El Poder del Big Data para el Desarrollo Urbano Sostenible: Un Modelo Colaborativo para Ciudades en América Latina

 

El Poder del Big Data para el Desarrollo Urbano Sostenible: Un Modelo Colaborativo para Ciudades en América Latina

Este documento detalla un proyecto fundamental que busca empoderar a las ciudades de América Latina y el Caribe (ALC) para que utilicen la digitalización y el Big Data en la formulación de políticas públicas más efectivas, mejorando así la calidad de vida de sus ciudadanos en un contexto de rápida y a menudo desordenada urbanización.

1. Visión General del Proyecto y su Propósito Central

El proyecto, denominado "Big Data para el Desarrollo Urbano Sostenible", es un Acuerdo de Cooperación Técnica entre el Banco Interamericano de Desarrollo (BID) y la Fundação Getulio Vargas (FGV). Su objetivo principal es desarrollar un modelo piloto, replicable y escalable de gobernanza de big data para las ciudades participantes. Se sustenta en tres pilares esenciales: Aspectos Institucionales / Políticas Públicas, Aspectos Reglamentarios y Aspectos Tecnológicos / Ciencia de Datos.

2. Componentes Clave del Proyecto para la Implementación de Big Data

El proyecto se estructura en tres componentes principales para abordar de manera integral el uso de datos masivos:

• Mapeo del Ecosistema de Datos y Marcos Regulatorios (Componente I):
  • Realiza un diagnóstico y análisis de la legislación existente para el uso de datos públicos y privados.
  • Lleva a cabo un mapeo y categorización de los datos públicos y privados disponibles en cada ciudad.
  • Incluye la creación y mantenimiento de un sitio web como centro de información del proyecto.
• Desarrollo de Recursos Legales e Institucionales para el Acceso y Análisis de Big Data (Componente II):
  • Se enfoca en la elaboración de un modelo de ley o decreto para la gestión de big data.
  • Promueve la creación de un ambiente con códigos, procedimientos y herramientas para el registro, validación, disponibilidad y procesos de carga de datos.
  • Prevé la capacitación de gestores municipales y la producción de un manual sobre la implementación de políticas reguladoras de uso y apertura de datos.
• Desarrollo de Herramientas de Análisis y Visualización de Datos Masivos y Diseminación (Componente III):
  • Involucra el desarrollo, prueba e implementación de un ambiente de big data (repositorio único) y herramientas de análisis y visualización para los niveles gerenciales y operativos.
  • Ofrece capacitación a los gestores para el uso del ambiente de big data.
  • Finaliza con la producción y diseminación de una publicación que resume las conclusiones del proyecto.

3. Ciudades Participantes y su Ecosistema de Colaboración Regional

Las ciudades que forman parte de este proyecto son São Paulo (Brasil), Montevideo (Uruguay), Quito (Ecuador), Xalapa (México) y Miraflores (Perú). Todas las alcaldías participantes son consideradas de igual importancia para el proyecto. Se promueve un intercambio activo de información y experiencias entre ellas, reconociendo sus distintos niveles de avance en el uso de big data. La gobernanza incluye la participación de miembros del Comité Directivo (CD) de cada ciudad, asegurando un proceso participativo e interactivo.

4. Resultados Tangibles y Entregas del Proyecto

El proyecto ha generado diversas entregas tangibles y actividades clave:

• Sitio Web del Proyecto: Una plataforma en línea que contiene información clave en portugués, español e inglés, y enlaces a los datos abiertos de las ciudades participantes.
• I Encuentro Regional del Proyecto: Celebrado en São Paulo en mayo de 2019, reunió a representantes de las ciudades y expertos para presentar proyectos, discutir beneficios y desafíos en las políticas públicas basadas en evidencia, y abordar aspectos legales, tecnológicos e institucionales.
• Plataforma Ambiente Online de Registro, Validación y Disposición de Datos (AOCD): Un sistema dinámico para la catalogación de fuentes de datos, que permite recibir y disponer información y mapeo de fuentes de las ciudades.
• Inversiones Adicionales: Se estructuró un entorno de captura, almacenamiento y procesamiento de big data específico para las ciudades. Se desarrolló un sistema automatizado de captura de datos en modelo serverless y un sistema de informe semanal automatizado basado en datos de Waze (atascos, inundaciones, agujeros, accidentes, semáforos defectuosos), con potencial de ampliación al acceder a bases de datos municipales. Se proporcionó acceso a la plataforma Amazon Web Services (AWS) a cada ciudad participante, y se realizó un webinar de capacitación para su uso. El proyecto también fue presentado en eventos internacionales.

