiadas tablas con datos o listas con información, sino bancos de conocimientos tipificados y de saberes surgidos de las experiencias de sus conciudadanos.

Como es habitual, el camino a recorrer es muy largo. Pero, en aquél debate que duró más de dos horas por lo menos hicimos algunas conexiones que nos habían pasado desapercibidas. Y aquí están, compartidas con el mundo mundial.

¡Gracias a todo/as por aquél magnífico debate!

Big Data, Medium Data, Thick Data y experiencia humana

BigDataThickData

¿Por qué hablar de una Thick Data (información densa, etnográfica) cuando parece que la Big Data es la solución a (los) problema de la humanidad en un mundo globalizado?

La Big Data es el nombre que se ha dado a una nueva generación de datos que se incorporan al mundo digital de manera masiva. El volumen de estos datos es inmenso, pero, deben procesarse a velocidades formidables. Ahí empieza el reto de la Big Data y ahí se distingue de los sistemas informáticos habituales que han estado generando, almacenando, analizando y visualizando datos a otras magnitudes y velocidades. Los que hablan de Big Data son las Agencias Nacionales de Seguridad, como la ANS en los US, las grandes corporaciones como Microsoft, Google, eBay, Amazon, Facebook, los bancos y entidades financieras, las grandes ciudades, los grandes proyectos científicos como el del genoma humano, la meteorología o el rastreo del espacio. Se diría que la Big Data es la herramienta que utiliza el mundo globalizado para globalizarse cada vez más.

Pero hay otros que también hablan de Big Data en una escala no (tan) global. Son todos aquellos que generan o acceden nuevos tipos de datos procedentes de la Internet de las Cosas y sus aparatos inteligentes (Smart Technologies) y necesitan procesar la información en tiempo real para dar feedback a los usuarios. Se trata de emprendedores, empresas tecnológicas que, por ejemplo, crean plataformas o apps para móvil, o wearables y todo tipo de sensores que detectan cambios en el estado de las cosas o fenómenos y generan multitud de datos. La naturaleza de esta información no es la misma que la de la Big Data, sin embargo, emplean el término porque se ha popularizado y tiene cierto atractivo comercial. Y, como responde a una necesidad real de conocer al usuario, al consumidor o al ciudadano para tomar decisiones con mayor conocimiento de causa, se ha creado un entorno en el que la Big Data significa más que Data pero menos que la Big Data de las grandes multinacionales. Es decir, se le podría llamar una Medium Data y así habría un poco más de realismo y un poco menos de pretensión. En común con la Big Data tendría el hecho de que no se analiza una muestra de los datos, sino la totalidad, y que se analizan en tiempo real. Otra característica que compartiría la Medium Data, aunque no siempre, sería que fusionan datos de distinta naturaleza (texto, imagen, video, audio). La diferencia la hallaríamos en el volumen de datos que manejan y la complejidad del análisis que hacen de los datos. Pero, un problema común a ambos es el la veracidad de los datos. ¿Sobre qué datos se lleva a cabo el análisis? ¿Qué datos son estos? ¿Son suficientes para garantizar un conocimiento de lo que sucede al otro lado del mundo digital? Los datos cuantitativos proporcionan información sobre determinados fenómenos, por ejemplo, sobre la trazabilidad de la conducta de un usuario dentro de una plataforma que, al cruzar datos, pueden prioporcionar una cierta predictibilidad. Pero, ¿hay alguna manera de conocer mas a pesar de la Big Data y la Medium Data? ¿Se podría se más veraz?

Etnografía y Thick Data

La relación entre la estadística y la etnografía no es de oposición, sino de complementariedad. La estadística proporciona datos numéricos, cuantitativos, sobre distribución de conductas o de declaraciones de una población determinada. La etnografía, en cambio, proporciona información contextual. El trabajo de campo etnográfico es intensivo. Observa sobre el terreno, entrevista a los informantes en profundidad, participa activamente de las actividades de la comunidad para empatizar con sus miembros y comprender su experiencias e interpretaciones y, a veces, los confronta activamente con situaciones y escenarios retadores para entender mejor cómo piensan las personas y qué razones dan a su conducta. La estadística busca explicaciones mientras que la etnografía busca comprender, interpretar y, en definitiva, introducirse en el mundo de los conceptos, significados y experiencias vividas por las personas y que emplean para dar sentido a sus vidas. A este sentido los antropólogos le llaman cultura y, en este sentido, explican los fenómenos sociales utilizando el término cultura; culturas ingenieras, culturas informáticas, tecnoculturas, cultura del trabajo, de la eficiencia, del ocio o cultura de las setas cuando la información que proporcionan tiene que ver con la organización, las relaciones, los objetos y el sentido de esta práctica recolectora. Para conocer y entender las culturas los antropólogos acostumbran a utilizar una de sus herramientas favoritas, la etnografía. ¿Cómo pueden cooperar la estadística, los sistemas complejos y la etnografía?

