TED@IBM
Susan Etlinger: What do we do with all this big data?
Susan Etlinger: ¿Qué hacemos con todos estos datos masivos?
Filmed:
Readability: 4.7
1,344,301 views
¿Un paquete de datos te hace sentir más cómodo? ¿Más exitoso? Entonces tu interpretación de él probablemente está mal. En una charla sorprendentemente conmovedora, Susan Etlinger explica por qué, mientras recibimos más y más datos, necesitamos profundizar nuestras habilidades de pensamiento crítico. Porque es difícil ir más allá de solo contar cosas para realmente entenderlas.
Susan Etlinger - Data analyst
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Susan Etlinger promotes the smart, well-considered and ethical use of data. Full bio
Double-click the English transcript below to play the video.
00:13
Technology has brought us so much:
0
1354
3135
La tecnología nos ha dado mucho:
00:16
the moon landing, the Internet,
1
4489
2019
el alunizaje, el internet,
00:18
the ability to sequence the human genome.
2
6508
2625
lograr secuenciar el genoma humano.
00:21
But it also taps into a lot of our deepest fears,
3
9133
3724
También llega a nuestros miedos más hondos
00:24
and about 30 years ago,
4
12857
1856
y hace 30 años aproximadamente,
00:26
the culture critic Neil Postman wrote a book
5
14713
2553
el crítico cultural Neil Postman
escribió un libro
escribió un libro
00:29
called "Amusing Ourselves to Death,"
6
17266
2115
llamado "Divertirse hasta morir",
00:31
which lays this out really brilliantly.
7
19381
2759
en el que resalta esta
verdad brillantemente.
verdad brillantemente.
00:34
And here's what he said,
8
22140
1650
Aquí esta lo que dijo
00:35
comparing the dystopian visions
9
23790
2263
comparando las distópicas visiones
00:38
of George Orwell and Aldous Huxley.
10
26053
3573
de George Orwell y Aldous Huxley.
00:41
He said, Orwell feared we would become
11
29626
3126
Dijo: Orwell temía que nos volviéramos
00:44
a captive culture.
12
32752
2248
una cultura cautiva.
00:47
Huxley feared we would become a trivial culture.
13
35000
3752
Huxley, en una trivial.
00:50
Orwell feared the truth would be
14
38752
2145
Orwell temía que la verdad
00:52
concealed from us,
15
40897
1923
nos sería ocultada,
00:54
and Huxley feared we would be drowned
16
42820
2190
y Huxley que seríamos ahogados
00:57
in a sea of irrelevance.
17
45010
2693
en un océano de irrelevancia.
00:59
In a nutshell, it's a choice between
18
47703
2170
En resumen, es escoger entre
01:01
Big Brother watching you
19
49873
2600
el Gran hermano viéndote
01:04
and you watching Big Brother.
20
52473
2496
y tu viendo al Gran Hermano.
01:06
(Laughter)
21
54969
1931
(Risas)
01:08
But it doesn't have to be this way.
22
56900
1734
Pero no tiene que ser así.
01:10
We are not passive consumers
of data and technology.
of data and technology.
23
58634
3336
No somos consumidores pasivos
de datos y tecnología.
01:13
We shape the role it plays in our lives
24
61970
2403
Decidimos el rol que juega
en nuestra vida
en nuestra vida
01:16
and the way we make meaning from it,
25
64373
2130
y cómo le damos significado,
01:18
but to do that,
26
66503
1603
pero para hacerlo,
01:20
we have to pay as much attention to how we think
27
68106
3513
tenemos que poner mucha atención
desde cómo pensamos
01:23
as how we code.
28
71619
2030
hasta cómo codificamos.
01:25
We have to ask questions, and hard questions,
29
73649
3098
Tenemos que hacer preguntas,
preguntas difíciles,
preguntas difíciles,
01:28
to move past counting things
30
76747
1869
para pasar de contar cosas
01:30
to understanding them.
31
78616
2602
a entenderlas.
01:33
We're constantly bombarded with stories
32
81218
2446
Estamos bombardeados
constantemente por historias
constantemente por historias
01:35
about how much data there is in the world,
33
83664
2476
de los muchos datos
que hay en el mundo,
que hay en el mundo,
01:38
but when it comes to big data
34
86140
1580
pero cuando se refiere a datos masivos,
01:39
and the challenges of interpreting it,
35
87720
2596
y los retos de interpretarlos,
01:42
size isn't everything.
