¿Qué es Big Data?

Big Data es el concepto que describe todos los esfuerzos para capturar, almacenar, gestionar y analizar información [1,5]. El término no sólo hace referencia a grandes volúmenes de datos sino también a la alta velocidad a la cual los datos son capturados y cuya gran variedad [1] no permite una integración inmediata [2]. Además, el propósito de su análisis es descubrir conocimiento e identificar valor relevante en un contexto incierto por lo que la veracidad, es decir, la precisión y la consistencia, de los datos no está asegurada [4]. Big Data hace referencia entonces a datos secundarios, en el sentido de que ellos no están relacionados normalmente a algún objetivo de investigación, como por ejemplo, los datos obtenidos de procesos administrativos [5]. En otras palabras, este tipo de datos se encuentran, no se generan de acuerdo a un objetivo de investigación bien definido [6], sin instrumentos o métodos diseñados para obtenerlos de manera fiable para su uso científico [5]. Entonces Big Data se puede entender como un proceso.

El proceso completo de Big Data se presenta en la Ilustración 1. Se comienza por la captura de los datos a partir de varias fuentes de gran variedad y de diferente flujo, se continúa con los pasos de extracción, transformación y carga de información relevante, para luego iniciar la etapa de análisis, que comprende el filtrado y el muestreo de datos con el fin de procesarlos computacionalmente y visualmente [5].

Que es Big Data - ATUK

Ilustración 1. El proceso de Big Data.

Múltiples tecnologías, algoritmos, métodos y modelos son usados en Big Data con el fin de entender relaciones entre variables y explorar sobre los datos [3]. Las técnicas más desarrolladas son aquellas basadas en aprendizaje, como Machine Learning, Deep Learning, Data stream learning, etc. Con aprendizaje nos referimos a la capacidad que tienen los algoritmos computacionales para mejorar automáticamente a través de la experiencia [7]. La experiencia está incrustada en los datos por lo cual todo algoritmo deberá extraer las características de operación que están codificadas en dicha experiencia. Claramente es una definición abstracta y requiere de un contexto bien definido para ser operacionalizada.

¿Quiénes hacen Big Data?

Los actores, y su interacción, requeridos para llevar a cabo el proceso de Big Data se muestran en la Ilustración 2. La parte tecnológica y computacional está a cargo de ingenieros y arquitectos informáticos y matemáticos y estadístas. La parte de análisis incorpora expertos de la materia guiados por un equipo de investigación los cuales, todos, permitirán dar sentido a los datos y a los resultados del proceso de Big Data [5].

Que es Big Data - ATUK

Ilustración 2. Actores y su interacción en Big Data.

¿Por qué Big Data?

Por una nueva relación con la naturaleza. Big Data ha impactado notablemente en la investigación basada en datos en donde la eficiencia energética domina el área de interés de su uso seguido de agricultura inteligente, evaluación de desastres naturales, ciudades inteligentes y sostenibilidad [12].

Por una nueva economía. La economía centrada en los datos favorece la creación, captura y análisis de datos, como forma de mejorar la productividad y de incrementar los ingresos [10]. En efecto, la incorporación de Big Data en las empresas emerge como frente de innovación y competitividad a los retos y oportunidades que nacen de la revolución de la información [9].

Por una nueva forma de gobernanza. El uso de Big Data en el sector público puede ayudar a los gobiernos a mejorar el diseño de políticas y la prestación de servicios. La disponibilidad y el cruce de información gubernamental es esencial para entender y descubrir patrones de manera profunda y acertada. Además, el involucramiento de los principales actores dentro y fuera del gobierno es un importante factor para asegurar el acceso a información relevante y actualizada [1, 11].

Más allá de Big Data

Aunque la economía centrada en datos crea un lazo de retroalimentación operativa y estratégica, la acumulación por si sola de los datos no permitiría un crecimiento sostenido; esta economía requiere de innovación y de desarrollo tecnológico más avanzado [10].

Una posible corriente es la economía circular guiada por la Industria 4.0 que incluye a los sistemas ciber-físicos, Internet de las cosas (IoT), Cloud Computing y herramientas de computación cognitiva que van mucho más allá del Machine Learning que conocemos actualmente [9].

 

Luego, si bien el proceso de captura, almacenamiento y procesamiento de datos es lo más visible en Big Data, esto nos da una ilusión de que hemos llegado al estudio propio de toda la población [11]. Sin embargo, la exhaustividad en la captura de datos no es el objetivo de Big Data. Todo proyecto de Big Data se guía en un interés claro por parte de la organización o individuo que requiere solucionar, o al menos esclarecer, un problema dado.

