Datos: de la necesidad de información a una base depurada

1El ciclo de la gestión de la información

1. Necesidades de información: ¿qué decisiones deben tomarse, quién debe tomarlas y qué información las sustenta?
2. Recopilación: primero datos secundarios (lo que ya existe) y, después, datos primarios si es necesario.
3. Procesamiento: introducción, depuración, estructuración, almacenamiento seguro.
4. Análisis: tendencias, comparaciones, brechas, severidad.
5. Difusión: tableros de control, mapas, 4W, notas de síntesis, al público adecuado y en el momento adecuado.
6. Retroalimentación: ¿se utilizan los productos? Se hacen ajustes.

El primer reflejo: no recopilar lo que no se va a utilizar. Cada pregunta le cuesta tiempo a las personas entrevistadas y crea un riesgo para sus datos.

2Los datos de referencia

• Códigos P (P-codes): códigos únicos para cada unidad administrativa (región, distrito, municipio) y, a veces, para las localidades. Evitan los errores ortográficos y permiten vincular las bases de datos entre sí.
• Conjuntos de datos operacionales comunes (COD): límites administrativos y cifras de población de referencia validados para el país, publicados en particular en HDX (Humanitarian Data Exchange, plataforma de OCHA).
• Normas de datos: por ejemplo, las etiquetas HXL (Humanitarian Exchange Language) que se añaden bajo los encabezados de las tablas para facilitar el intercambio.

Utilice siempre los mismos códigos y la misma versión de los límites que el clúster y OCHA; de lo contrario, los datos no se pueden combinar.

3Recopilación móvil y calidad

• Herramientas habituales: KoboToolbox y ODK (formularios en el teléfono, sin conexión), con restricciones de entrada (listas, límites, campos obligatorios) que evitan los errores en origen.
• Probar el formulario antes de ir al terreno, capacitar a los encuestadores, prever la traducción de las preguntas.
• Consentimiento informado al inicio del cuestionario y coordenadas GPS solo si son necesarias.

4Depurar los datos

Antes de cualquier análisis: un registro de depuración que deja constancia de cada modificación (nunca correcciones silenciosas en la base original).

• Duplicados (el mismo hogar registrado dos veces).
• Valores atípicos (un hogar de 45 personas, una edad de 150 años).
• Incoherencias (un niño de 3 años casado, gastos superiores a los ingresos declarados sin explicación).
• Entrevistas demasiado cortas o realizadas fuera del horario previsto.
• Nombres de lugares armonizados con los códigos P.

5Partir de las decisiones: matriz de necesidades de información y revisión de datos secundarios

La mayoría de los fracasos en gestión de la información no se deben a una mala herramienta, sino a una recopilación lanzada sin saber a qué decisión debe servir. El resultado es conocido: un cuestionario de 180 preguntas, una base de datos que nadie analiza por completo y un informe publicado demasiado tarde para influir en la planificación. El método que sigue, utilizado por los equipos de gestión de la información de los clústeres y de las grandes ONG, vincula cada dato a una decisión.

Paso 1: inventariar las decisiones (día 1, de 2 a 3 horas)

El oficial de gestión de la información (IMO) reúne, o entrevista por separado, a las personas que toman las decisiones: coordinador del clúster o jefe de misión, responsables de programas, logista, responsable de seguridad y, a veces, el donante. A cada una le plantea tres preguntas: ¿qué decisión debe tomar en los próximos tres meses? ¿en qué fecha? ¿qué le falta para tomarla? Las respuestas típicas son: dónde preposicionar existencias, qué municipios priorizar, qué valor de transferencia fijar, qué modalidad elegir, dónde abrir una clínica móvil.

Paso 2: construir la matriz de necesidades de información

Cada decisión se desglosa en preguntas de análisis, luego en indicadores y luego en fuentes. La matriz se convierte en el contrato entre el equipo de gestión de la información y los usuarios: lo que no figura en ella no se recopila.

Prueba de pertinencia: para cada pregunta del futuro cuestionario, el IMO debe poder señalar la fila de la matriz a la que alimenta. Una pregunta que no corresponde a ninguna fila se suprime, por mucho que insista su autor.

Paso 3: la revisión de datos secundarios (SDR)

Antes de cualquier recopilación primaria, se reúne y analiza lo que ya existe. En una emergencia de aparición súbita, la Evaluación Inicial Rápida Multisectorial (MIRA) del IASC prevé un primer análisis basado sobre todo en datos secundarios en las primeras 72 horas, y después un informe consolidado en un plazo de dos semanas. En las crisis prolongadas, la revisión de datos secundarios precede a cada ciclo de planificación y alimenta el Panorama de Necesidades Humanitarias.