36
90316
2088
el tamaño no lo es todo.
01:44
There's also the speed at which it moves,
37
92404
2903
También está la velocidad
a la que se mueven,
01:47
and the many varieties of data types,
38
95307
1696
las muchas variantes
de tipos de datos,
de tipos de datos,
01:49
and here are just a few examples:
39
97003
2498
he aquí algunos ejemplos:
01:51
images,
40
99501
2198
imágenes,
01:53
text,
41
101699
4007
texto,
01:57
video,
42
105706
2095
video,
01:59
audio.
43
107801
1830
audio.
02:01
And what unites this disparate types of data
44
109631
3042
Lo que une estos
diferentes tipos de datos
diferentes tipos de datos
02:04
is that they're created by people
45
112673
2221
es que son creados por gente
02:06
and they require context.
46
114894
2775
y requieren contextos.
02:09
Now, there's a group of data scientists
47
117669
2445
Hay un grupo de científicos de datos
02:12
out of the University of Illinois-Chicago,
48
120114
2305
de la Universidad de Illinois-Chicago,
02:14
and they're called the Health Media Collaboratory,
49
122419
2554
llamados Colaboración para
la Salud en Medios,
la Salud en Medios,
trabajando con los Centros de
02:16
and they've been working with
the Centers for Disease Control
the Centers for Disease Control
50
124973
2587
Control de Enfermedades
02:19
to better understand
51
127560
1505
para entender mejor
02:21
how people talk about quitting smoking,
52
129065
2848
cómo la gente habla
sobre dejar de fumar,
sobre dejar de fumar,
02:23
how they talk about electronic cigarettes,
53
131913
2680
cómo hablan de cigarros electrónicos,
02:26
and what they can do collectively
54
134593
1985
y qué pueden hacer colectivamente
02:28
to help them quit.
55
136578
1984
para ayudarse a dejarlo.
02:30
The interesting thing is, if you want to understand
56
138562
2013
Lo interesante es que,
si quieres entender
si quieres entender
02:32
how people talk about smoking,
57
140575
2216
cómo la gente habla
sobre dejar de fumar,
sobre dejar de fumar,
02:34
first you have to understand
58
142791
1901
primero tienes que entender
02:36
what they mean when they say "smoking."
59
144692
2565
a qué se refieren al decir "fumar".
02:39
And on Twitter, there are four main categories:
60
147257
3926
En Twitter, hay 4 categorías principales:
02:43
number one, smoking cigarettes;
61
151183
2997
la primera, fumar cigarros;
02:46
number two, smoking marijuana;
62
154180
2807
la segunda, fumar marihuana;
02:48
number three, smoking ribs;
63
156987
2643
la tercera, ahumar costillas;
02:51
and number four, smoking hot women.
64
159630
3553
y la cuarta, chicas ardientes.
02:55
(Laughter)
65
163183
2993
(Risas)
02:58
So then you have to think about, well,
66
166176
2426
Entonces, tenemos que pensar,
¿cómo habla la gente
de cigarros electrónicos?
de cigarros electrónicos?
03:00
how do people talk about electronic cigarettes?
67
168602
2140
03:02
And there are so many different ways
68
170742
2025
Y hay tantas maneras diferentes
03:04
that people do this, and you can see from the slide
69
172767
2599
en las que la gente lo hace,
y se puede ver del lado de
03:07
it's a complex kind of a query.
70
175366
2610
es un tipo complejo de búsqueda.
03:09
And what it reminds us is that
71
177976
3224
Y lo que nos recuerda es que
03:13
language is created by people,
72
181200
2411
el lenguaje es creado por la gente
03:15
and people are messy and we're complex
73
183611
2340
y la gente es enrevesada
y somos complejos
y somos complejos
03:17
and we use metaphors and slang and jargon
74
185951
2767
y usamos metáforas y argots y jergas
03:20
and we do this 24/7 in many, many languages,
75
188718
3279
24 horas por 7 días a la semana.
en muchos idiomas.
03:23
and then as soon as we figure it out, we change it up.
76
191997
3224
Y luego de un momento a otro,
cambiamos.
cambiamos.
