Innovación y dinámica transversal en Ciencia de Datos. Estudio de caso: Política de Diálogo en Big Data Salud en Argentina



Descargar 97,89 Kb.
Fecha de conversión04.10.2017
Tamaño97,89 Kb.

Innovación y dinámica transversal en Ciencia de Datos. Estudio de caso: Política de Diálogo en Big Data Salud en Argentina.


Facundo Malvicino

Centro de Estudios Interdisciplinarios en Ciencia, Tecnología e Innovación.

fmalvicino@gmail.com


Abstracto


Argentina se ha destacado históricamente por los avances y aportes en investigación científica médica, mientras que en las últimas décadas el sector de software y servicios informáticos ha desarrollado capacidades para el aprovechamiento de Big Data. Por lo tanto existe la oportunidad de generar un proceso de innovación a partir de la combinación de estas capacidades. Sin embargo los estudios exploratorios y las entrevistas realizadas a grupos de investigación y empresas evidencian la desconexión entre las instituciones científicas y los desarrollos de las empresas locales. El presente documento discute la necesidad de un actor cuyo rol articulador promueva el uso intensivo de datos digitales en sectores basados en conocimiento para países en desarrollo. Se estudia el caso de la implementación de una política de diálogo en Big Data Salud en Argentina, donde relaciones no-mercantiles basadas en el intercambio de conocimiento, confianza y reciprocidad, arrojaron resultados alentadores en el armado una red de trabajo.

Palabras Claves: Big Data, Salud, TIC, Sistema Nacional de Innovación, Políticas Públicas.

Introducción


El término Big Data se empieza a implementar a partir del año 20051 como expresión de una nueva fase del paradigma intensivo en información y comunicación que abarca no sólo una dimensión tecnológica, sino también social. Big Data, junto a la computación en la nube y la Internet de las cosas, constituyen la tercera plataforma de tecnología digital, después del surgimiento de la informática y de las computadoras personales e Internet (CEPAL, 2015).

Big Data es por lo tanto una de las trayectorias en las que se desarrolla la explosión en la generación de datos que protagonizamos por el aumento del uso de la tecnología en la vida cotidiana, cuyo aprovechamiento descansa y depende de la instalación de redes de alta velocidad (Barrantes et al., 2013). Estos avances tienen como antecedente los cambios significativos en la capacidad de almacenamiento, procesamiento de datos y ancho de banda que dieron lugar a las leyes de Moore, de Gilder y de Metcalfe. De acuerdo a OECD (2013a), el incremento exponencial en la generación, recolección y transporte de datos es producto del desarrollo tecnológico comunicacional (ej. Smartphones, smart meters, etc.), y su mayor disponibilidad. El costo de acceso a Internet ha venido decreciendo considerablemente mientras que el uso de datos se vio favorecido por el descenso en los costos del almacenamiento, procesamiento y análisis. La explosión en la generación y análisis de datos como propiedad emergente de la convergencia tecnológica, conectividad y digitalización, es dimensionada en la ICT Indicators Database de la International Technology Union (ITU), CEPAL (2015), Baum (2014), Hilbert (2013) y McKinsey (2011, 2013), entre otros. Considerando que el aumento del acervo de información no ha sido acompañado a nivel mundial por un avance equivalente en la capacidad de procesamiento y almacenamiento (Barrantes et al. 2013), crear valor a partir de los datos generados se vuelve un desafío aún mayor.

Hilbert (2013) considera que lo relevante de Big Data es el análisis de los datos para la toma de decisiones, provocando un efecto positivo sobre la eficiencia y la productividad similar al que mostraron las TIC en las décadas recientes (Peres y Hilbert, 2010), aunque mostrando los mismos problemas para los países en desarrollo. Por lo tanto, aun cuando esto pueda redundar en una mayor eficiencia de áreas claves, en dichos países este nuevo paradigma evolucionará a través de un proceso de difusión lento y desigual, comprometido por la falta de infraestructura, trabajadores poco calificados y la carencia de recursos económicos e institucionales adecuados. Esto abre una nueva brecha digital y destaca la importancia del sendero de dependencia, ya que el desafío consiste en convertir la información digital en conocimiento para la toma de decisiones inteligente a partir de una infraestructura que permita un vasto incremento de la información (Hilbert, 2013). Sin capacidades previas como la formación de los trabajadores, nuevas formas de organización del trabajo, tecnologías y esfuerzos de innovación desincorporados, el aprovechamiento de las potencialidades de Big Data representa un desafío aún mayor.