1. Definir el marco de análisis: retomar las preguntas de la matriz y organizarlas por sector y por zona. Este marco servirá de cuadrícula de clasificación.
2. Buscar sistemáticamente: HDX, ReliefWeb, informes del clúster, análisis de la CIF o del Cadre Harmonisé, encuestas nutricionales SMART, Matriz de Seguimiento de Desplazamientos (DTM) de la OIM, evaluaciones multisectoriales de necesidades (MSNA), datos de los ministerios, censos, informes verificados de la prensa local.
3. Extraer y clasificar: cada información se registra en una tabla con la fuente, la fecha de recopilación (y no de publicación), la zona, el método y un nivel de fiabilidad.
4. Evaluar la fiabilidad: fuente conocida y metodología publicada, muestra representativa o no, fecha reciente o no, coherencia con otras fuentes.
5. Identificar las brechas: las casillas vacías del marco de análisis justifican la recopilación primaria, y solo ellas.

Quién hace qué

• IMO: dinamiza la matriz, dirige la revisión de datos secundarios, propone las fuentes y los métodos.
• Responsables sectoriales: validan los indicadores y los umbrales técnicos (por ejemplo, 15 litros por persona y por día como referencia de Esfera para el agua en situaciones de emergencia).
• Responsables de la toma de decisiones: validan la matriz y se comprometen con las fechas de uso de los productos.
• Responsable de protección de datos o punto focal: verifica que los datos personales previstos sean necesarios.

6Los datos de referencia en la práctica: códigos P, COD y tablas de correspondencia

Los datos de referencia son lo que permite combinar la base de datos de una ONG, el 4W del clúster, la población de referencia y un mapa. Ignorarlos equivale a producir cifras que no se pueden sumar con nada. Las directrices del IASC sobre los conjuntos de datos operativos comunes (COD) distinguen dos familias esenciales y conjuntos de datos complementarios.

Los conjuntos de datos operativos comunes

Cómo se construye un código P

Un código P es un identificador jerárquico: el código de un municipio contiene el de su distrito, que a su vez contiene el de su región. En el país ficticio de Valdorie, la región de Haut-Lisse lleva el código VD03, el distrito de Morane VD0302 y el municipio de Kessa VD030205. Esta estructura permite subir un nivel por simple truncamiento y verificar automáticamente que un municipio pertenece efectivamente al distrito declarado.

Un nombre de lugar nunca es un identificador. El mismo municipio puede escribirse Kessa, Késsa, Kessah o Kesa según el encuestador, y dos municipios de regiones diferentes pueden llevar el mismo nombre. Solo el código P establece el vínculo sin ambigüedad.

Procedimiento de trabajo con los datos de referencia

1. Descargar la versión vigente en HDX y anotar su identificador de versión y su fecha en el diccionario de datos del proyecto.
2. Verificar la alineación con el clúster: el grupo de trabajo sobre gestión de la información (IMWG) que dirige OCHA indica la versión oficial. Una ONG que utilice una versión anterior verá «desaparecer» sus municipios en la consolidación.
3. Construir la lista de opciones del formulario de recopilación directamente a partir del archivo COD, en cascada (región, luego distrito filtrado por región, luego municipio filtrado por distrito), con el código P como valor almacenado y el nombre como etiqueta mostrada.
4. Crear una tabla de correspondencia para los datos históricos o externos: nombre tal como aparece escrito en la fuente, código P asignado, método de asignación, persona que lo validó.
5. Gestionar los cambios: cuando el gobierno crea un nuevo municipio, se conserva la tabla de correspondencia entre la antigua y la nueva división para que las series temporales sigan siendo comparables.

Ejemplo de tabla de correspondencia

Las etiquetas HXL en la práctica

El Lenguaje de Intercambio Humanitario (HXL) añade una fila de etiquetas debajo de los encabezados de una tabla. Los encabezados siguen siendo libres (en español, en árabe, abreviados), pero las etiquetas son estándar, lo que permite a las herramientas reconocer automáticamente las columnas. Ejemplos habituales: #adm1+name y #adm1+code para la región, #adm2+code para el distrito, #org para la organización, #sector para el sector, #activity para la actividad, #targeted y #reached para las personas destinatarias y alcanzadas, con atributos como +f, +m, +children o +adults para la desagregación, y #date para la fecha. Un 4W etiquetado en HXL puede fusionarse con la población COD en pocos minutos para calcular una cobertura.