5. Lecciones Aprendidas y Desafíos en la Implementación

La implementación del proyecto ha permitido identificar importantes lecciones y desafíos:

• Compromiso de las Ciudades: Se observó un fuerte compromiso y colaboración, lo que estimuló un sentido de pertenencia.
• Reuniones Periódicas: Las reuniones con el Comité Directivo (CD) por videoconferencia fueron cruciales para la transmisión de información, orientación y fomento del compromiso.
• Desafíos en la Priorización de la Agenda: Las demandas locales y operativas (ej., inundaciones, crisis, eventos, cambios de políticas o personal) pueden afectar el cronograma o la participación de una ciudad.
• Cambios en los Miembros de los Comités Directivos: Las rotaciones de personal en los CD pueden influir en la participación continua.
• Reuniones Mensuales del Comité Técnico: Son fundamentales para la alineación, discusiones colaborativas y la integración de diferentes áreas de conocimiento.
• Actualización de Bases de Datos: Se evidenció la movilización de las ciudades para actualizar y mejorar la calidad de sus bases de datos, lo cual es vital para el proyecto.
• Diferentes Contextos de las Ciudades: La diversidad en los contextos y niveles de madurez de las ciudades en el uso de datos representa un desafío para la estandarización y adaptación uniforme de los datos y actividades.

6. Análisis y Recomendaciones para la Creación de Equipos de Big Data en Ciudades Específicas

El informe presenta una propuesta de modelo de ley/decreto para la creación de equipos gestores de Big Data en cada ciudad, adaptando las recomendaciones a sus particularidades.

• Estrategia de 5 Pasos para la Creación de un Equipo Gestor de Big Data:

  1. Elaboración y Aprobación de Política de Datos Abiertos: Publicar datos gubernamentales en una plataforma única, automática y periódicamente alimentada, en formatos analizables.
  2. Formación de Asociaciones para Proyectos de Análisis de Datos: Colaborar con la academia y la sociedad civil en proyectos piloto para demostrar el valor del análisis de datos.
  3. Creación de un Equipo de Análisis de Datos por Acto Administrativo: Si es posible sin aumento de gastos ni creación de nuevos cargos, establecer un equipo de análisis de datos mediante un acto administrativo.
  4. Celebración de Asociaciones Público-Privadas para Recolecta y Tratamiento de Big Data: Iniciar proyectos de análisis extensivo de Big Data con el sector privado, asegurando un marco legal que proteja la propiedad, privacidad y seguridad de los datos públicos. La participación de la sociedad civil es crucial para la legitimidad y supervisión de estas reglas.
  5. Creación de un Equipo Gestor de Big Data mediante Instrumento Legislativo: Establecer un equipo gestor de Big Data a través de una ley o instrumento legislativo local para garantizar su permanencia, asignar recursos humanos y técnicos, y fomentar asociaciones más profundas. Generalmente, esto es necesario cuando se crean nuevos puestos o se incrementan los gastos.

• Consideraciones Importantes antes de Implementar el 5º Paso:

  • Verificar si ya existe una política de datos abiertos avanzada.
  • Evaluar si se tienen proyectos de análisis de datos en curso con apoyo externo.
  • Determinar si hay condiciones para alojar un equipo de análisis de datos sin aumentar gastos (mediante un acto administrativo simple).
  • Asegurarse de tener la capacidad para realizar acuerdos público-privados sofisticados con mecanismos de control, incluyendo la sociedad civil.
  • Contar con recursos humanos y financieros adecuados y una alineación clara con otros proyectos de innovación.