En las últimas décadas Argentina ha desarrollado el sector de SSI2 posicionándolo entre los más dinámicos de la región (CESSI, 2015)3. Dadas estas características, existen capacidades para crear una industria de Big Data, promoviendo políticas convergentes hacia un uso intensivo de datos digitales y TIC. Sin embargo, de acuerdo a los resultados de la encuesta exploratoria de Big Data Argentina 2014, el mercado de este sector muestra una demanda escasa y de baja complejidad, explicado en parte por el desconocimiento sobre el tema, problemas institucionales y limitaciones en infraestructura. Asimismo, las instituciones científicas muestran una desconexión con los desarrollos de las empresas locales. Por lo tanto, el objetivo del presente documento es discutir la necesidad de un actor que desarrolle un rol articulador en sectores basados en conocimiento en países en desarrollo, tomando el caso del diálogo político de Big Data Salud en Argentina. Esto da lugar a las siguientes preguntas: ¿En qué medida las limitadas capacidades tecnológicas y organizaciones bloquean el aprovechamiento de Big Data? ¿Es necesaria una institución articuladora que facilite la relación entre la industria y los grupos de investigación? ¿Qué roles y características debería desempeñar?

En la primera sección se discute el marco teórico que motivó la política de diálogo. Luego se presentan antecedentes del aprovechamiento de Big Data en Salud y sus oportunidades. En la tercera sección se explica el diseño y los resultados de la política. Finalmente, presentamos las reflexiones finales.

  1. Marco teórico e hipótesis

    1. Definición de Big Data y Sistema Nacional de Innovación


El enfoque predominante define Big Data a partir de las 3Vs: volumen, velocidad y variedad4. Con velocidad nos referimos a un conjunto de datos cuyo tamaño está más allá de la capacidad que tienen los software para capturar, almacenar, administrar y analizar datos (McKinsey, 2011). Con variedad se hace referencia a la heterogeneidad de los datos que no están listos para integrarse a una aplicación; con velocidad se remite a la velocidad del feedback para la toma de decisiones (Gartner, 2011; UN Global Pulse, 2012; Dumbill, 2012). En algunas ocasiones también se incluye una cuarta V que remite a valor, variabilidad o virtual (Armah, 2013; OECD, 2013; Chen y Chun-Yang 2014). Estas definiciones se basan en las características y limitaciones que este nuevo paradigma impone sobre las capacidades técnicas y cognitivas actuales, definiéndose como un problema transitorio.

Entendido como un modelo de negocios, Big Data permite el aumento de la productividad en tres dimensiones: i) organización del trabajo; ii) toma de decisiones en tiempo real; iii) mayor acceso a los mercados. La viabilidad de este proceso está sujeta a los cambios comunicacionales e informacionales que promueve la digitalización, la convergencia tecnológica y la conectividad5: a nivel operativo se trata del acceso remoto y en tiempo real a la información para la toma de decisiones; los cambios estructurales dan lugar a una mayor accesibilidad comunicacional; finalmente, los niveles de propagación permiten variaciones en la escala comunicacional (Forte et al., 2012).

Respecto al diseño e implementación de la política de diálogo en Big Data Salud, la misma se enmarca en la noción Sistemas Nacionales de Innovación desarrollado por Lundvall (1985), Freeman (1987), Lundvall et al (2002) y Edquist y Hommen (1999). Asimismo, se sigue la noción de innovación schumpeteriana, entendida como nuevas combinaciones que contienen elementos contradictorios como continuidad y cambio radical (Lundvall et al 2002).