Población de referencia y denominadores

El denominador es la fuente de error más frecuente en los productos humanitarios. El COD-PS proporciona una población residente proyectada, a menudo a partir de un censo antiguo; no siempre incluye a las personas desplazadas. Para una tasa de cobertura, hay que precisar si el denominador es la población total, la población con necesidades (cifra del plan de respuesta) o la población destinataria. Una cobertura del 120 % casi siempre indica un denominador inadecuado o un doble conteo, rara vez un éxito.

7Diseñar, probar y desplegar un formulario de recopilación móvil

KoboToolbox y ODK se basan en el mismo formato, XLSForm: un libro con una hoja survey (las preguntas), una hoja choices (las listas de respuestas) y una hoja settings (título, identificador, versión). Dominar XLSForm directamente, en lugar del editor gráfico, permite construir formularios robustos, versionados y revisados por un par.

Las columnas que marcan la calidad

Los metadatos que deben activarse sistemáticamente

• start y end: hora de inicio y de fin, indispensables para controlar la duración de las entrevistas.
• today, deviceid y un identificador de encuestador elegido de una lista (nunca introducido libremente).
• audit: archivo de registro que guarda el tiempo dedicado a cada pregunta; permite detectar las preguntas saltadas en pocos segundos o las entrevistas fabricadas.
• Un campo de consentimiento al principio, con fin del formulario si la persona se niega.

Tamaño de la muestra: el cálculo que hay que saber rehacer

Para estimar una proporción en una población, la fórmula básica es n = z² × p × (1 − p) / e², donde z vale 1,96 para un nivel de confianza del 95 %, p es la proporción esperada (0,5 si no se conoce, lo que maximiza n) y e el margen de error. Con un 95 % de confianza y un margen del 5 %, n = 384. Con un margen del 10 %, n = 96. A continuación se aplican:

• la corrección por población finita si la población es pequeña: n corregido = n / (1 + (n − 1) / N). Para un sitio de 1200 hogares, 384 pasa a ser 291;
• el efecto de diseño en caso de muestreo por conglomerados (a menudo de 1,5 a 2): se multiplica n;
• un margen para la falta de respuesta (a menudo del 5 al 10 %);
• el cálculo por estrato: si se quieren resultados representativos por municipio y por situación (desplazados, comunidades de acogida), cada estrato debe tener su propio tamaño de muestra. Esto es lo que dispara los presupuestos: hay que decidir con los usuarios qué niveles de desagregación son realmente necesarios.

Protocolo de prueba en cuatro etapas

1. Revisión técnica por un segundo IMO: nombres de variables, restricciones, saltos, listas, traducciones. Hay que contar de 2 a 4 horas para un formulario de 60 preguntas.
2. Prueba en oficina: rellenar el formulario de 20 a 30 veces con escenarios extremos (hogar de una persona, hogar de 18 personas, negativa de consentimiento, persona con discapacidad), y después descargar los datos y verificar que la base sale con la estructura esperada.
3. Piloto sobre el terreno: de 10 a 20 entrevistas reales fuera de la muestra, realizadas por los propios encuestadores. Se mide la duración real y se anotan las preguntas mal comprendidas y las categorías que faltan (un «otro» que aparece con frecuencia).
4. Congelación de la versión: el formulario se publica con un número de versión; toda modificación posterior se registra y se comunica, ya que cambia la estructura de la base de datos.

Capacitación de los encuestadores: contenido mínimo

De dos a tres días para una encuesta multisectorial, un día para un seguimiento sencillo. El programa abarca el objetivo de la encuesta y el uso de los datos, la lectura pregunta por pregunta con la definición de cada término (¿qué es un hogar? ¿quién es el cabeza de hogar?), la técnica de entrevista y el consentimiento, los principios de protección (no hacer preguntas sobre la violencia sin una formación específica, saber derivar a un servicio), el manejo del teléfono y el envío de los datos, y una jornada de práctica en parejas con corrección. Una prueba escrita al final de la capacitación permite retener solo a los encuestadores que dominan las definiciones.

El costo de una pregunta adicional no es nulo: en 800 entrevistas, un minuto más representa más de 13 horas de encuesta, y cada minuto por encima de los 45 a 60 minutos degrada la calidad de las respuestas.

8Ejemplo completo: una evaluación multisectorial desde la base bruta hasta la base depurada

Contexto ficticio: tras unos enfrentamientos, unos 9400 hogares desplazados se han instalado en tres municipios del distrito de Morane (Valdorie): Kessa, Lounda y Tarbé, en sitios y con familias de acogida. El clúster solicita una evaluación multisectorial para la planificación del trimestre. La ONG ficticia «Solidarité Haut-Lisse» se encarga de la recopilación, con 16 encuestadores, 2 supervisores y una IMO.

