El lado oscuro de los grandes datos
Las organizaciones de hoy en da estn minando furiosamente los grandes datos, buscando formas
de beneficiarse de esta tecnologa. Hay muchas historias de xito de big data. Por ejemplo, la
compaa biofarmacutica Berg est extrayendo grandes datos sobre muestras de tejido de pacientes,
historial clnico y caractersticas demogrficas para identificar posibles biomarcadores para el cncer
de pncreas para que pueda detectarse mucho antes y tratarse con mayor eficacia. La ciudad de
Barcelona ha reducido su factura anual de agua en un 25 por ciento mediante el anlisis de datos
de sensores instalados en parques locales para monitorear la humedad del suelo.
Pero hay un lado oscuro en los grandes datos, y tiene que ver con la privacidad. Ahora podemos
recopilar o analizar datos a una escala mucho mayor que nunca y utilizar lo que hemos aprendido
sobre las personas de formas que pueden ser perjudiciales para ellas. Los siguientes son algunos
ejemplos.
Vigilancia predictiva En febrero de 2014, el Departamento de Polica de Chicago envi agentes
uniformados para realizar visitas de notificacin personalizadas a las personas, especialmente a
los pandilleros, que un sistema informtico haba identificado como probables de cometer un delito
en el futuro. La intencin era prevenir el crimen proporcionando a las personas seleccionadas
informacin sobre programas de capacitacin laboral o informndoles sobre mayores sanciones para
personas con ciertos antecedentes. Muchos grupos comunitarios protestaron por la prctica como
otra forma de discriminacin racial.
Tarifas de seguros Las compaas de seguros de automviles como Progressive ofrecen un pequeo
dispositivo para instalar en su automvil para analizar sus hbitos de manejo, aparentemente para
brindarle una mejor tarifa de seguro. Sin embargo, algunos de los criterios para tarifas de seguros
de automviles ms bajas se consideran discriminatorios. Por ejemplo, a las compaas de seguros les
gustan las personas que no manejan tarde en la noche y no pasan mucho tiempo en sus autos. Sin
embargo, es ms probable que las personas ms pobres trabajen un turno tarde y tengan viajes ms
largos al trabajo, lo que aumentara las tarifas de sus seguros de automviles.
Deloitte Consulting LLP desarroll un sistema de modelado predictivo para los solicitantes de
seguros que predice la esperanza de vida mediante el uso de datos sobre los hbitos de compra de
los consumidores individuales, as como sus antecedentes mdicos personales y familiares. La
compaa afirma que puede predecir con precisin si las personas tienen 1 de 17 enfermedades,
incluida la diabetes, el cncer relacionado con el tabaco, las enfermedades cardiovasculares y la
depresin, analizando sus hbitos de compra. Lo que compra en la farmacia puede aumentar las
tarifas de su seguro mdico.
Contratacin computarizada Cada vez ms empresas recurren a sistemas computarizados para
filtrar y contratar a los solicitantes de empleo, especialmente para los empleos del .
El lado oscuro de los grandes datos Las organizaciones de h.pdf
1. El lado oscuro de los grandes datos
Las organizaciones de hoy en da estn minando furiosamente los grandes datos, buscando formas
de beneficiarse de esta tecnologa. Hay muchas historias de xito de big data. Por ejemplo, la
compaa biofarmacutica Berg est extrayendo grandes datos sobre muestras de tejido de pacientes,
historial clnico y caractersticas demogrficas para identificar posibles biomarcadores para el cncer
de pncreas para que pueda detectarse mucho antes y tratarse con mayor eficacia. La ciudad de
Barcelona ha reducido su factura anual de agua en un 25 por ciento mediante el anlisis de datos
de sensores instalados en parques locales para monitorear la humedad del suelo.
Pero hay un lado oscuro en los grandes datos, y tiene que ver con la privacidad. Ahora podemos
recopilar o analizar datos a una escala mucho mayor que nunca y utilizar lo que hemos aprendido
sobre las personas de formas que pueden ser perjudiciales para ellas. Los siguientes son algunos
ejemplos.
