Economistas en ciencias de datos: un terreno fértil y una adaptación con impronta bilardista
Cuando Tomas Castagnino estudió economía no había tal cosa como la “ciencia de datos”, tal vez en el mismo sentido en el que antes de Newton no había gravedad. O quizás sí, pero se le decía de otra forma, como “cortado” al ahora “flat white”. Años después y desde su cargo de director de Investigaciones en Economía y Ciencia de Datos en Accenture, Castagnino dice: “Los economistas en ciencia de datos nos tuvimos que volver más bilardistas de lo que el menottismo académico pregona”, lo que sugiere que la migración de economistas al ámbito de los datos exige alguna adaptación pragmática. Lo cierto es que la ciencia de datos es un terreno fértil para los jóvenes profesionales de la “ciencia sombría”, muy demandados por empresas como Mercado Libre, Accenture, Amazon o Facebook.
“En los economistas vemos una interesante capacidad para pensar problemas de la vida real en términos de datos y estadísticas” dice Fredi Vivas, CEO de RockingData, que habitualmente contrata a estos profesionales. Una de las principales ventajas de la profesión es la capacidad de razonar en términos de equilibrio general, en el sentido en el que Juan Carlos de Pablo decía que “el economista es el que en las reuniones hace hablar a los que no fueron invitados”, no por generoso sino por estratega: es el economista el que en una reunión de Coca Cola va a pensar como si fuese de Pepsi.
Pero este perpetuo juego de ajedrez muchas veces le hace malgastar energías, al distraerlo con la posibilidad de que una piña en el ojo sea un cabezazo al puño. La economía es una disciplina sobreentrenada en detectar la falacia de la correlación, esa que dice que una cosa es correlación y otra causalidad. Pero el temor a esta falacia lo lleva a concluir erróneamente que las correlaciones no sirven para nada. Cuando ve que cada vez que llueve la gente anda con paraguas, el economista no cae en la trampa de proponer prohibir su uso para detener el aguacero, pero se pierde la oportunidad de predecir que en una ciudad que llueve con frecuencia hay muchos hogares que tienen paraguas.
Belén Michel Torino y Juan Martín Borgnino, jóvenes economistas con estudios de posgrado en ciencia de datos, señalan que la principal limitación que encontraron en machine learning fue “domar” el impulso causal de la economía para abrazar la naturaleza inductiva, descriptiva y predictiva de la ciencia de datos. Al instinto deductivo de los economistas le cuesta concluir “jirafa” si se habla de un animal de cuatro patas, cuello alto, pelaje moteado y que habita en África, cuando es, justamente, un uso inteligente de la inducción lo que se está detrás de los sistemas de recomendaciones como los de Netflix o Mercado Libre.
La inhabilidad computacional es una de las principales limitaciones de los economistas, que los lleva a insistir con rutas analíticas, cuando otras vías iterativas o de simulación serían suficientes. Hace cuatro años relatábamos aquí lo ocurrido en las redes sociales cuando alguien preguntó: “¿Cuántos paquetes hace falta comprar para llenar el álbum de figuritas del Mundial? La respuesta –conjetural, inexacta– apareció a los pocos minutos; un joven programador, con unas pocas líneas de código, simuló el azar inherente al proceso de coleccionar figuritas. Los economistas se enfrascaron en un álgido debate de supuestos (de si hay figuritas difíciles, de si hay intercambio, de qué presupuesto tiene la persona, etcétera), sin aportar una solución concreta, amén de criticar con vehemencia la propuesta del programador. Castagnino dice que “los economistas tienden a pensar en HD 4K cuando la realidad exige soluciones más pixeladas”. Marcela Svarc, matemática y profesora de la Maestría en Ciencia de Datos de la Universidad de San Andrés, valora la capacidad analítica de los economistas, pero resalta que su principal carencia se relaciona con las herramientas computacionales, sobre todo con las que demandan los datos complejos, propios del fenómeno de big data.
Los economistas están en su salsa con preguntas del tipo “que pasaría si...”. Hace poco, un programador publicó en las redes sociales un proyecto abierto para computar el rédito económico de terminar una carrera universitaria, con una comparación de ingresos de personas de la Encuesta Permanente de Hogares. Un economista profesional sabe que estos ejercicios sobreestiman el verdadero retorno, porque se les asignan a la educación réditos que corresponden a otros factores concurrentes e invisibles en las encuestas, como la inteligencia o los contactos sociales.
Los economistas tienen una desarrollada habilidad para “oler” sesgos y datos faltantes y para pensar en abstracto cuáles son los datos necesarios para responder una pregunta. El economista bien entrenado no “analiza datos”; plantea una pregunta concreta y piensa qué datos y métodos le darían una respuesta adecuada. Esta habilidad es atractiva para firmas como Uber o Amazon, que acuden a profesionales de la economía para ver los potenciales efectos de las alteraciones en los precios o en la calidad de un producto.
Laura Trucco, economista argentina formada en UdeSA y en Harvard y ahora head of economics de Unity (la poderosa empresa de contenido interactivo 3D), sostiene que “ponerle estructura al problema, entender cuál es el modelo correcto y que parámetros hay que estimar” son las habilidades más salientes de los economistas en firmas de tecnología.
Otra contraindicación se vincula con la preocupación de los economistas por cuantificar cosas, que cuando es excesiva los lleva a peligrosas conclusiones.
Pablo Iacoviello, director y country manager de Amazon Prime Video para América Latina recurre con frecuencia a los servicios de economistas en ciencia de datos, y resalta su pericia en estimar cuestiones concretas, como las elasticidades del precio. Pero, señala Iacoviello que, en la obsesión de muchas empresas por la cuantificación, los técnicos muchas veces relegan a la bolsa de las subjetividades lo que es difícil de medir y, así, distorsionan el problema, como quien busca las llaves debajo de un farol y no a tres cuadras, donde las perdió, “porque acá hay mejor luz”. Indica Iacoviello que la performance de los técnicos mejora en forma considerable si se capacitan en los detalles concretos de los negocios en los que operan, y, así, evitan el “efecto gana Brasil”: cualquier algoritmo da por ganador del Mundial a nuestros vecinos si es alimentado con datos históricos de inmediata disponibilidad (Brasil fue un ganador recurrente), y no con la información específica del momento, difícil de obtener y entender y que, tal vez, demande el ojo “subjetivo” de un experto en futbol más que el de un artilugio basado en datos de fácil acceso, pero incompletos.
“Ciencia de datos es estadística con masa madre”, reza un ingenioso tuit. Pero cuando, más allá de las modas, se trata de una versión interactiva y multidisciplinar de la estadística y la computación, encuentra en los economistas una cantera de profesionales capacitados y maleables. Con sus pericias, tics y limitaciones, el mercado los demanda. Y si el mercado hace su maldito trabajo, por algo será.
Conforme a los criterios de
Conocé The Trust Project
