Cómo el big data puede detectar el desempleo antes de que el gobierno pueda hacerlo

Cómo el big data puede detectar el desempleo antes de que el gobierno pueda hacerlo

Cómo el big data puede detectar el desempleo antes de que el gobierno pueda hacerlo

Cuando las personas pierden sus trabajos, su comportamiento cambia. Es posible que salgan de casa con menos frecuencia, estén despiertos a diferentes horas y llamen a menos personas o a personas diferentes. Estos cambios individuales se acumulan en grandes patrones que se pueden ver en grandes conjuntos de datos, como el uso de teléfonos móviles y redes sociales.

Dos artículos publicados la semana pasada en el Revista de interfaz de la Royal Society y PLOS A explicar cómo nuestro uso del teléfono y de las redes sociales puede dar pistas sobre nuestra situación profesional. Estas fuentes de datos son importantes, escriben los autores, porque pueden rastrear y predecir cambios en la economía más rápido que los métodos tradicionales.

Los métodos que los gobiernos utilizan actualmente para recopilar estadísticas macroeconómicas se basan en «un paradigma de recopilación y análisis de datos que comenzó en la década de 1930», escriben Jameson Toole y los demás autores del Interfaz de la sociedad real papel. «La mayoría de las estadísticas económicas se construyen a partir de datos de encuestas o registros administrativos».

En el Reino Unido, la Oficina de Estadísticas Nacionales (ONS) utiliza varios métodos para recopilar estadísticas de empleo y desempleo. Encuesta empresas, hogares y empleados de los sectores público y privado, y también recopila detalles mensuales de las personas que solicitan beneficios de desempleo. Cada método tiene sus fortalezas y debilidades: por ejemplo, las encuestas de hogares cubren todos los grupos de edad y aquellos que no tienen derecho a beneficios de desempleo, mientras que las encuestas de empresas pueden capturar el empleo por región y por industria.

Estos análisis múltiples se publican con una periodicidad semestral o anual. Las estadísticas consumen mucho tiempo y son costosas de recopilar y analizar, lo que significa que a menudo van a la zaga de la realidad de la economía, lo que compensa el retraso con un nivel muy fino de detalle y precisión. Seguramente hay una mejor manera?

Publicidad

Conducirse con ligereza

Detectar el eco del desempleo en big data es mucho más rápido. Como caso de estudio, Toole y su equipo analizaron lo que sucedió con los datos de los teléfonos móviles luego de un despido masivo en una fábrica en un lugar no revelado de Europa. Cuando una fábrica de autopartes cerró en diciembre de 2006, 1.100 personas perdieron sus empleos en una ciudad de unos 15.000 habitantes.

Los investigadores utilizaron datos de un operador de telefonía móvil para examinar los registros telefónicos anónimos de los residentes de la ciudad. El área cuenta con tres torres de telefonía móvil que cubren un área en gran parte deshabitada de 220 km2, y ninguna otra ciudad. Los investigadores no distinguieron entre las tres torres porque factores como la obstrucción por edificios podrían desempeñar un papel en el enrutamiento de llamadas, pero consideraron que las tres torres indicaban llamadas realizadas desde la planta de fabricación o la ciudad.

Primero, verificaron si podían detectar el cierre de la planta en los datos del teléfono. Estimaron la fecha en función del volumen de llamadas en las tres rondas, luego compararon su fecha estimada con la fecha real de despido. Coincidieron.

Luego buscaron patrones en cómo las personas usaban sus teléfonos antes y después del despido. Las personas que trabajaban en la planta pero no vivían en la ciudad habrían visto una fuerte caída en las llamadas realizadas cerca de la planta después de la fecha de despido, por lo que los investigadores se centraron en las personas cuyos datos mostraban este patrón. Descubrieron que estas personas hacían menos llamadas, tenían menos contactos únicos y tenían movilidad reducida: disminuyó la cantidad de torres a través de las cuales se enrutaron sus llamadas. También observaron la ‘abandono’, que es el número de cambios en la persona a la que llamó de un mes a otro. Los nuevos desempleados tenían una mayor rotación que los controles, lo que indica que sus redes sociales eran menos estables.

Publicidad

Hacer predicciones

Si es posible identificar un comportamiento que sugiera desempleo en los registros de llamadas, también debería ser posible verlo a una escala mucho mayor que la de una pequeña ciudad industrial. Para explorar esto, los investigadores observaron 10 millones de suscriptores móviles en otro país europeo no revelado entre 2006 y 2009. En lugar de buscar despidos masivos, observaron datos de las señales de comportamiento que habían identificado en el estudio de caso de la fábrica.

Usaron estos datos para adivinar cuál era la tasa de desempleo en un trimestre en particular, como el primer trimestre de 2007. También usaron los datos de ese trimestre para predecir las tasas para el próximo trimestre, en este caso, el segundo trimestre de 2007. De esta manera, pudieron comparar sus estimaciones y predicciones a los registros oficiales para esos períodos. Las estimaciones actuales y las tasas de pronóstico futuro estaban altamente correlacionadas con los registros oficiales, aunque la correlación fue ligeramente más débil para los pronósticos futuros.

Las redes sociales pueden decirnos cosas diferentes sobre cómo se comporta la gente después del desempleo, pero también pueden ser útiles. Los autores de la PLOS A El artículo utilizó 19,6 millones de tuits geoetiquetados de España en 2012 y 2013 para establecer cuántas personas se movían, cuándo las primeras personas estaban activas en la red cada mañana y cuán gramaticalmente correctos eran sus tuits.

Encontraron una correlación entre las regiones con mayor empleo y los tuits que mostraban más movilidad, tiempos de subida más tempranos y gramática correcta. Al igual que con los datos telefónicos, estas huellas dactilares de las redes sociales podrían usarse para producir estimaciones precisas del desempleo en una región determinada.

Un pronóstico más rápido podría ser extremadamente útil para tomar decisiones económicas, dice David Lazer, uno de los autores del estudio. Interfaz de la sociedad real papel. “Hay una gran inversión por parte de entidades públicas y privadas para medir el estado de la economía para informar mejor las intervenciones políticas. Si pudiéramos comprender los cambios en el estado de la economía más rápidamente, podríamos intervenir más rápidamente. »

Es una aplicación interesante de los métodos existentes a un nuevo conjunto de datos, dice Mirco Musolesi, un científico de datos que no participó en esta investigación. Debido a que estudios como este son «básicamente muy baratos», dice, «estos resultados serían muy interesantes para los encargados de formular políticas y los investigadores».

Deja un comentario

Tu dirección de correo electrónico no será publicada.