Lundvall et al (2002) establecieron que el contexto de innovación se caracteriza por un aumento de la tasa de cambio donde las capacidades de aprendizaje son centrales para el desarrollo económico. Esta característica se intensifica a partir de Big Data por el aumento en la velocidad de feedback de la información y la necesidad de fortalecer los vínculos productores-usuarios. Los agentes con mayor capacidad de aprendizaje, observada en la organización del trabajo y las relaciones de cooperación/competencia, obtendrán más ventaja, particularmente en los sectores intensivos en conocimiento. En relación a Big Data, OECD (2015) sostiene, siguiendo a Shapiro y Varian, que el feedback positivo de la información hace al fuerte más fuerte y al débil más débil. Estos cambios implican la reducción de los tiempos de llegada al mercado, exigen una mayor adaptabilidad a partir de productos complejos y ciclos de innovación más cortos (CEPAL 2015). Frente al aumento en la velocidad de la toma de decisiones (corto plazo), la competencia depende cada vez más de la generación de conocimiento (largo-plazo). Esta contradicción da lugar a la intervención de nuevas instituciones que articulen políticas de coordinación estratégica en base a relaciones no-mercantiles basadas en el intercambio de conocimiento, la reciprocidad y confianza. Las relaciones estrictamente mercantiles (precios y cantidades) no capturan toda la información que la relación productor-usuario ofrece (Lundvall 1985; Lundvall et al 2002; Equist y Hommen, 1999).

A partir de lo anterior, las hipótesis del presente trabajo son que: i) una adecuada explotación de Big Data exige haber alcanzado capacidades de alta calificación y organizaciones multidisciplinarias debido al carácter transversal del nuevo paradigma; ii) dada la falta de articulación entre firmas y grupos de investigación en temas de Big Data en Argentina, es necesaria una primera etapa de políticas de coordinación basadas en el intercambio de saberes y relaciones de confianza y reciprocidad para avanzar en la articulación/transferencia de conocimiento y tecnología entre los actores mencionados.

  1. Antecedentes en Big Data y Salud


El desarrollo de plataformas móviles favoreció el desarrollo de servicios en educación, banca, salud y agricultura principalmente (CEPAL, 2015). En el caso de salud, los datos digitales provienen de registros médicos electrónicos e imágenes, aunque también pueden considerarse datos farmacológicos, ambientales y hábitos de los pacientes, entre otros (Chen et al 2012; McKinsey, 2011 y 2013, Kambatla et al, 2014). Big Data permite mejorar el monitoreo de la salud pública y aumentar la capacidad de respuesta del sistema utilizando los datos de pacientes y sus tratamientos para la detección temprana de enfermedades y la reducción de los tiempos de investigación. Ejemplos ilustradores se hallan en Wired (2010) y Hilbert (2013), o bien los avances recientes de investigadores argentinos en secuenciación genómica y bioinformática (Nemirovsky SI et al, 2015).

En Argentina, el aprovechamiento de grandes datos en salud contribuiría a una mayor eficiencia en el sector público, dada la participación de este sector en el gasto. Surge la oportunidad para mejorar la calidad de la atención médica, detectar fraudes de prestadores, facilitar la investigación y reducir los costos de tratamientos. El PAMI6 viene desarrollando el programa ITPAMI7 donde se promueve la recolección y análisis de datos para una mejor atención y mayor transparencia en el tratamiento de adultos mayores. Otras instituciones públicas como el INC8, el Instituto Leloir9 o el INQUIMAE (FCEN-UBA) están realizando importantes avances en secuenciación genómica con importantes vinculaciones internacionales, aunque enfrentando problemas vinculados al personal especializado en analítica de datos y la falta de infraestructura adecuada para el procesamiento y almacenamiento de los datos. Simultáneamente, hospitales públicos de alta complejidad e instituciones privadas como la FLENI10 y el Hospital Italiano11, están realizando esfuerzos significativos en investigaciones médicas y Big Data, gestión de la información y capacitación.


  1. Política de Diálogos y Primeros Resultados


La política de diálogos pensada desde el CIECTI12 tiene por objetivo contribuir al sistema de innovación nacional, construyendo relaciones basadas en la confianza y el intercambio de saberes que den lugar a procesos innovadores con impacto socioeconómico. Argentina es un país de ingreso medio con un importante desarrollo en ciencia e investigación (particularmente en salud), aunque baja transferencia hacia el sector productivo local y poca interacción entre los mismos grupos de investigación (Barletta et al 2014). Los estudios exploratorios sobre investigaciones y desarrollos de empresas en Salud y Big Data, evidencian una importante masa crítica de capacidades, aunque poca vinculación institucional (Malvicino y Yoguel, 2014; Malvicino et al 2015). Por lo tanto, la motivación de esta política de diálogos es lograr la cooperación entre productores y usuarios de grandes datos en Salud, particularmente en el análisis genético para la detección de enfermedades y la búsqueda de tratamientos efectivos. De esta manera se alienta un proceso de innovación a partir del aprender interactuando (Lundvall 1985). La elección de actores relacionados con la investigación médica, biológica e informática, se justifica por el impacto potencial en la calidad de vida de las personas y una mayor eficiencia en el uso de recursos públicos orientados a salud.