 A manera de conclusión, Big Data no es una simple tecnología ni es solo un concepto integrado de tecnologías. Big Data es un proceso económico, ambiental y tecnológico que permite a cualquier organización mejorar su impacto humano, ambiental y productivo tomando decisiones informadas acerca de sus procesos internos y de su influencia desde y hacia su contexto.

Referencias

[1] Tomar, L., Guicheney, W., Kyarisiima, H., Zimani, T., Roseth, B., & Acevedo, S. (2016). Big Data in the Public Sector. Inter_Amercian Developmnet Bank. 

[2] Vijaylakshmi, S., & Priyadarshini, J. (2015). Big data analysis based on mathematical model: A comprehensive survey. J. Eng. Appl. Sci., 10(5), 2103-2107. 

[3] Oussous, A., Benjelloun, F. Z., Lahcen, A. A., & Belfkih, S. (2018). Big Data technologies: A survey. Journal of King Saud University-Computer and Information Sciences, 30(4), 431-448. 

[4] Emani, C. K., Cullot, N., & Nicolle, C. (2015). Understandable big data: a survey. Computer science review, 17, 70-81. 

[5] Japec, L., Kreuter, F., Berg, M., Biemer, P., Decker, P., Lampe, C., … & Usher, A. (2015). Big data in survey research: AAPOR task force report. Public Opinion Quarterly, 79(4), 839-880. 

[6] Taylor, S. (2013). “Real Scientists Make Their Own Data.” Sean J. Taylor Blog, January 25, 2020. Available at https://bit.ly/3cxJPqi.   

[7] Mitchell, T. (1997). Machine Learning. New York: McGrawHill. 

[8] Wamba, S. F., Akter, S., Trinchera, L., & De Bourmont, M. (2019). Turning information quality into firm performance in the big data economy. Management Decision.

[9] Tseng, M. L., Tan, R. R., Chiu, A. S., Chien, C. F., & Kuo, T. C. (2018). Circular economy meets industry 4.0: can big data drive industrial symbiosis? Resources, Conservation and Recycling131, 146-147. 

[10] Farboodi, M., & Veldkamp, L. (2021). A Growth Model of the Data Economy (No. w28427). National Bureau of Economic Research. Mars 30, 2021. Available at https://bit.ly/3sOay7P. 

[11] Amoore, L., & Piotukh, V. (2015). Life beyond big data: Governing with little analytics. Economy and Society44(3), 341-366. 

[12] Hassani, H., Huang, X., & Silva, E. (2019). Big Data and climate change. Big Data and Cognitive Computing, 3(1), 12.

¿Quieres suscribirte a nuestro boletin mensual?

Si deseas recibir información de alto valor, puedes dejarnos tus datos y te enviaremos mensualmente nuestro boletín informativo con todas las noticias relacionadas a ciencia, economía, sociedad y tecnología.

Read More

Cuantificación y Adicionalidad del Carbono

¿Cómo cuantificar y demostrar la adicionalidad en un proyecto de carbono?

En la entrada anterior de nuestra serie Mercados de Carbono habíamos definido el ciclo de un proyecto, los cinco pasos básicos para su registro -en base al estándar VCS y habíamos definido la adicionalidad que, según la Norma ISO 14064-2:2019, se refiere a “(…) Las reducciones de emisiones/aumentos de remociones de GEI causados por un proyecto de GEI se pueden describir como adicionales si son mayores en cantidad que el volumen de las reducciones de emisiones/aumentos de remociones de GEI que hubieran ocurrido en ausencia del proyecto”.

En esta entrada vamos a ejemplificar el cálculo de la adicionalidad y los escenarios que son necesarios definir para ello.

¿Cómo se originan los “beneficios” de carbono de un proyecto?

Primero recordemos que un proyecto es un conjunto de actividades que busca obtener un conjunto de resultados específicos. En un proyecto de carbono, el conjunto de actividades planificadas tiene por objeto evitar las emisiones de CO2 o capturarlas. Esta reducción de emisiones o aumento de remociones son, teóricamente, proporcionales al conjunto de actividades que se propone en el proyecto y, por supuesto, tienen un costo en el tiempo.

Cuantificación de Carbono

¿Cómo se distinguen los “beneficios” de carbono entre proyectos/escenarios?

Un diferente conjunto de actividades (incluso en un mismo ecosistema), supone un costo diferente y unos beneficios diferentes; es decir, escenarios diferentes. Pensemos en un proyecto con un conjunto de X actividades cuyo (potencial) costo es Y que (pretende) generar Z beneficios. El triple X, Y, Z es, entonces, un escenario. Un mismo proyecto podría tener diferentes escenarios si se definen diferentes conjuntos de actividades, costos y resultados/beneficios dentro del mismo. Sin embargo, para efectos de conceptualización y evitar confusiones utilizaremos el término proyecto para referirnos a un conjunto de acciones, costos y beneficios; por lo que un proyecto, en esta entrada, es un escenario.