03:27
So did these ads that the CDC put on,
77
195221
5118
Así como estos anuncios
que la CDC puso,
que la CDC puso,
03:32
these television ads that featured a woman
78
200339
2430
estos anuncios de TV
que tenían mujeres
que tenían mujeres
03:34
with a hole in her throat and that were very graphic
79
202769
2021
con un hoyo en las gargantas,
muy gráficos
muy gráficos
03:36
and very disturbing,
80
204790
1904
y perturbadores,
03:38
did they actually have an impact
81
206694
1885
¿realmente tuvieron impacto
03:40
on whether people quit?
82
208579
2671
en que la gente dejara de fumar?
03:43
And the Health Media Collaboratory
respected the limits of their data,
respected the limits of their data,
83
211250
3307
Colaboración para la Salud en Medios
respeto los límites de sus datos,
respeto los límites de sus datos,
03:46
but they were able to conclude
84
214557
2005
pero fueron capaces de concluir
03:48
that those advertisements —
and you may have seen them —
and you may have seen them —
85
216562
3312
que esos anuncios
—y los pueden haber visto—
—y los pueden haber visto—
03:51
that they had the effect of jolting people
86
219874
2591
tenían el efecto de llevar a las personas
03:54
into a thought process
87
222465
1822
hacia un proceso de pensamiento
03:56
that may have an impact on future behavior.
88
224287
3667
que podía impactar
su comportamiento futuro.
su comportamiento futuro.
03:59
And what I admire and
appreciate about this project,
appreciate about this project,
89
227954
3891
Lo que admiro y aprecio de este proyecto,
aparte del hecho, e incluyendo que
04:03
aside from the fact, including the fact
90
231845
1489
04:05
that it's based on real human need,
91
233334
4057
está basado en una
necesidad humana real,
necesidad humana real,
04:09
is that it's a fantastic example of courage
92
237391
2846
es que es un ejemplo
fantástico de coraje
fantástico de coraje
en medio de un océano de irrelevancia.
04:12
in the face of a sea of irrelevance.
93
240237
4443
No son solo los datos masivos
los que producen
los que producen
04:16
And so it's not just big data that causes
94
244680
3305
retos de interpretación,
04:19
challenges of interpretation, because let's face it,
95
247985
2601
porque enfrentémoslo,
los humanos tenemos
una historia muy rica
una historia muy rica
04:22
we human beings have a very rich history
96
250586
2594
de tomar una cantidad de datos,
no importa lo pequeña,
no importa lo pequeña,
04:25
of taking any amount of data, no matter how small,
97
253180
2693
04:27
and screwing it up.
98
255873
1617
y arruinarlo.
04:29
So many years ago, you may remember
99
257490
3737
Así, hace muchos años,
quizá recuerden
quizá recuerden
04:33
that former President Ronald Reagan
100
261227
2273
que el antiguo presidente Ronald Reagan
04:35
was very criticized for making a statement
101
263500
1991
fue muy criticado por una declaración
04:37
that facts are stupid things.
102
265491
3010
de que los hechos son cosas estúpidas.
04:40
And it was a slip of the tongue, let's be fair.
103
268501
2794
Se le fue la lengua, seamos justos.
En realidad quería citar la defensa
04:43
He actually meant to quote John Adams' defense
104
271295
2430
de Jhon Adams
04:45
of British soldiers in the Boston Massacre trials
105
273725
2751
a los soldados británicos
en los juicios de la Masacre de Boston
04:48
that facts are stubborn things.
106
276476
3150
de que los hechos son tozudos.
04:51
But I actually think there's
107
279626
2624
Pero creo que hay algo de sabiduría
04:54
a bit of accidental wisdom in what he said,
108
282250
3418
accidental en lo que dijo
04:57
because facts are stubborn things,
109
285668
2776
porque los hechos son tozudos,
05:00
but sometimes they're stupid, too.
110
288444
2923
pero a veces también son estúpidos.
05:03
I want to tell you a personal story
111
291367
1888
Quiero contarles una historia personal
05:05
about why this matters a lot to me.
112
293255
3548
de porque esto importa tanto para mí.
05:08
I need to take a breath.
113
296803
2437
Necesito tomar aire.