Este instrumento se caracteriza por su simplicidad y adaptabilidad. Las actividades consisten en reuniones de trabajo reducidas, periódicas e informales, donde los asistentes presentan los obstáculos y las soluciones posibles. La primera etapa consiste en la presentación de las partes y la programación de una ronda de actividades conjuntas (ej.: cursos de capacitación). A partir de ese momento se trabaja en la consolidación de los grupos recurriendo a los mecanismos institucionales formales, por lo cual la asociación entre los actores se integra a las políticas de promoción científicas existentes.

En cuanto a los resultados deseables, se espera que los agentes se vinculen a partir de actividades concretas en base a una agenda de trabajo abierta. El rol del articulador es el de mantener vigentes los acuerdos en la primera etapa hasta que queden consolidados en una cooperación de mediano-largo plazo.

    1. Caracterización de las partes


A partir del trabajo exploratorio Malvicino et al (2015), en el área de salud se identificaron usuarios y proveedores de Big Data. Dentro del grupo usuarios se seleccionó a dos instituciones públicas de investigación en genómica del cáncer y a un centro de salud privado que realiza estudios relacionados: Big Data no es su actividad principal pero se ven obligados a dar cuenta de la misma ante los cambios de paradigma. El grupo de proveedores fue seleccionado a partir de sus capacidades para la captura, procesamiento y análisis de datos masivos13. Desde el CIECTI se inició la política de diálogos y se asumió un rol articulador entre partes que se vinculan a raíz de una necesidad (usuarios), y quienes disponen de las capacidades para encauzar dichas demandas (proveedores).

Los usuarios en este caso son un grupo mixto público-privado. Los actores públicos de investigación serán denominados Grupo Usuario Público (GUPu), mientras que el privado será Grupo Usuario Privado (GUPr). El GUPu trabaja en secuenciación genómica del cáncer participando de la plataforma nacional junto a Universidades Nacionales e institutos de investigación, pero no realiza práctica clínica. El GUPr realiza investigación médica y atención a pacientes. Las demandas prioritarias son: i) infraestructura y gestión de la información: integración de registros, servicios de data-warehouse nacional que cumpla con las exigencias internacionales de seguridad, ahorro de licencias en software; ii) capacidades analíticas: capacitación en bioinformática, vinculación de la secuenciación genética con diagnóstico clínico (ej.: programa de enfermedades complejas), explotación de historias clínicas digitalizadas; iii) institucionales: privacidad y propiedad de los datos, manuales de buenas prácticas.

El grupo proveedores (oferente) se compone por dos actores. El primero, denominado Grupo Ciencia de Datos (GCD), es una institución sin fines de lucro vinculada al sector público, encargada de la difusión, capacitación y desarrollo de herramientas para Ciencia de Datos. El segundo, Grupo Bio (GBio), se trata de un grupo dedicado a la investigación, docencia y aplicación de técnicas de aprendizaje automático a problemas biológicos.

Finalmente, el rol articulador y promotor de la política fue asumido por el CIECTI. Este actor emerge como una institución novedosa en el país a partir del apoyo del MinCyT14 y la participación de tres universidades. Este grupo asume un enfoque holístico y multidisciplinario a partir de la identificación previa de las capacidades de los actores posteriormente convocados.


    1. Resultados alcanzados


Finalizada la primera etapa, los resultados fueron satisfactorios y alentadores en cuanto a futuras líneas de trabajo y cooperación. Los grupos desconocían o conocían parcialmente las actividades que los otros realizaban, incluso a nivel intra-grupo. La simple reunión y exposición de temas concretos, pensando en los obstáculos a resolver en cada actividad, dio lugar a oportunidades de colaboración y asesoramiento. En la Figura 1 esquematizamos los resultados alcanzados. En un primer momento, se identifican grupos no vinculados entre ellos cuyas capacidades podían ser combinadas (Fig. 1a); el resultado inmediato de las políticas de diálogo fue ponerlos en contacto e informarlos sobre sus actividades (Fig. 1b); finalmente, se logró consolidar actividades conjuntas y fortalecer la red (Fig. 1c).