Vigilancia predictiva En febrero de 2014, el Departamento de Polica de Chicago envi agentes
uniformados para realizar visitas de notificacin personalizadas a las personas, especialmente a
los pandilleros, que un sistema informtico haba identificado como probables de cometer un delito
en el futuro. La intencin era prevenir el crimen proporcionando a las personas seleccionadas
informacin sobre programas de capacitacin laboral o informndoles sobre mayores sanciones para
personas con ciertos antecedentes. Muchos grupos comunitarios protestaron por la prctica como
otra forma de discriminacin racial.
Tarifas de seguros Las compaas de seguros de automviles como Progressive ofrecen un pequeo
dispositivo para instalar en su automvil para analizar sus hbitos de manejo, aparentemente para
brindarle una mejor tarifa de seguro. Sin embargo, algunos de los criterios para tarifas de seguros
de automviles ms bajas se consideran discriminatorios. Por ejemplo, a las compaas de seguros les
gustan las personas que no manejan tarde en la noche y no pasan mucho tiempo en sus autos. Sin
embargo, es ms probable que las personas ms pobres trabajen un turno tarde y tengan viajes ms
largos al trabajo, lo que aumentara las tarifas de sus seguros de automviles.
2. Deloitte Consulting LLP desarroll un sistema de modelado predictivo para los solicitantes de
seguros que predice la esperanza de vida mediante el uso de datos sobre los hbitos de compra de
los consumidores individuales, as como sus antecedentes mdicos personales y familiares. La
compaa afirma que puede predecir con precisin si las personas tienen 1 de 17 enfermedades,
incluida la diabetes, el cncer relacionado con el tabaco, las enfermedades cardiovasculares y la
depresin, analizando sus hbitos de compra. Lo que compra en la farmacia puede aumentar las
tarifas de su seguro mdico.
Contratacin computarizada Cada vez ms empresas recurren a sistemas computarizados para
filtrar y contratar a los solicitantes de empleo, especialmente para los empleos del sector
servicios con salarios ms bajos. Los algoritmos que utilizan estos sistemas para evaluar a los
candidatos a puestos de trabajo pueden estar impidiendo que los solicitantes calificados obtengan
estos puestos. Por ejemplo, algunos de estos algoritmos han determinado que, estadsticamente,
las personas con viajes ms cortos al trabajo tienen ms probabilidades de quedarse en un trabajo
ms tiempo que aquellos con viajes ms largos o transporte menos confiable o aquellos que no han
estado en su domicilio por mucho tiempo. Si se le pregunta, "Cunto dura su viaje?" los
solicitantes con largos tiempos de viaje al trabajo obtendrn una puntuacin ms baja para el trabajo.
Si bien tales consideraciones pueden ser estadsticamente precisas, es justo evaluar a los
solicitantes de empleo de esta manera?
Dirigirse a personas financieramente vulnerables Los corredores de datos han existido durante
dcadas, pero sus herramientas para recopilar y analizar con precisin grandes cantidades de datos
personales se vuelven cada vez ms poderosas. Estos corredores de datos ahora venden informes
que destacan y se dirigen especficamente a personas financieramente vulnerables. Por ejemplo,
un corredor de datos podra proporcionar un informe sobre los jubilados con poco o ningn ahorro
a una empresa que ofrece hipotecas inversas, prstamos de alto costo u otros productos
financieramente riesgosos. Existen muy pocas reglas o regulaciones para prevenir la seleccin de
grupos vulnerables. Las leyes y regulaciones de privacidad no se han puesto al da con la
tecnologa de big data.
