Contenido del curso
Sesgo y garbage in garbage out en datos
Trabajar con datos sin cuidar la fuente o el tamaño de la muestra es uno de los errores más caros en análisis. Aquí vas a entender qué es el sesgo en datos (bias) y por qué el principio garbage in, garbage out define la calidad de cualquier conclusión que saques, sea en una empresa privada o en el sector público.
¿Qué es el sesgo o bias en análisis de datos?
El bias, que en inglés significa sesgo, ocurre cuando partes de una población y tomas una muestra que no es estadísticamente significativa. Y aquí viene lo importante: ese pequeño detalle puede invalidar todo tu estudio.
Para entenderlo, separa dos conceptos:
Si entrevistas a 20 personas y pretendes describir cómo se comporta toda Medellín, probablemente te quedes corto. Necesitas un número de referencia más grande y, sobre todo, representativo.
¿Qué es el sesgo en datos? Es el error que aparece cuando tu muestra no representa bien a la población que quieres estudiar, ya sea por tamaño insuficiente o por falta de diversidad.
¿Cómo se ve el sesgo en un caso real como el reconocimiento facial?
Un ejemplo claro está en reconocimiento facial. Históricamente, varias empresas dedicadas a esta tecnología entrenaron sus sistemas con más muestras de personas blancas que de personas de raza negra.
El resultado fue un sesgo evidente: los sistemas identificaban con más precisión a personas blancas y fallaban al reconocer a personas de raza negra. Eso pone en riesgo información crítica, porque deja fuera a una parte importante de la población mundial.
En ese caso, el universo es el planeta Tierra y la muestra son las fotos recolectadas para entrenar el modelo. La regla es simple: tu muestra debe tener representación ecuánime, o al menos representación similar de múltiples grupos.
¿Qué significa garbage in, garbage out en datos?
El segundo fenómeno se llama garbage in, garbage out, que traduce literalmente como "basura entra, basura sale". La idea es directa: la calidad del resultado, tu output, depende de la calidad de tu entrada, tu input.
Si metes datos malos, vas a obtener conclusiones malas. No hay modelo, dashboard ni algoritmo que te salve de una fuente deficiente.
¿Qué es garbage in, garbage out? Es el principio que dice que un análisis solo puede ser tan bueno como los datos que lo alimentan. Datos pobres producen conclusiones pobres.
¿Qué debes revisar para tener un buen input de datos?
Para que tu output sea confiable, asegura tres dimensiones de tus datos de entrada:
Cuando cuidas estos tres puntos, tu análisis gana solidez. Cuando los descuidas, ningún esfuerzo posterior compensa la mala materia prima.
¿Cómo aplicar esto en tus propios proyectos?
Antes de tirar líneas de código o abrir una hoja de cálculo, hazte estas preguntas: ¿cuál es mi universo?, ¿mi muestra es lo suficientemente grande?, ¿estoy representando a todos los grupos relevantes?, ¿la fuente de mis datos es confiable?
Ese chequeo rápido te ahorra horas de trabajo y, lo más importante, evita que tomes decisiones sobre conclusiones falsas. Piensa también en otros sesgos o errores que cometen las empresas y el sector público al manejar datos, y compártelos en los comentarios para sumar a la conversación.