05:11
My son Isaac, when he was two,
114
299240
2754
Mi hijo Isaac, cuando tenía 2 años,
05:13
was diagnosed with autism,
115
301994
2417
fue diagnosticado con autismo,
05:16
and he was this happy, hilarious,
116
304411
2161
y era este alegre, hilarante,
05:18
loving, affectionate little guy,
117
306572
2035
amoroso, y afectuoso niñito,
pero las métricas en sus evaluaciones
05:20
but the metrics on his developmental evaluations,
118
308607
2902
de desarrollo,
05:23
which looked at things like
the number of words —
the number of words —
119
311509
2070
que ven cosas cómo
el número de palabras
el número de palabras
05:25
at that point, none —
120
313579
3657
—en ese momento, ninguna—
05:29
communicative gestures and minimal eye contact,
121
317236
3940
gestos comunicativos y
poco contacto visual,
05:33
put his developmental level
122
321176
2003
pusieron su nivel de desarrollo
05:35
at that of a nine-month-old baby.
123
323179
3961
en el de un bebé de nueve meses.
Y el diagnóstico estaba bien
05:39
And the diagnosis was factually correct,
124
327140
2960
según los hechos,
05:42
but it didn't tell the whole story.
125
330100
3209
pero no contaba la historia completa.
05:45
And about a year and a half later,
126
333309
1401
Después de un año y medio,
05:46
when he was almost four,
127
334710
2102
cuando tenía aproximadamente cuatro,
05:48
I found him in front of the computer one day
128
336812
2363
lo encontré frente
a la computadora un día
a la computadora un día
05:51
running a Google image search on women,
129
339175
5453
buscando mujeres en Google,
05:56
spelled "w-i-m-e-n."
130
344628
3616
deletreado "m-i-j-e-r-e-s".
06:00
And I did what any obsessed parent would do,
131
348244
2740
E hice lo que cualquier padre
obsesionado haría:
06:02
which is immediately started
hitting the "back" button
hitting the "back" button
132
350984
1901
empezar a presionar el botón "atrás"
06:04
to see what else he'd been searching for.
133
352885
3363
para ver que más había buscado.
06:08
And they were, in order: men,
134
356248
2171
Y estaban en orden: hombres,
06:10
school, bus and computer.
135
358419
7267
escuela, autobús y computadora.
06:17
And I was stunned,
136
365686
2070
Estaba sorprendida,
06:19
because we didn't know that he could spell,
137
367756
2002
porque no sabíamos que podía deletrear,
06:21
much less read, and so I asked him,
138
369758
1766
mucho menos leer, y le pregunte,
06:23
"Isaac, how did you do this?"
139
371524
2193
"Isaac, ¿cómo lo hiciste?"
06:25
And he looked at me very seriously and said,
140
373717
2678
Él me miró muy serio y dijo,
06:28
"Typed in the box."
141
376395
3352
"Escribí en la cajita".
06:31
He was teaching himself to communicate,
142
379747
3734
Estaba enseñándose a sí mismo
a comunicarse.
Pero estábamos buscando
06:35
but we were looking in the wrong place,
143
383481
3004
en el lugar equivocado.
06:38
and this is what happens when assessments
144
386485
2295
Y esto pasa cuando las tareas y los
06:40
and analytics overvalue one metric —
145
388780
2396
análisis sobrevaloran alguna métrica
06:43
in this case, verbal communication —
146
391176
2609
—en este caso, la comunicación verbal—
06:45
and undervalue others, such
as creative problem-solving.
as creative problem-solving.
147
393785
5703
y devalúan otras,
cómo la resolución
creativa de problemas.
creativa de problemas.
La comunicación era difícil para Isaac,
06:51
Communication was hard for Isaac,
148
399488
2307
06:53
and so he found a workaround
149
401795
1912
así que encontró una alternativa
06:55
to find out what he needed to know.
150
403707
2857
para encontrar
lo que necesitaba saber.
lo que necesitaba saber.
06:58
And when you think about it, it makes a lot of sense,
151
406564
1890
Al pensarlo, tiene mucho sentido,
07:00
because forming a question
152
408454
2081
porque hacer una pregunta
07:02
is a really complex process,
153
410535
2565
es un proceso muy complejo,
07:05
but he could get himself a lot of the way there
154
413100
2522
pero él pudo evitar mucho de eso
07:07
by putting a word in a search box.
155
415622
4092
poniendo una palabra en el buscador.