7. Panorámica de Implementación por Ciudad

El documento analiza la situación de cada ciudad y propone un camino específico para la implementación de equipos de Big Data:

• Miraflores (Perú): La municipalidad cuenta con autonomía para decidir sobre el desarrollo local. Se recomienda la modificación de la Normativa de Organizaciones y Funciones (ROF) y el Cuadro para Atribución de Personal (CAP) mediante ordenanza para ampliar las funciones de la Gerencia de Sistemas y Tecnologías de la Información, o de la Subgerencia de Racionalización y Estadísticas, incluyendo una "Subgerencia de Apertura y Análisis de Datos". No obstante, debido a limitaciones presupuestarias y de creación de nuevos puestos, a corto plazo se sugieren asociaciones con la academia y el sector privado para proyectos piloto y la firma de una Carta de Intención para fomentar el análisis de datos.
• Montevideo (Uruguay): La ciudad presenta un escenario avanzado con un Departamento de Desarrollo Sostenible e Inteligente y una Gerencia de Tecnología para Ciudades Inteligentes que ya incluye una unidad de análisis de datos. La creación o ampliación de las funciones para integrar Big Data puede realizarse mediante una Resolución del Intendente, lo que implica menos burocracia. Se recomienda ampliar las competencias de esta Gerencia para abarcar el desarrollo de estrategias de Big Data, colaboración interdepartamental, y formación de personal. Se destaca la necesidad de un equipo más multidisciplinario y la importancia de la integración técnica de datos de convenios existentes, como con Waze.
• Quito (Ecuador): Es considerada una "Smart City" con alta penetración de internet y el Sistema Metropolitano de Información. La Dirección de Gestión de la Información es la entidad más adecuada para un equipo de Big Data. La ampliación de sus funciones para incluir Big Data podría realizarse mediante una enmienda a la Ordenanza Metropolitana N.º 101, requiriendo la aprobación del Concejo Metropolitano. Existen desafíos en la alta rotación de personal y la infraestructura tecnológica para un análisis de Big Data a gran escala, a pesar de la buena infraestructura para gestión de datos transaccionales. Un convenio con MINTEL busca proyectos para una "nube de gobierno" y un "Centro Integrado de Operaciones y Sistemas".
• São Paulo (Brasil): La ciudad cuenta con diversas iniciativas tecnológicas y una ley de protección de datos (LGPD). La Secretaría Municipal de Innovación y Tecnología (SMIT), con su Departamento de Datos y Métodos para la Innovación (DMIN), es la mejor ubicada para albergar un equipo de Big Data. Si la creación de este equipo implica nuevos cargos o aumento de gastos, se requerirá una Ley propuesta por el Alcalde. Si no, podría hacerse mediante Decreto, ampliando las competencias del DMIN. Los acuerdos con el sector privado requieren cláusulas contractuales cuidadosas.
• Xalapa (México): Muestra voluntad política para implementar el uso de tecnología y datos. La Dirección de Gobierno Abierto es la unidad más alineada para un equipo de Big Data. Sin embargo, la ciudad enfrenta el desafío de la dispersión y pérdida de datos debido a transiciones de gobierno y la falta de estandarización en la apertura de datos. Se recomienda empezar con el análisis de los datos públicos disponibles y la mejora de la sistematización, con la posible ampliación de las funciones de la Dirección de Gobierno Abierto mediante un Acuerdo del Cabildo.

8. Conclusiones y Futuras Direcciones

En general, la implementación exitosa de un equipo de Big Data en ciudades de ALC requiere:

• La consolidación de políticas de datos abiertos y la implementación de proyectos piloto de análisis de datos para demostrar su valor y correlaciones.
• La formalización del equipo mediante un instrumento normativo (Ley o Decreto), considerando las especificidades de cada ciudad en cuanto a la creación de puestos y la asignación presupuestaria.
• La necesidad de contar con recursos humanos multidisciplinarios y una infraestructura tecnológica adecuada para la recolección, almacenamiento, procesamiento y análisis de grandes volúmenes de datos.
• La elaboración de acuerdos de colaboración con el sector privado y la academia, prestando especial atención a la propiedad y seguridad de los datos.

El progreso de cada ciudad dependerá de su nivel actual de madurez en la gestión de datos, con algunas ciudades ya preparadas para expandir sus capacidades existentes y otras necesitando primero establecer un marco básico para la interoperabilidad y transparencia de datos.