1. Matriz y muestra

La matriz retiene 41 indicadores (frente a 112 en la primera versión propuesta por los sectores). Los usuarios piden resultados por municipio y por situación (desplazados en sitios, desplazados en familias de acogida, población de acogida), es decir, 9 estratos. Con un 95 % de confianza y un 10 % de margen, se necesitan 96 entrevistas por estrato, redondeadas a 100 con el margen de falta de respuesta, es decir, 900 entrevistas. Por falta de presupuesto, la población de acogida de Tarbé, poco afectada según la revisión de datos secundarios, se cubre con un único estrato común con Lounda: 8 estratos, 800 entrevistas previstas.

2. Recopilación

Duración media medida en el piloto: 38 minutos. Cada pareja realiza de 8 a 10 entrevistas al día; la recopilación dura 6 días. Los datos se envían cada noche; la IMO ejecuta los controles diarios antes de las 9 de la mañana y transmite a los supervisores la lista de entrevistas que deben verificarse, que estos tratan el mismo día mientras los equipos siguen en la zona.

3. Resultados de los controles

4. Extracto del registro de depuración

5. Balance y decisiones

De 836 entrevistas recibidas (los equipos superaron ligeramente el objetivo), se suprimen 36 (24 por duración, 9 duplicados de envío, 3 duplicados probables): la base depurada cuenta con 800 entrevistas. El estrato «desplazados en familias de acogida, Lounda» solo alcanza 87 entrevistas tras la depuración: sus resultados se publicarán con un margen de error más amplio, indicado explícitamente. El encuestador responsable de las 19 entrevistas demasiado cortas es retirado del equipo; sus otras 41 entrevistas se controlan en su totalidad mediante una llamada telefónica de verificación a una muestra de 10, de las cuales 8 se confirman.

La base se entrega en tres archivos: la base bruta (nunca modificada, acceso restringido), la base depurada (sin nombres ni teléfonos, códigos P verificados) y el registro de depuración, acompañados de un diccionario de datos y de una nota metodológica de una página que menciona las limitaciones (zonas no accesibles en Tarbé-Est, probable subdeclaración de los ingresos).

9Estructurar y documentar la base de datos: reglas, diccionario y controles diarios

Una base depurada no es solo una base sin errores: es una base que otra persona puede retomar, comprender y volver a analizar seis meses después sin llamar a su autor. Los evaluadores y los auditores verifican precisamente esta reproducibilidad.

Las reglas de estructura

• Una fila por unidad de observación (hogar, individuo, sitio, distribución), una columna por variable, un valor por celda. Los datos individuales de los miembros del hogar se encuentran en una tabla separada vinculada por el identificador del hogar.
• Identificadores únicos y estables, generados por la herramienta (UUID), nunca construidos a partir del nombre.
• Ni celdas combinadas, ni colores portadores de información, ni totales dentro de la base: los cálculos se hacen en una hoja o un script de análisis separado.
• Códigos coherentes para los valores faltantes: distinguir «no sabe», «se niega a responder» y «no aplica», que no tienen el mismo significado analítico.
• Fechas en formato ISO (año-mes-día), que se ordenan correctamente y evitan las inversiones entre día y mes de un programa a otro.

El diccionario de datos

La tabla de controles diarios

Durante la recopilación, el IMO elabora cada mañana una tabla por encuestador. Es la herramienta más eficaz para detectar un fraude o un malentendido antes de que contamine toda la base.

El porcentaje de respuestas «no» a las preguntas filtro es un indicador clásico: un encuestador que responde «no» para evitar las subpreguntas acorta la entrevista. Una proximidad anormal entre entrevistas puede revelar entrevistas rellenadas en el mismo lugar.

El circuito de validación

1. El IMO detecta y enumera los casos sospechosos (mañana).
2. El supervisor verifica sobre el terreno o por teléfono (durante el día).
3. El IMO aplica la decisión y la anota en el registro (tarde).
4. Al final de la recopilación, el coordinador de MEAL o el responsable de la evaluación valida el registro y las supresiones, y firma la nota metodológica.

Regla de separación: la base bruta nunca se modifica. Toda transformación se realiza sobre una copia o mediante un script, y cada transformación se documenta. Es la condición para que un auditor pueda reconstruir el camino entre el dato recopilado y la cifra publicada.

