Thick Data para la Seguridad y Salud Laboral: la importancia del “por qué”

Tiempo de lectura: 3 minutos

Cada segundo que pasa, desde que has empezado a leer este post, se escriben más de 2'6 millones de correos electrónicos, se llevan a cabo más de 63000 búsquedas en Google, se realizan cerca de 3000 llamadas por Skype o se publican alrededor de 7800 tweets.

Cada segundo que pasa, desde que has empezado a leer este post, se escriben más de 2'6 millones de correos electrónicos, se llevan a cabo más de 63000 búsquedas en Google, se realizan cerca de 3000 llamadas por Skype o se publican alrededor de 7800 tweets.

 Escucha la lectura de este artículo

 

Cada segundo que pasa, desde que has empezado a leer este post, se escriben más de 2’6 millones de correos electrónicos, se llevan a cabo más de 63000 búsquedas en Google, se realizan cerca de 3000 llamadas por Skype o se publican alrededor de 7800 tweets. (Puedes ver estas estadísticas en vivo aquí)

Por ello, de un tiempo a esta parte se viene hablando de la importancia de filtrar, explotar y estructurar los datos que se recopilan constantemente, para convertirlos en información valiosa a través del Big Data. Un concepto del que nuestro compañero Rubén Fernández ya habló en su post “Bienvenidos a la era del Big Data”, publicado en este mismo blog.

El Big Data se apoya, fundamentalmente, en el Análisis Predictivo (PA), el cual permite descubrir correlaciones, patrones y tendencias significativas, filtrando y depurando grandes volúmenes de datos, a través de modelos estadísticos y matemáticos, así como técnicas de reconocimiento de comportamiento.

Su capacidad para conectar informaciones aparentemente inconexas y dotarlas de valor, supone un gran potencial que hace que estén cada vez más presentes en organizaciones empresariales de cualquier sector, ya sea en un departamento concreto de la empresa, o de manera transversal. Así que, cómo no relacionarlo también con la Seguridad y Salud en el ámbito laboral.

 

“Predicción de Riesgos Laborales”

En otro interesante artículo, publicado aquí por Alberto Sánz, se hablaba precisamente del vínculo entre el Análisis Predictivo de datos y la Prevención de Riesgos Laborales, concretamente, se hacía mención a la capacidad de “predicción de accidentes laborales”.

Lo cierto es que esa hipótesis aparentemente futurista, es ya una realidad vigente que no escapa a lo que acontece en otros sectores. Existen numerosas investigaciones y estudios que apoyan la potencialidad de esta herramienta para predecir un accidente y, así, tomar las decisiones oportunas y dotar de los recursos técnicos y humanos necesarios para prevenirlo.

 

¿Es esto suficiente?

La realidad es que a pesar de su enorme potencial y su capacidad para ayudarnos a tomar decisiones, el Big Data, con sus cifras, datos masivos y la enorme cantidad y variedad de conexiones entre sí, permite explicar qué ocurre, cuándo y cómo, pero no el POR QUÉ. Es decir, no explica las razones de fondo, el por qué las personas hacen lo que hacen, aquello que determina sus preferencias y comportamientos, o lo que es lo mismo, el principal foco de interés sobre el que deberíamos actuar.

Es en ese punto donde entra en juego la imperiosa necesidad de aportar significado e “historia” a esa información, donde se antoja fundamental comprender por qué se generan esos patrones, tendencias o pautas de comportamiento que nos indica el Big Data.

 

Thick Data: la importancia del contexo

Para ello, surge un enfoque cualitativo, complementario al tratamiento masivo de datos, denominado Thick Data. Este concepto, acuñado por la popular antropóloga Tricia Wang, permite cubrir el vacío del Big Data, apoyándose en métodos de investigación etnográficos (observación participante, entrevistas…) que ponen de manifiesto las emociones, motivaciones y modelos, que aportan significado y valor a la información cuantitativa, sobre la que trabaja el análisis predictivo de los datos que marcará la probabilidad de que surja un accidente o un incidente.

Solo combinando ambas herramientas, podremos acceder a una imagen completa de la situación, y comprender en profundidad su significado para sentar las bases de la solución. Ambas herramientas son complementarias y representan 2 maneras diferentes de entender la misma realidad. Mientras el Big Data aporta información valiosa basada en el análisis de una enorme muestra de datos, el Thick Data debe aportar significado, a través de la etnografía, y servir para contrastar esa información y conocer las causas reales de por qué se actúa de una determinada manera u otra.

En definitiva, el Thick Data ha venido para quedarse y ampliar el potencial del Big Data, como herramienta clave para la toma de decisiones. El éxito no está solo en ser capaces de predecir un accidente o un incidente y con esa información, prevenirlo, sino en comprender detalladamente el por qué de ciertos hábitos o pautas de comportamiento en su contexto, para conseguir el verdadero cambio, aquel que permite eliminar o, al menos, minimizar las situaciones y los actos inseguros que puedan derivar en una situación de riesgo.

Si queréis leer más acerca de la relación entre comportamientos y accidentes en las organizaciones, os invitamos a leer el post “De la SBC a la SBO”, de nuestra compañera Placer Vieco.

Contacta con nosotros

TAMBIÉN TE PUEDE INTERESAR

¿Quieres saber más sobre Cultura de Seguridad?

¿Quieres saber más sobre Cultura de Seguridad?

Close Popup

Usamos cookies para mejorar la experiencia de usuario. Al aceptar el uso de cookies está de acuerdo con nuestra política de cookies.

Close Popup
Privacy Settings saved!
Configuracion de Privacidad

Cuando visita cualquier sitio web, puede almacenar o recuperar información en su navegador, principalmente en forma de cookies. Controle sus Servicios de cookies personales aquí.

Estas cookies son necesarias para que el sitio web funcione y no se pueden desactivar en nuestros sistemas.

Cookies técnicas
Para utilizar este sitio web utilizamos las siguientes cookies requeridas técnicamente.
  • wordpress_test_cookie
  • wordpress_logged_in_
  • wordpress_sec
  • euconsent
  • euconsent-v2
  • googleConsent
  • userld
  • devicePixelRatio
  • dfpestid
  • _stidv

Guardar
Acepto todos los servicios
Open Privacy settings