07:11
And so this little moment
156
419714
2936
Y ese pequeño momento
07:14
had a really profound impact on me
157
422650
2836
tuvo un profundo impacto en mí
07:17
and our family
158
425486
1309
y nuestra familia
07:18
because it helped us change our frame of reference
159
426795
3141
porque nos ayudó a cambiar
el marco de referencia
07:21
for what was going on with him,
160
429936
2208
sobre lo que le pasaba a él,
07:24
and worry a little bit less and appreciate
161
432144
2976
y preocuparnos menos y apreciar más
07:27
his resourcefulness more.
162
435120
2182
su forma de obtener recursos.
07:29
Facts are stupid things.
163
437302
2861
Los hechos son cosas estúpidas.
07:32
And they're vulnerable to misuse,
164
440163
2397
Y se pueden usar mal,
07:34
willful or otherwise.
165
442560
1653
manipular u otras cosas.
07:36
I have a friend, Emily Willingham, who's a scientist,
166
444213
3026
Tengo una amiga, Emily Willinghan
que es científica,
07:39
and she wrote a piece for Forbes not long ago
167
447239
2801
y escribió un artículo para Forbes
no hace mucho,
07:42
entitled "The 10 Weirdest Things
168
450040
1980
titulado "Las 10 cosas más raras
07:44
Ever Linked to Autism."
169
452020
1810
ligadas al Autismo".
07:45
It's quite a list.
170
453830
3005
Es una buena lista
07:48
The Internet, blamed for everything, right?
171
456835
3532
"El Internet" es culpado
por todo ¿cierto?,
por todo ¿cierto?,
07:52
And of course mothers, because.
172
460367
3757
y claro las madres, porque sí.
07:56
And actually, wait, there's more,
173
464124
1587
Y en realidad, esperen, hay más,
07:57
there's a whole bunch in
the "mother" category here.
the "mother" category here.
174
465711
3430
un grupo completo
en la categoría de "madre" aquí.
08:01
And you can see it's a pretty
rich and interesting list.
rich and interesting list.
175
469141
4815
Pueden ver que es una lista
muy rica e interesante.
08:05
I'm a big fan of
176
473956
2193
Soy una gran fan de
08:08
being pregnant near freeways, personally.
177
476149
3704
"embarazarse cerca de autopistas".
(Risas)
La última es interesante,
08:11
The final one is interesting,
178
479853
1539
08:13
because the term "refrigerator mother"
179
481392
3003
porque el término
"madre de refrigerador"
"madre de refrigerador"
08:16
was actually the original hypothesis
180
484395
2605
fue en realidad la hipótesis original
08:19
for the cause of autism,
181
487000
1431
para la causa del autismo,
08:20
and that meant somebody
who was cold and unloving.
who was cold and unloving.
182
488431
2735
y se refería a una persona fría
y no amorosa.
08:23
And at this point, you might be thinking,
183
491166
1562
En este momento, pueden pensar:
08:24
"Okay, Susan, we get it,
184
492728
1657
"Está bien, Susan, lo entendemos,
08:26
you can take data, you can
make it mean anything."
make it mean anything."
185
494385
1782
puedes tomar datos,
y hacer que signifiquen lo que sea".
08:28
And this is true, it's absolutely true,
186
496167
4703
Y es cierto, absolutamente cierto.
08:32
but the challenge is that
187
500870
5610
Pero el reto es que
08:38
we have this opportunity
188
506480
2448
tenemos la oportunidad
08:40
to try to make meaning out of it ourselves,
189
508928
2284
de darles significado nosotros mismos,
08:43
because frankly, data doesn't
create meaning. We do.
create meaning. We do.
190
511212
5352
porque francamente,
los datos no crean un significado.
Nosotros se los damos.
08:48
So as businesspeople, as consumers,
191
516564
3256
Así que como personas de negocios,
como consumidores,
08:51
as patients, as citizens,
192
519820
2539
como pacientes, como ciudadanos,
08:54
we have a responsibility, I think,
193
522359
2396
tenemos una responsabilidad, creo,
08:56
to spend more time
194
524755
2194
de pasar más tiempo
enfocándonos
08:58
focusing on our critical thinking skills.
195
526949
2870
en nuestras capacidades críticas.
¿Por qué?
09:01
Why?
