Casos de Éxito Internacionales y uso efectivo de Datos Abiertos

Presentación del tema: "Casos de Éxito Internacionales y uso efectivo de Datos Abiertos"— Transcripción de la presentación:

1 Casos de Éxito Internacionales y uso efectivo de Datos Abiertos
En la sección de introducción se hablo sobre los conceptos más importantes para entender el uso efectivo de los datos abiertos. En esta sección se mostrarán ejemplos de casos de éxito, en los cuales se percibe que hay una gran transparencia de los datos gubernamentales, una colaboración entre distintos actores y una fuerte participación de la sociedad. Casos en los cuales se hacen presente el uso efectivo de los datos abiertos en la creación de soluciones a problemáticas reales.

2 Profundizando en los datos de la pobreza infantil
DESARROLLO SOCIAL

3 Objetivo Aumentar conciencia sobre la pobreza infantil mediante datos actualizados y comunicación efectiva de los datos al público general. Actores: DataKind UK : Organización sin fines de lucro que busca utilizar datos al servicio de la humanidad e incentivar el desarrollo social. North East Child Poverty Comission: Grupo de interés con representantes públicos y privados quienes buscan influir en acciones públicas en torno a la pobreza infantil. “Delving into Child Poverty Data” es un proyecto local de DataKind Reino Unido en el cual el principal objetivo es ayudar a la North East Child Poverty Comission a aumentar la conciencia de la pobreza infantil mediante lograr que sus datos estén actualizados y comunicar esos datos al público. En el presente proyecto hay una co-producción entre Data Kind y la NECPC

4 Antecedentes Pobreza infantil en el Reino Unido Retos:
3.7 millones en condición de pobreza (28% RU) Instituto de Estudios Fiscales estima aumento a 4.23 millones para el año 2020 Gastos de hasta 29 billones de libras anuales en programas gubernamentales de apoyo. Retos: Información disponible al público desactualizada Granularidad geográfica baja Información oficial retrasada La problemática que buscan atacar cobra gran relevancia al analizar el estado de la pobreza infantil en Reino Unido. Según dato de la Child Poverty Action Group hay 3.7 millones de niños en condición de pobreza en RU, representando un 28% de la población infantil. Aunado a ello el Instituto de Estudios Fiscales estima un aumento a 4.23 millones para el 2020. La pobreza infantil representa problemáticas a futuro, en cuanto a la falta de oportunidades que estos niños tienen en la edad adulta. Por otra parte, se estima que el gobierno gasta alrededor de 29 billones de libras anuales en programas gubernamentales de apoyo. Por lo cual se vuelve relevante y necesario poder entender la problemática y tener un mejor acercamiento a la realidad del fenómeno en busca de generar soluciones que sean factibles y así incidir de forma positiva en el desarrollo social del Reino Unido.

5 Solución Búsqueda de Datos
Citizens Advise Bureau: Muestra de datos no era estadísticamente significativa HM Revenue & Customs : Autoridad Tributaria Familias en recepción de beneficios por desempleo Créditos fiscales del 60% menos del ingreso medio nacional Previamente utilizados para generar datos oficiales sobre pobreza, Visualización Adecuada DataUSA – DC Action for Kids Visualización en mapa interactivo Para poder cumplir con el objetivo y sobrepasando los retos que se presentaban, DataKind hizo una búsqueda exhaustiva sobre datos que pudiesen ser útiles para entender la pobreza infantil en el norte de RU. Para ello se encontraron dos datasets, De Citizens Advise Bureau , una caridad que aconseja a los ciudadanos en diversas temáticas incluyendo el manejo de ingresos etc, sin embargo sus datos no eran estadísticamente significativos al ser solamente de aquellos quienes solicitan ayuda. HM Revenue and Customs, autoridad tributaria de RU en dónde se encontraron datos sobre las familias en recepción de beneficios por desempleo, y con créditos fiscales del 60% menos del ingreso medio nacional. De esta forma se ubicaron que los niños provenientes de estas familias se encontraban en condición de pobreza. Habiendo obtenido los datasets útiles para el caso, se indagó en cuál sería la visualización adecuada. Se encontró que había una Experiencia similar en Data USA – DC Action for Kids, con la cual se decidió utilizar el mismo código para hacer una visualización en un mapa interactivo.

6 Producto Final y Alcance del Proyecto
Identifica distritos con mayores índices de pobreza infantil. Identifica patrones de crecimiento o decremento de pobreza por distrito Posibilidad de uso más efectivo de recursos , esfuerzos y campañas La siguiente imagen muestra el producto final del proyecto: un mapa interactivo que permite visualizar en qué puntos geográficos hay mayores índices de pobreza infantil. Además de ello también puede identificar ( en la gráfica del lado superior izquierdo) patrones de crecimiento o de cremento de pobreza por cada distrito en un espacio temporal del 2006 al 2012. Debajo de la gráfica se percibe a grandes rasgos el porcentaje de niños, así como las diferencias y similitudes entre distritos, mostrando de manera más visual la tasa de crecimiento entre los años 2006 y 2012. Finalmente consideramos que dicho proyecto tiene un gran potencial para que en base en la identificación de aquellos distritos con mayor índice de pobreza se puedan generar programas de desarrollo y alternativas enfocadas a esas poblaciones específicas. O incluso investigaciones que profundicen más en las causas en determinados distritos Fig.1: Mapa interactivo creado por DataKind que visualizar en qué puntos geográficos hay mayores índices de pobreza infantil

7 Factores de Éxito Apertura y calidad de datos
Datos en entidades no convencionales Colaboración con otros centros de Open Data Evitar duplicidad de funciones Reduce tiempo invertido En este proyecto se encontraron diversos factores de éxito, en primera instancia la importancia de la apertura y calidad de datos. Tomando en consideración que los datos a veces se pueden encontrar en entidades no convencionales. En este caso fue una autoridad fiscal la que tenía datos que serían útiles. La colaboración con otros centros de Data Science también fue importante para reducir tiempo y evitar una duplicidad de función. Esto en relación al código utilizado para visualizar el mapa, que había sido realizado con anterioridad por Data Kind US en un proyecto similar.