Figura 1. Resultados de la Política de Diálogo. Rol articulador de Institución Intermedia.



a. Antes del diálogo b. Resultado inmediato c. Acuerdos de colaboración

Nota: líneas punteadas indican conocimiento entre grupos pero sin vinculación; líneas sólidas, vinculación.

Entre las actividades concretadas para el corto plazo, se acordó un programa de capacitación en analítica de grandes datos, donde el grupo proveedores formarán al personal médico y de investigación del grupo usuarios. En el mediano-largo plazo, se trabajará en los problemas de integración de registro de datos, aunque esta actividad dependerá de cada grupo particular. A nivel institucional, se vio la necesidad de trabajar en manuales de cooperación inter-institucional, ya que los convenios vigentes suelen ser un obstáculo, sea por desconocimiento o por falta de flexibilidad. Asimismo, surgió la necesidad de discutir la dimensión ético-legal en cuanto al manejo de datos personales, tanto el aspecto jurídico como la definición de buenas prácticas (ej: problemas en anonimización de base de datos).

Los resultados evidencian la necesidad de instituciones nuevas cuyo enfoque holístico les permita proponer políticas micro de articulación de capacidades. Las políticas de diálogo contribuyen de esta manera a los procesos de innovación, combinando capacidades y fortaleciendo un sendero de desarrollo en actividades basadas en conocimiento. La continuidad de estas políticas con resultados positivos aumenta el potencial impacto socioeconómico de Big Data Salud en Argentina.

Reflexión final


La escasa vinculación entre actores en áreas complementarias de ciencia y tecnología, pone de manifiesto la necesidad de un actor que desempeñe un rol articulador a nivel micro que aborde desde una perspectiva holística la problemática identificada. De esta manera se pueden integrar capacidades complementarias y competitivas que den lugar a sinergias entre los actores, contribuyendo al fortalecimiento del sistema nacional de innovación. Una actividad simple y abierta, basada en relaciones no-mercantiles como el intercambio de conocimiento y la reciprocidad, ha mostrado los primeros resultados alentadores en Big Data y Salud. Se priorizó de esta manera la relación productor-usuario en el proceso de innovación. Las nuevas capacidades que los grupos usuarios adquieran les permitirán vincular el análisis genómico con el diagnóstico clínico, aprovechar las historias clínicas digitalizadas y mejorar tratamientos.

Sin embargo, una agenda de trabajo futuro debe incluir la continuidad de este proceso hacia la formalización institucional de los acuerdos para el funcionamiento de mediano largo plazo. En términos más amplios, existe la necesidad de ampliar la discusión, comparar experiencias similares en América Latina y mejorar las herramientas de política pública para fortalecer los sistemas de nacionales/regionales de innovación.


Bibliografía


  • Armah, N. A. (2013). "Big Data Analysis: The Next Frontier". Bank of Canada Review, 2013 (Summer), p. 32-39.

  • Barletta, F., Pereira, M., Rodríguez, S. y Yoguel, G. Análisis del desempeño de los grupos de investigación en tic de argentina. Julio 2014

  • Barrantes, Roxana, Valeria Jordán, and Fernando Rojas (2013). La evolución del paradigma digital en América Latina. Banda ancha en América Latina: más allá de la conectividad (2013).

  • Baum, G. (2014). Hacia una nueva ola en la revolución de las tecnologías de la información y las comunicaciones (TIC).

  • CEPAL, N. (2015). La nueva revolución digital: de la Internet del consumo a la Internet de la producción.

  • CESSI (2015). Reporte anual del sector de software y servicios informáticos de la República Argentina. Año 2014. Junio 2015.

  • Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS quarterly, 36(4), 1165-1188.

  • Chen, C. L., y Chun-Yang Zhang (2014). "Data-Intensive Applications, Challenges, Techniques and Technologies: A Survey on Big Data." Information Sciences. 2014

  • Dumbill, E. (2012). What is big data? An introduction to the big data landscape. O’Reilly Radar.

  • Edquist, C., & Hommen, L. (1999). Systems of innovation: theory and policy for the demand side.Technology in society, 21(1), 63-79.

  • Forte, M. Á., Pignuoli Ocampo, S., Calise, S., Palacios, M., & Zitello, M. (2012). Las TIC como problemática de la teoría sociológica. Una problematización teórica de la comunicación digitalizada desde la teoría general de sistemas sociales autorreferenciales y autopoiéticos. Revista de la Carrera de Sociología. Entramados y Perspectivas, (2), 205-226

  • Freeman, C. (1995). The ‘National System of Innovation’ in historical perspective. Cambridge Journal of economics, 19(1), 5-24.