196
529819
1078
09:02
Because at this point in our history, as we've heard
197
530897
3178
Porque en este punto de la historia,
como hemos escuchado
09:06
many times over,
198
534075
1706
muchas veces,
09:07
we can process exabytes of data
199
535781
1981
podemos procesar exabytes de datos
09:09
at lightning speed,
200
537762
2153
a la velocidad de la luz,
09:11
and we have the potential to make bad decisions
201
539915
3515
y tenemos el potencial
de tomar malas decisiones
09:15
far more quickly, efficiently,
202
543430
1834
mucho más rápidamente, eficientemente,
09:17
and with far greater impact than we did in the past.
203
545264
5028
y con mucho más impacto
que en el pasado.
que en el pasado.
09:22
Great, right?
204
550292
1388
Genial, ¿no es cierto?
09:23
And so what we need to do instead
205
551680
3030
Y lo que necesitamos hacer en su lugar
09:26
is spend a little bit more time
206
554710
2330
es pasar un poco más de tiempo
09:29
on things like the humanities
207
557040
2746
en cosas como las humanidades
09:31
and sociology, and the social sciences,
208
559786
3464
y sociología, y las ciencias sociales,
09:35
rhetoric, philosophy, ethics,
209
563250
2308
retórica, filosofía, ética,
09:37
because they give us context that is so important
210
565558
2856
porque nos dan el contexto
que es tan importante
09:40
for big data, and because
211
568414
2576
para los datos masivos, y porque
09:42
they help us become better critical thinkers.
212
570990
2418
nos ayudan
a volvernos mejores pensadores críticos.
09:45
Because after all, if I can spot
213
573408
4207
Porque después de todo, si puedo ver
un problema en un argumento,
09:49
a problem in an argument, it doesn't much matter
214
577615
2486
no importa mucho,
09:52
whether it's expressed in words or in numbers.
215
580101
2759
que este expresado
en palabras o números.
en palabras o números.
09:54
And this means
216
582860
2719
Y esto significa
enseñarnos a nosotros mismos
09:57
teaching ourselves to find
those confirmation biases
those confirmation biases
217
585579
4421
a encontrar esos sesgos confirmatorios
y falsas correlaciones,
10:02
and false correlations
218
590000
1822
y a ser capaces de ver una afirmación
10:03
and being able to spot a naked emotional appeal
219
591822
2138
puramente emocional
10:05
from 30 yards,
220
593960
1662
desde 10 metros,
10:07
because something that happens after something
221
595622
2522
porque que algo que pase
después de otra cosa
después de otra cosa
10:10
doesn't mean it happened
because of it, necessarily,
because of it, necessarily,
222
598144
3082
no significa que pasó por eso
necesariamente,
10:13
and if you'll let me geek out on you for a second,
223
601226
2119
y si me dejan ser geek por un segundo,
10:15
the Romans called this
"post hoc ergo propter hoc,"
"post hoc ergo propter hoc,"
224
603345
4297
los romanos lo llamaban:
"post hoc ergo propter hoc",
10:19
after which therefore because of which.
225
607642
3296
"después de esto, entonces por esto".
Y significa cuestionar disciplinas
10:22
And it means questioning
disciplines like demographics.
disciplines like demographics.
226
610938
3757
como la demografía.
¿Por qué?
10:26
Why? Because they're based on assumptions
227
614695
2520
Porque están basadas en asumir cosas,
10:29
about who we all are based on our gender
228
617215
2306
sobre quiénes somos
con base en nuestro género
con base en nuestro género
10:31
and our age and where we live
229
619521
1462
nuestra edad y dónde vivimos,
10:32
as opposed to data on what
we actually think and do.
we actually think and do.
230
620983
3478
opuestos a datos de qué
es lo que pensamos
es lo que pensamos
y hacemos en realidad.
10:36
And since we have this data,
231
624461
1663
Y dado que tenemos estos datos,
10:38
we need to treat it with appropriate privacy controls
232
626124
3139
necesitamos tratarlos con adecuados
controles de privacidad
10:41
and consumer opt-in,
233
629263
3576
y al consumir optar por inclusión,
10:44
and beyond that, we need to be clear
234
632839
2993
y más allá de eso necesitamos ser claros
10:47
about our hypotheses,
235
635832
2103
en nuestras hipótesis,
10:49
the methodologies that we use,
236
637935
2596
las metodologías que usamos,
10:52
and our confidence in the result.