3. Fuentes: Brian Brinkmann, "Privacidad de Big Data: Qu privacidad?" Business2Community, 2
de marzo de 2016; Bernard Marr, Las 5 formas ms aterradoras en que se usan los datos masivos
en la actualidad, DataInformed, 20 de mayo de 2015; Victoria Craig, Berg espera que los grandes
datos conduzcan al avance del cncer de pncreas, Fox Business, 11 de junio de 2015; y La tctica
de advertencia de pandillas policiales de 'Notificaciones personalizadas' est funcionando,
Chicago Sun-Times, 27 de marzo de 2014.
Los desafos de los grandes datos para la privacidad descritos en el caso de apertura del captulo
muestran que la tecnologa puede ser un arma de doble filo. Puede ser la fuente de muchos
beneficios, incluida la capacidad de combatir enfermedades y delitos y lograr importantes
ahorros de costos y eficiencias para los negocios. Al mismo tiempo, la tecnologa digital crea
nuevas oportunidades para invadir su privacidad y usar informacin que podra causarle dao.
El diagrama de apertura del captulo llama la atencin sobre puntos importantes de este caso y de
este captulo. Los desarrollos en tecnologa y anlisis de gestin de datos han creado oportunidades
para que las organizaciones usen big data para mejorar las operaciones y la toma de decisiones.
Un uso popular del anlisis de big data es para el modelado predictivo: examinar los datos para
identificar cmo se comportarn y reaccionarn personas especficas en el futuro. Las organizaciones
descritas aqu se benefician del uso de modelos predictivos para combatir el crimen, seleccionar a
los mejores empleados y reducir los riesgos de seguros y prstamos crediticios. Sin embargo, su
uso de big data tambin les est quitando beneficios a las personas. Las personas pueden estar
sujetas a discriminacin laboral, perfiles raciales o tarifas de seguro ms altas porque las
organizaciones tienen nuevas herramientas para recopilar y analizar grandes cantidades de datos
sobre ellas. Es necesario desarrollar nuevas leyes y polticas de proteccin de la privacidad para
mantenerse al da con las tecnologas para ensamblar y analizar big data.
Este caso ilustra un dilema tico porque muestra dos conjuntos de intereses en el trabajo, los
intereses de las organizaciones que han obtenido ganancias o incluso ayudado a muchas personas
con avances mdicos y aquellos que creen fervientemente que las empresas y las organizaciones
pblicas no deberan usar el anlisis de big data para invadir privacidad o perjudicar a las personas.
Como gerente, deber ser sensible a los impactos tanto positivos como negativos de los sistemas
de informacin para su empresa, empleados y clientes. Deber aprender a resolver dilemas ticos
relacionados con los sistemas de informacin.
4. Aqu hay algunas preguntas para pensar: El anlisis de grandes datos sobre las personas crea un
dilema tico? Por qu o por qu no? Debera haber nuevas leyes de privacidad para proteger a las
personas de ser blanco de empresas que analizan big data? Por qu o por qu no?
El lado oscuro de los grandes datos
Las organizaciones de hoy en da estn minando furiosamente los grandes datos, buscando formas
de beneficiarse de esta tecnologa. Hay muchas historias de xito de big data. Por ejemplo, la
compaa biofarmacutica Berg est extrayendo grandes datos sobre muestras de tejido de pacientes,
historial clnico y caractersticas demogrficas para identificar posibles biomarcadores para el cncer
de pncreas para que pueda detectarse mucho antes y tratarse con mayor eficacia. La ciudad de
Barcelona ha reducido su factura anual de agua en un 25 por ciento mediante el anlisis de datos
de sensores instalados en parques locales para monitorear la humedad del suelo.
Pero hay un lado oscuro en los grandes datos, y tiene que ver con la privacidad. Ahora podemos
recopilar o analizar datos a una escala mucho mayor que nunca y utilizar lo que hemos aprendido
sobre las personas de formas que pueden ser perjudiciales para ellas. Los siguientes son algunos
ejemplos.