10Errores frecuentes, mirada de los donantes y adaptaciones según el contexto

Los errores más frecuentes sobre el terreno

Lo que miran los donantes, los evaluadores y los auditores

• La trazabilidad: ¿se puede vincular cada cifra reportada (personas alcanzadas, resultados de encuesta) con una base de datos y un método? Las verificaciones in situ de donantes como ECHO o los auditores contratados por BHA solicitan habitualmente las listas y las bases de origen de una muestra de indicadores.
• La coherencia entre el informe narrativo, la tabla de seguimiento de indicadores y los datos transmitidos al clúster.
• La desagregación prometida: si la propuesta anuncia datos por sexo, edad y discapacidad, el formulario debe recopilarlos, por ejemplo con el conjunto breve de preguntas del Grupo de Washington sobre Estadísticas de la Discapacidad.
• La protección de datos: base jurídica o consentimiento, acceso limitado, período de conservación. Los acuerdos de financiación recientes incluyen cláusulas de protección de datos cuyo cumplimiento la organización debe ser capaz de demostrar.
• La metodología: tamaño de muestra justificado, limitaciones declaradas, número de entrevistas suprimidas y motivos.

Adaptar según el contexto

En una emergencia, un dato aproximado disponible en el momento oportuno vale más que un dato perfecto disponible demasiado tarde, siempre que se declare claramente su nivel de fiabilidad.

11Preguntas de entrevista y referencias clave

Preguntas de entrevista

1. «Un coordinador le pide que añada 40 preguntas a una evaluación ya lista. ¿Qué hace usted?»

Una buena respuesta no se niega por principio: vuelve a la matriz de necesidades de información, pregunta a qué decisión debe servir cada pregunta, muestra el impacto en la duración y la calidad (un minuto por entrevista multiplicado por la muestra) y propone alternativas: datos secundarios, un módulo específico en una submuestra, una recopilación posterior. Menciona la validación por parte de la persona que toma la decisión.

2. «¿Cómo calcula el tamaño de la muestra para una encuesta de hogares?»

El candidato cita la fórmula, los parámetros (nivel de confianza, margen de error, proporción esperada), la corrección por población finita, el efecto de diseño para los conglomerados, el margen de falta de respuesta y, sobre todo, la cuestión de los estratos: el tamaño se calcula para cada nivel en el que se quieren resultados representativos.

3. «Observa que un encuestador produce entrevistas de 12 minutos cuando la media es de 40. ¿Cómo reacciona?»

La respuesta describe un procedimiento basado en hechos: archivo de auditoría, comparación de los indicadores de calidad, verificación de una muestra mediante llamada o visita, conversación con el encuestador, decisión documentada (capacitación, retirada, supresión de las entrevistas) y reflexión sobre la causa (presión por el número de entrevistas diarias, remuneración a destajo).

4. «¿Por qué utilizar los códigos P en lugar de los nombres de lugares?»

Unicidad, jerarquía, interoperabilidad con el 4W, la población de referencia y los mapas; la respuesta cita la gestión de versiones de los límites administrativos y la tabla de correspondencia.

5. «Explique la diferencia entre una base bruta, una base depurada y un registro de depuración.»

La respuesta explica la separación, la reproducibilidad, los derechos de acceso diferenciados (la base bruta contiene a menudo datos personales) y el valor del registro para los auditores y para los análisis posteriores.

6. «¿Qué datos personales recopilaría para un monitoreo posdistribución?»

El mínimo necesario: identificador del hogar que permita vincularlo con la lista de distribución, eventualmente un teléfono para el control, suprimido después; ningún dato sensible sin justificación. La respuesta menciona el consentimiento y el período de conservación.

Referencias clave

• Operational Guidance for Coordinated Assessments in Humanitarian Crises (Orientaciones operacionales para las evaluaciones coordinadas en crisis humanitarias) y guía de la Evaluación Inicial Rápida Multisectorial (MIRA): IASC.
• IASC Guidelines on Common Operational Datasets in Disaster Preparedness and Response (Directrices del IASC sobre los conjuntos de datos operativos comunes en la preparación y respuesta ante desastres): IASC, con los conjuntos COD publicados por OCHA en HDX.
• Documentación del estándar HXL (Lenguaje de Intercambio Humanitario) y de la herramienta HXL Proxy.
• Documentación de XLSForm y guías de uso de KoboToolbox y de ODK.
• Marco Analítico Conjunto Intersectorial (JIAF): grupo de trabajo mundial del IASC sobre análisis conjunto.
• Metodologías y guías de depuración de datos de las evaluaciones multisectoriales de necesidades (MSNA): REACH e IMPACT Initiatives.
• Guía de ACAPS sobre la revisión de datos secundarios y la evaluación de las fuentes.
• Conjunto breve de preguntas del Grupo de Washington sobre Estadísticas de la Discapacidad.
• Manual Esfera (2018) para los umbrales técnicos sectoriales utilizados en los indicadores.