237
640531
2804
y nuestro nivel de confianza
en el resultado.
en el resultado.
10:55
As my high school algebra teacher used to say,
238
643335
2474
Cómo decía mi maestro de álgebra:
10:57
show your math,
239
645809
1531
"muestra tus matemáticas,
10:59
because if I don't know what steps you took,
240
647340
3441
porque si no sé qué pasos usaste,
11:02
I don't know what steps you didn't take,
241
650781
1991
no sé qué pasos no tomaste,
11:04
and if I don't know what questions you asked,
242
652772
2438
y si no sé qué preguntas hiciste,
11:07
I don't know what questions you didn't ask.
243
655210
3197
no sé qué preguntas no hiciste".
Significa preguntarnos
a nosotros mismos,
a nosotros mismos,
11:10
And it means asking ourselves, really,
244
658407
1523
la pregunta más difícil de todas:
11:11
the hardest question of all:
245
659930
1479
11:13
Did the data really show us this,
246
661409
3500
¿Los datos en realidad nos lo muestran,
11:16
or does the result make us feel
247
664909
2311
o el resultado nos hace sentir
11:19
more successful and more comfortable?
248
667220
3878
más exitosos y más cómodos?
11:23
So the Health Media Collaboratory,
249
671098
2584
Así que los de
Colaboración por la Salud en Medios
Colaboración por la Salud en Medios
11:25
at the end of their project, they were able
250
673682
1699
al final del proyecto, pudieron
11:27
to find that 87 percent of tweets
251
675381
3408
encontrar 87 % de tweets
11:30
about those very graphic and disturbing
252
678789
2144
sobre esos muy gráficos y perturbadores
11:32
anti-smoking ads expressed fear,
253
680933
4038
anuncios para dejar de fumar
que expresaban miedo,
pero ¿concluyeron que hicieron
11:36
but did they conclude
254
684971
1856
que la gente dejara de fumar?
11:38
that they actually made people stop smoking?
255
686827
3161
11:41
No. It's science, not magic.
256
689988
2542
No. Es ciencia, no magia.
11:44
So if we are to unlock
257
692530
3190
Así que si vamos a abrir
11:47
the power of data,
258
695720
2862
el poder de los datos,
11:50
we don't have to go blindly into
259
698582
3448
no tenemos que ir
a ciegas en la visión
a ciegas en la visión
11:54
Orwell's vision of a totalitarian future,
260
702030
3436
de Orwell de un futuro totalitario,
11:57
or Huxley's vision of a trivial one,
261
705466
3117
o la visión de Huxley de uno trivial,
12:00
or some horrible cocktail of both.
262
708583
3020
o un horrible cóctel de ambos.
12:03
What we have to do
263
711603
2379
Lo que tenemos que hacer es tratar
12:05
is treat critical thinking with respect
264
713982
2718
al pensamiento crítico con respeto
12:08
and be inspired by examples
265
716700
2029
y ser inspirados por ejemplos
12:10
like the Health Media Collaboratory,
266
718729
2610
cómo el de Colaboración
por la Salud en Medios
por la Salud en Medios
y como dicen
12:13
and as they say in the superhero movies,
267
721339
2328
en las películas de superhéroes:
12:15
let's use our powers for good.
268
723667
1822
"Usemos nuestros poderes para el bien".
12:17
Thank you.
269
725489
2351
Gracias.
(Aplausos)
12:19
(Applause)
270
727840
2334
ABOUT THE SPEAKER
Susan Etlinger - Data analystSusan Etlinger promotes the smart, well-considered and ethical use of data.
Why you should listen
Susan Etlinger is an industry analyst with Altimeter Group, where she focuses on data and analytics. She conducts independent research and has authored two intriguing reports: “The Social Media ROI Cookbook” and “A Framework for Social Analytics.” She also advises global clients on how to work measurement into their organizational structure and how to extract insights from the social web which can lead to tangible actions. In addition, she works with technology innovators to help them refine their roadmaps and strategies.
Etlinger is on the board of The Big Boulder Initiative, an industry organization dedicated to promoting the successful and ethical use of social data. She is regularly interviewed and asked to speak on data strategy and best practices, and has been quoted in media outlets like The Wall Street Journal, The New York Times, and the BBC.
Susan Etlinger | Speaker | TED.com