Vigilancia predictiva En febrero de 2014, el Departamento de Polica de Chicago envi agentes
uniformados para realizar visitas de notificacin personalizadas a las personas, especialmente a
los pandilleros, que un sistema informtico haba identificado como probables de cometer un delito
en el futuro. La intencin era prevenir el crimen proporcionando a las personas seleccionadas
informacin sobre programas de capacitacin laboral o informndoles sobre mayores sanciones para
personas con ciertos antecedentes. Muchos grupos comunitarios protestaron por la prctica como
otra forma de discriminacin racial.
Tarifas de seguros Las compaas de seguros de automviles como Progressive ofrecen un pequeo
dispositivo para instalar en su automvil para analizar sus hbitos de manejo, aparentemente para
brindarle una mejor tarifa de seguro. Sin embargo, algunos de los criterios para tarifas de seguros
de automviles ms bajas se consideran discriminatorios. Por ejemplo, a las compaas de seguros les
gustan las personas que no manejan tarde en la noche y no pasan mucho tiempo en sus autos. Sin
5. embargo, es ms probable que las personas ms pobres trabajen un turno tarde y tengan viajes ms
largos al trabajo, lo que aumentara las tarifas de sus seguros de automviles.
Deloitte Consulting LLP desarroll un sistema de modelado predictivo para los solicitantes de
seguros que predice la esperanza de vida mediante el uso de datos sobre los hbitos de compra de
los consumidores individuales, as como sus antecedentes mdicos personales y familiares. La
compaa afirma que puede predecir con precisin si las personas tienen 1 de 17 enfermedades,
incluida la diabetes, el cncer relacionado con el tabaco, las enfermedades cardiovasculares y la
depresin, analizando sus hbitos de compra. Lo que compra en la farmacia puede aumentar las
tarifas de su seguro mdico.
Contratacin computarizada Cada vez ms empresas recurren a sistemas computarizados para
filtrar y contratar a los solicitantes de empleo, especialmente para los empleos del sector
servicios con salarios ms bajos. Los algoritmos que utilizan estos sistemas para evaluar a los
candidatos a puestos de trabajo pueden estar impidiendo que los solicitantes calificados obtengan
estos puestos. Por ejemplo, algunos de estos algoritmos han determinado que, estadsticamente,
las personas con viajes ms cortos al trabajo tienen ms probabilidades de quedarse en un trabajo
ms tiempo que aquellos con viajes ms largos o transporte menos confiable o aquellos que no han
estado en su domicilio por mucho tiempo. Si se le pregunta, "Cunto dura su viaje?" los
solicitantes con largos tiempos de viaje al trabajo obtendrn una puntuacin ms baja para el trabajo.
Si bien tales consideraciones pueden ser estadsticamente precisas, es justo evaluar a los
solicitantes de empleo de esta manera?
Dirigirse a personas financieramente vulnerables Los corredores de datos han existido durante
dcadas, pero sus herramientas para recopilar y analizar con precisin grandes cantidades de datos
personales se vuelven cada vez ms poderosas. Estos corredores de datos ahora venden informes
que destacan y se dirigen especficamente a personas financieramente vulnerables. Por ejemplo,
un corredor de datos podra proporcionar un informe sobre los jubilados con poco o ningn ahorro
a una empresa que ofrece hipotecas inversas, prstamos de alto costo u otros productos
financieramente riesgosos. Existen muy pocas reglas o regulaciones para prevenir la seleccin de
grupos vulnerables. Las leyes y regulaciones de privacidad no se han puesto al da con la
tecnologa de big data.
6. Fuentes: Brian Brinkmann, "Privacidad de Big Data: Qu privacidad?" Business2Community, 2
de marzo de 2016; Bernard Marr, Las 5 formas ms aterradoras en que se usan los datos masivos
en la actualidad, DataInformed, 20 de mayo de 2015; Victoria Craig, Berg espera que los grandes
datos conduzcan al avance del cncer de pncreas, Fox Business, 11 de junio de 2015; y La tctica
de advertencia de pandillas policiales de 'Notificaciones personalizadas' est funcionando,
Chicago Sun-Times, 27 de marzo de 2014.