Cuantificación de Carbono
Registro de un proyecto de carbono

La cuantificación de la adicionalidad de un proyecto depende de, al menos, tres escenarios. El primero es un escenario actual BASE, un estado del lugar de intervención antes del proyecto. El segundo es un escenario de línea base Business as Usual, BAU -por sus siglas en inglés-, que consiste en una estimación de cómo reaccionaría el escenario BASE en ausencia de intervención del proyecto de carbono. El tercero es un escenario del proyecto Sustainable Ecosystem Management, SEM -por sus siglas en inglés-, que engloba como se desarrollaría el escenario BASE con la intervención del proyecto de carbono. La relación causa y efecto se determina entre los escenarios BAU (Business as Usual) y SEM (Sustainable Ecosystem Management).

Cuantificación de Carbono
Los beneficios de carbono dependen del ecosistema donde se desarrolla, del estado inicial del lugar de intervención o, incluso, del tipo de programa o estándar que se utilice para calcularlos. Imaginemos un proyecto de carbono de conservación y restauración de ecosistemas con varios usos de suelo S_i , donde cada ecosistema -y uso de suelo- tiene tasas diferentes de captura -o almacenamiento- de carbono r_i pára los escenarios BAU y SEM.
¿Cómo se cuantifica la adicionalidad?
Supongamos que en la extensión territorial de este proyecto existen S_i tipos de ecosistema o usos de suelo donde i= 1,…,k. Cada uno de estos tiene una tasa de captura o almacenamiento de carbono en donde r_i1 representa la tasa de captura o almacenamiento en un escenario BAU y r_i2 en un escenario SEM. La adicionalidad se obtiene, en nuestro ejemplo, por la suma de las diferencias de las tasas de captura de carbono en cada ecosistema o usos de suelo presentes en los escenarios.

No obstante, los escenarios BAU y SEM no son los únicos que pueden formularse. De hecho, el mecanismo para la demostración y evaluación de adicionalidad en la verificación de carbono voluntaria sobre actividades de agricultura, forestación y usos de suelo de la herramienta VCS-VT0001 que vimos en la entrada pasada recomienda diseñar varios escenarios que recojan los potenciales riesgos, barreras y sensibilidades relacionadas con las actividades del proyecto de carbono. Además, cada escenario debe apegarse a la realidad y ser conservador en los potenciales resultados, pues el verificador podría invalidar la adicionalidad del proyecto si considera que los beneficios de carbono están sobrevalorados.

¿Cómo podemos demostrar la adicionalidad?

La adicionalidad en la herramienta VCS-VT0001 debe ser demostrada mediante la aplicación de los siguientes pasos:

Identificación de escenarios de uso de suelo alternativos a la actividad del proyecto AFOLU;
Análisis de inversión para determinar que la actividad del proyecto propuesto no es la más atractiva económica o financieramente de los escenarios de uso de la tierra alternativos identificados; o,
Análisis de barreras; y

Análisis de prácticas comunes.

El PASO 2 es particularmente importante y es lo que diferencia el concepto de adicionalidad de la norma ISO pues implica que un proyecto de carbono es considerado adicional sí -y solo sí- es menos atractivo que cualquier otra actividad que pueda desarrollarse en lugar del proyecto de carbono. Además de los beneficios de carbono, la adicionalidad se expresa con la diferencia entre el rendimiento financiero del proyecto (“atractivo”), que debe ser menor que, aquel que se alcanzaría con un escenario alternativo completamente ajeno al proyecto de carbono (por ejemplo, un escenario de explotación agrícola).

Para comparar el rendimiento económico o financiero de un proyecto y sus alternativas, se recomienda utilizar indicadores tales como el Valor Actual Neto (VAN), la Tasa Interna de Retorno (TIR) y el Retorno sobre la inversión (ROI).

¿Quieres saber más sobre los indicadores financieros de un proyecto de carbono?

En la próxima entrada abordaremos el cálculo de los indicadores financieros que nos permiten demostrar la adicionalidad de un proyecto de carbono.

¿Estás diseñando un proyecto de carbono para desbloquear los recursos provenientes del financiamiento climático? ¿O te interesa hacerlo?


Contáctanos 

¿Quieres suscribirte a nuestro boletin mensual?

Si deseas recibir información de alto valor, puedes dejarnos tus datos y te enviaremos mensualmente nuestro boletín informativo con todas las noticias relacionadas a ciencia, economía, sociedad y tecnología.

Read More