La difusión de la Internet de las Cosas con su innumerables apps que registran la actividad humana está introduciendo un tipo de conocimiento sobre el cuerpo y la conducta que nunca antes se había tenido a disposición. La geolocalización permite mapear el desplazamiento y la permanencia de los cuerpos en el espacio y el tiempo. Los sensores corporales pueden captar y registrar señales del cuerpo humano de manera continua y registrar sus cambio, incluso los cambios de humor pueden ser monitorizados. Pero ¿Qué se puede hacer con todos estos datos? física social como propone Alex Pentland en su libro Social Physics? ¿Un mundo mejor como proponen Nathan Eagle y Kate Greene en su libro Reality Mining? ¿Incrementar las ventas? ¿Disminuir riesgos? ¿Economizar energía? ¿Recomendar oportunidades o tendencias? ¿Prever escenarios o desenlaces problemáticos? ¿Predecir crisis sanitarias? ¿Tomar decisiones? ¿Ser más eficientes o productivos? ¿Educar, comunicar o socializar mejor? ¿Lograr una política más transparente? En la actualidad abundan las promesas sobre las bondades y posibilidades de la Big Data y sus analíticas de un mundo smart(izado).

Sin embargo, desde el punto de vista de la comprensión de la experiencia humana, a la Big Data y mucho más a la Medium Data, le falta algo. La Big Data y la Medium Data debería estar contrapesadas por una Thick Data, por una información ‘densa’ en el sentido que le dio Clifford Geertz en The Interpretation of Cultures. Una cosa es tener la posibilidad de, por ejemplo, trazar la experiencia humana pero otra es entender relacionar los datos numéricos y las visualizaciones con significados. Los análisis de la Big y la Medium Data deben ser interpretados y, para ayudar a ello, la información numérica debería ser correlacionada con información con rostro y voz humana, con información ‘densa’ (Thick Data) que proporcione otros sentidos a los datos analíticos. Podemos, por ejemplo, monitorizar a un grupo de excursionistas y trazar sus desplazamientos y permanencias en el transcurso de una travesía. ¿Cómo explicamos sus cambios de ritmo? ¿Por qué en un determinado lugar, si seguían una ruta señalizada, cambiaron de dirección? ¿Se perdieron, fueron a ver alguna cosa o fueron a esconder un tesoro? ¿Por qué había zonas por las que transitaban tan lentamente sin que fuera subida o bajada? ¿Acaso estaba enfangado el terreno? ¿Acaso había animales sueltos y tenían que avanzar con precaución? ¿Acaso estaban recogiendo castañas del suelo? ¿Buscaban setas? ¿Insectos? ¿Muestras de tierra? ¿Acaso alguien se había lesionado y demoraba el grupo? ¿O había niños jugando? Estas experiencias cotidianas, contrariamente a lo que se podría pensar, no son infinitas, pero, para conocerlas hay que documentarlas sobre el terreno. Hay que reunir información etnográfica que, por lo menos al principio de los usos de una aplicación de tales características proporcione pistas sobre cómo interpretar los datos analíticos. Una vez los analistas dispongan de una ‘cartera de interpretaciones’, podrán releer la información proporcionada por este tipo de aplicaciones y, dado el caso, sabremos si hay que enviar a un equipo de rescate o encontrarnos con ellos a una determinada hora en el restaurante que hay al lado de un santuario cercano al final del camino. 

Por lo tanto, aquí hay una tarea de antropólogos y tecnoantropólogos por hacer. La Thick Data proporciona a los emprendedores insights acerca de los usos reales de sus aplicaciones, plataformas y aparatos inteligentes. Con lo cual, la Thick Data acaba proporcionando una ‘cartera’ o ‘banco’ de explicaciones que pueden ayudar a los interpretes de las analíticas de la Big y Medium Data a añadir una dimensión significativa a sus analíticas. Por otro lado, y llevando la etnografía un poco más allá de la simple descripción contextual, se pueden recopilar requerimientos específicos que hacen los usuarios de tales tecnologías durante su uso.

Artículos de interés

Burrell, Jenna (2012) The Ethnographer’s Complete Guide to Big Data: Small Data People in a Big Data World (part 1 of 3). En Ethnography Matters. Disponible en http://ethnographymatters.net/blog/2012/05/28/small-data-people-in-a-big-data-world/

Wang, Tricia (2013) Big Data Needs Thick Data. En Ethnography Matters. Disponible en http://ethnographymatters.net/blog/2013/05/13/big-data-needs-thick-data/

Nova, Nicolas (2013): Ethnomining and the combination of qualitative & quantitative data. En Ethnography Matters. Disponible en http://ethnographymatters.net/blog/2013/04/02/april-2013-ethnomining-and-the-combination-of-qualitative-quantitative-data/ 

Madsbjerg, Christian And  Rasmussen, Mikkel B. (2014) The Power of ‘Thick’ Data Businesses need to know how a product or service fits into the emotional lives of their customers. En The Wall Street Journal. Disponible en http://www.wsj.com/articles/SB10001424052702304256404579449254114659882