Los desafos de los grandes datos para la privacidad descritos en el caso de apertura del captulo
muestran que la tecnologa puede ser un arma de doble filo. Puede ser la fuente de muchos
beneficios, incluida la capacidad de combatir enfermedades y delitos y lograr importantes
ahorros de costos y eficiencias para los negocios. Al mismo tiempo, la tecnologa digital crea
nuevas oportunidades para invadir su privacidad y usar informacin que podra causarle dao.
El diagrama de apertura del captulo llama la atencin sobre puntos importantes de este caso y de
este captulo. Los desarrollos en tecnologa y anlisis de gestin de datos han creado oportunidades
para que las organizaciones usen big data para mejorar las operaciones y la toma de decisiones.
Un uso popular del anlisis de big data es para el modelado predictivo: examinar los datos para
identificar cmo se comportarn y reaccionarn personas especficas en el futuro. Las organizaciones
descritas aqu se benefician del uso de modelos predictivos para combatir el crimen, seleccionar a
los mejores empleados y reducir los riesgos de seguros y prstamos crediticios. Sin embargo, su
uso de big data tambin les est quitando beneficios a las personas. Las personas pueden estar
sujetas a discriminacin laboral, perfiles raciales o tarifas de seguro ms altas porque las
organizaciones tienen nuevas herramientas para recopilar y analizar grandes cantidades de datos
sobre ellas. Es necesario desarrollar nuevas leyes y polticas de proteccin de la privacidad para
mantenerse al da con las tecnologas para ensamblar y analizar big data.
Deloitte Consulting LLP desarroll un sistema de modelado predictivo para los solicitantes de
seguros que predice la esperanza de vida mediante el uso de datos sobre los hbitos de compra de
los consumidores individuales, as como sus antecedentes mdicos personales y familiares. La
compaa afirma que puede predecir con precisin si las personas tienen 1 de 17 enfermedades,
incluida la diabetes, el cncer relacionado con el tabaco, las enfermedades cardiovasculares y la
depresin, analizando sus hbitos de compra. Lo que compra en la farmacia puede aumentar las
tarifas de su seguro mdico.
7. Contratacin computarizada Cada vez ms empresas recurren a sistemas computarizados para
filtrar y contratar a los solicitantes de empleo, especialmente para los empleos del sector
servicios con salarios ms bajos. Los algoritmos que utilizan estos sistemas para evaluar a los
candidatos a puestos de trabajo pueden estar impidiendo que los solicitantes calificados obtengan
estos puestos. Por ejemplo, algunos de estos algoritmos han determinado que, estadsticamente,
las personas con viajes ms cortos al trabajo tienen ms probabilidades de quedarse en un trabajo
ms tiempo que aquellos con viajes ms largos o transporte menos confiable o aquellos que no han
estado en su domicilio por mucho tiempo. Si se le pregunta, "Cunto dura su viaje?" los
solicitantes con largos tiempos de viaje al trabajo obtendrn una puntuacin ms baja para el trabajo.
Si bien tales consideraciones pueden ser estadsticamente precisas, es justo evaluar a los
solicitantes de empleo de esta manera?
Dirigirse a personas financieramente vulnerables Los corredores de datos han existido durante
dcadas, pero sus herramientas para recopilar y analizar con precisin grandes cantidades de datos
personales se vuelven cada vez ms poderosas. Estos corredores de datos ahora venden informes
que destacan y se dirigen especficamente a personas financieramente vulnerables. Por ejemplo,
un corredor de datos podra proporcionar un informe sobre los jubilados con poco o ningn ahorro
a una empresa que ofrece hipotecas inversas, prstamos de alto costo u otros productos
financieramente riesgosos. Existen muy pocas reglas o regulaciones para prevenir la seleccin de
grupos vulnerables. Las leyes y regulaciones de privacidad no se han puesto al da con la
tecnologa de big data.
