Análisis de datos y MEAL: hojas de cálculo, datos cualitativos y control de los cálculos

1Lo que la IA aporta al MEAL

Los equipos MEAL dedican mucho tiempo a tareas repetitivas: limpiar archivos, escribir fórmulas, producir tablas, codificar respuestas abiertas, redactar síntesis. La IA puede acelerar estas tareas:

• Fórmulas y scripts: escribir una fórmula de hoja de cálculo (BUSCARX, CONTAR.SI.CONJUNTO, tablas dinámicas), un script de Python o R, una consulta en una herramienta de recogida de datos, y explicarlos línea por línea.
• Análisis de archivos: Claude y Gemini pueden leer un archivo CSV o Excel, ejecutar cálculos en un entorno de código y producir tablas o gráficos (según la versión y el plan).
• Datos cualitativos: proponer una rejilla de codificación, codificar respuestas, agrupar por tema, extraer citas representativas.
• Redacción: transformar resultados en hallazgos y luego en recomendaciones.

Pero los datos MEAL son a menudo personales (listas de hogares, encuestas nominativas). Se aplica la regla de la semana 3: solo datos anonimizados y agregados, o trabajo sobre una muestra ficticia con la misma estructura.

2Fórmulas y scripts: el método de los datos ficticios

Método seguro y eficaz para automatizar un análisis sin exponer datos:

• 1. Describa la estructura de su archivo (nombres de las columnas, tipos, ejemplos de valores inventados) o cree 10 filas ficticias con la misma estructura.
• 2. Pida la fórmula o el script: «Escribe una fórmula que cuente el número de hogares encabezados por una mujer que hayan recibido al menos 2 distribuciones, por distrito».
• 3. Pruebe con los datos ficticios, donde usted conoce el resultado correcto.
• 4. Aplique a sus datos reales, en su hoja de cálculo o en su ordenador.
• 5. Controle con un cálculo independiente (filtro manual, tabla dinámica).

Con Gemini en Google Sheets o las funciones de IA de otras hojas de cálculo, la IA actúa directamente en el archivo: compruebe entonces que el plan es profesional y está autorizado para esos datos.

La IA escribe la fórmula, usted la ejecuta con sus datos, usted verifica el resultado. Los datos personales no salen de sus herramientas.

3Controlar los cálculos y las estadísticas

Los modelos de lenguaje pueden equivocarse en el cálculo mental, sobre todo en series largas. Cuando el asistente ejecuta realmente código, los cálculos son fiables, pero la interpretación puede ser errónea. Controles indispensables:

• Denominadores: ¿porcentaje de qué? ¿De los encuestados que respondieron, de los hogares encuestados, de la población meta? ¿Se excluyen las respuestas que faltan?
• Muestra: un resultado sobre 250 hogares encuestados no vale para toda la población sin un método de muestreo adecuado. Pida el margen de error.
• Media o mediana: para ingresos o gastos, unos pocos valores extremos falsean la media.
• Correlación no es causalidad: «los hogares que recibieron la ayuda tienen una mejor puntuación de consumo de alimentos» no prueba que la ayuda sea la causa sin un grupo de comparación.
• Desagregación: sexo, edad, discapacidad, distrito; compruebe que los subtotales suman el total.

Cálculo. Muestra aleatoria simple de 384 hogares: margen de error de aproximadamente ±5 % con un nivel de confianza del 95 % para una proporción cercana al 50 %. Si la IA anuncia «el 62 % de los hogares de la provincia» a partir de 60 hogares elegidos por conveniencia, la conclusión no es representativa: hay que decirlo.

4Datos cualitativos: rigor y trazabilidad

Para transcripciones de grupos focales o retroalimentación de las comunidades (anonimizadas):

• Rejilla de codificación: pida una propuesta a partir de sus preguntas de evaluación y luego valídela en equipo.
• Codificación: haga codificar los extractos con la rejilla validada, exigiendo para cada tema el número de extractos y dos o tres citas exactas con su referencia (grupo, lugar anonimizado).
• Control: vuelva a codificar usted mismo una muestra (por ejemplo el 20 %) y compare. Si la concordancia es baja, revise la rejilla o la instrucción.
• Matices: pida explícitamente las opiniones minoritarias y contradictorias; la IA tiende a resumir hacia la mayoría.
• Citas: compruebe que cada cita existe palabra por palabra en la fuente; una cita reformulada no debe presentarse entre comillas.

NotebookLM o un Proyecto de Claude con las transcripciones como fuentes facilitan este trabajo, con respuestas vinculadas a los pasajes fuente.

5Mecanismos de retroalimentación y de quejas

Los mecanismos de retroalimentación y de quejas reciben a veces cientos de mensajes (líneas telefónicas, SMS, buzones, aplicaciones de mensajería). La IA puede ayudar a:

• proponer categorías (información, solicitud de ayuda, queja sobre la calidad, queja sensible);
• resumir las tendencias mensuales a partir de datos agregados y anonimizados;
• redactar respuestas tipo validadas.

Límites estrictos:

• las quejas sensibles (explotación y abuso sexuales, fraude, seguridad) siguen un circuito humano confidencial y nunca pasan por un asistente de IA;
• la clasificación automática de un mensaje nunca debe retrasar el tratamiento de una queja grave: una persona lee los mensajes entrantes;
• las personas deben saber cómo se tratan sus mensajes.

6De los resultados a las recomendaciones

La etapa más delicada de una evaluación es el paso de los datos a los hallazgos y luego a las recomendaciones. La IA puede proponer una estructura clara (hallazgo, evidencias, conclusión, recomendación, responsable, plazo), pero:

• cada hallazgo debe estar respaldado por al menos dos fuentes o métodos (triangulación);
• las recomendaciones deben ser realistas para la organización: presupuesto, capacidades, calendario;
• los criterios de evaluación (por ejemplo los criterios del CAD de la OCDE: pertinencia, coherencia, eficacia, eficiencia, impacto, sostenibilidad) estructuran el análisis.

Pida después una crítica: «¿Qué conclusiones de este informe no están suficientemente respaldadas por los datos presentados?». Esta revisión adversa mejora claramente la calidad.