Fuentes: Brian Brinkmann, "Privacidad de Big Data: Qu privacidad?" Business2Community, 2
de marzo de 2016; Bernard Marr, Las 5 formas ms aterradoras en que se usan los datos masivos
en la actualidad, DataInformed, 20 de mayo de 2015; Victoria Craig, Berg espera que los grandes
datos conduzcan al avance del cncer de pncreas, Fox Business, 11 de junio de 2015; y La tctica
de advertencia de pandillas policiales de 'Notificaciones personalizadas' est funcionando,
Chicago Sun-Times, 27 de marzo de 2014.
Los desafos de los grandes datos para la privacidad descritos en el caso de apertura del captulo
muestran que la tecnologa puede ser un arma de doble filo. Puede ser la fuente de muchos
beneficios, incluida la capacidad de combatir enfermedades y delitos y lograr importantes
ahorros de costos y eficiencias para los negocios. Al mismo tiempo, la tecnologa digital crea
nuevas oportunidades para invadir su privacidad y usar informacin que podra causarle dao.
8. El diagrama de apertura del captulo llama la atencin sobre puntos importantes de este caso y de
este captulo. Los desarrollos en tecnologa y anlisis de gestin de datos han creado oportunidades
para que las organizaciones usen big data para mejorar las operaciones y la toma de decisiones.
Un uso popular del anlisis de big data es para el modelado predictivo: examinar los datos para
identificar cmo se comportarn y reaccionarn personas especficas en el futuro. Las organizaciones
descritas aqu se benefician del uso de modelos predictivos para combatir el crimen, seleccionar a
los mejores empleados y reducir los riesgos de seguros y prstamos crediticios. Sin embargo, su
uso de big data tambin les est quitando beneficios a las personas. Las personas pueden estar
sujetas a discriminacin laboral, perfiles raciales o tarifas de seguro ms altas porque las
organizaciones tienen nuevas herramientas para recopilar y analizar grandes cantidades de datos
sobre ellas. Es necesario desarrollar nuevas leyes y polticas de proteccin de la privacidad para
mantenerse al da con las tecnologas para ensamblar y analizar big data.
Este caso ilustra un dilema tico porque muestra dos conjuntos de intereses en el trabajo, los
intereses de las organizaciones que han obtenido ganancias o incluso ayudado a muchas personas
con avances mdicos y aquellos que creen fervientemente que las empresas y las organizaciones
pblicas no deberan usar el anlisis de big data para invadir privacidad o perjudicar a las personas.
Como gerente, deber ser sensible a los impactos tanto positivos como negativos de los sistemas
de informacin para su empresa, empleados y clientes. Deber aprender a resolver dilemas ticos
relacionados con los sistemas de informacin.
Aqu hay algunas preguntas para pensar: El anlisis de grandes datos sobre las personas crea un
dilema tico? Por qu o por qu no? Debera haber nuevas leyes de privacidad para proteger a las
personas de ser blanco de empresas que analizan big data? Por qu o por qu no?
Este caso ilustra un dilema tico porque muestra dos conjuntos de intereses en el trabajo, los
intereses de las organizaciones que han obtenido ganancias o incluso ayudado a muchas personas
con avances mdicos y aquellos que creen fervientemente que las empresas y las organizaciones
pblicas no deberan usar el anlisis de big data para invadir privacidad o perjudicar a las personas.
Como gerente, deber ser sensible a los impactos tanto positivos como negativos de los sistemas
de informacin para su empresa, empleados y clientes. Deber aprender a resolver dilemas ticos
relacionados con los sistemas de informacin.
9. Aqu hay algunas preguntas para pensar: El anlisis de grandes datos sobre las personas crea un
dilema tico? Por qu o por qu no? Debera haber nuevas leyes de privacidad para proteger a las
personas de ser blanco de empresas que analizan big data? Por qu o por qu no?