  • Gartner (2011). “Gartner Says Solving 'Big Data' Challenge Involves More Than Just Managing Volumes of Data”. Junio 2011

  • Hilbert (2013). Big Data for Development: From Information- to Knowledge Societies United Nations ECLAC. Enero 2013.

  • Kambatla, K., Kollias, G., Kumar, V., & Grama, A. (2014). Trends in big data analytics. Journal of Parallel and Distributed Computing, 74(7), 2561-2573.

  • Lundvall, B. Å. (1985). Product innovation and user-producer interaction. Aalborg Universitetsforlag.

  • Lundvall, B. Å., Johnson, B., Andersen, E. S., & Dalum, B. (2002). National systems of production, innovation and competence building. Research policy, 31(2), 213-231.

  • Malvicino F., Bendersky D., Djamalian N., Feuerstein E., Pena J. y Rodriguez S. (2015). Primera Encuesta de Big Data en Argentina. Estudio Exploratorio. Documento de Trabajo. Centro Interdisciplinario de Estudios en Ciencia Tecnología e Innovación (CIECTI - MinCyT). Buenos Aires.

  • Malvicino, F. y Yoguel, G. (2014). Big Data. Avances Recientes a Nivel Internacional y Perspectivas para el Desarrollo Local. Documento de Trabajo. Centro Interdisciplinario de Estudios en Ciencia Tecnología e Innovación (CIECTI - MinCyT). Buenos Aires.

  • McKinsey (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. Junio 2011.

  • McKinsey (2013). “The big-data revolution in US health care: Accelerating value and innovation”. Center for US Health System Reform Business Technology Office. Enero 2013

  • MinCyT (2015). Medición de la producción científica en Big Data. Buenos Aires, agosto 2015.

  • Nemirovsky SI, Córdoba M, Zaiat JJ, Completa SP, Vega PA, González-Morón D, et al. (2015) Whole Genome Sequencing Reveals a De Novo SHANK3 Mutation in Familial Autism Spectrum Disorder. PLoS ONE 10(2): e0116358. doi:10.1371/journal. pone.0116358

  • OECD (2013a). Exploring Data-Driven Innovation as a New Source of Growth: Mapping the Policy Issues Raised by ‘Big Data’. OECD Digital Economy Papers, No. 222, OECD Publishing.

  • Peres, W., y Hilbert, M. (2010). Information Societies in Latin America and the Caribbean Development of Technologies and Technologies for Development. Santiago de Chile: United Nations ECLAC. Diciembre 2010

  • Spratt, S., & Baker, J. (2015). Big Data and International Development: Impacts, Scenarios and Policy Options (No. IDS Evidence Report; 163). IDS.

  • UN Global Pulse 2012. “Big Data for Development: Challenges & Opportunities” United Nations. Mayo 2012.

  • Wired (2008). “The End of Theory: The Data Deluge Makes the Scientific Method Obsolete”. Wired Magazine. Junio 2008

CURRICULUM VITAE

Facundo Ezequiel MALVICINO

Cel.: (+54911) 5821-4205

E-mail: fmalvicino@gmail.com; fmalvicino@ciecti.gob.ar

Nacionalidad: Argentino.



ESTUDIOS DE GRADO Y POSGRADO

Mg. en Sociología y Ciencias Políticas (540 hs).

Facultad Latinoamericana de Ciencias Sociales (FLACSO), Buenos Aires.



Tesis: Big Data: proceso de desvalorización de la vida a partir de la mercantilización de la comunicación. Defensa: marzo 2016

Director: Dr. Pablo Míguez

Licenciatura en Economía. Mención “Cum-Laude”

Universidad de Buenos Aires (UBA), Facultad de Ciencias Económicas.



Tesis: Retenciones y Exportaciones de Hidrocarburos en Argentina: Distribución de la renta petrolera en el período 2000-2004

EXPERIENCIA EN INVESTIGACIÓN

  • Coordinador de Proyecto "Big Data para el desarrollo" en Centro Interdisciplinario de Estudios en Ciencia, Tecnología e Innovación (CIECTI), Ministerio de Ciencia, Tecnología e Innovación Productiva. Godoy Cruz 2370, Buenos Aires, Argentina |Marzo 2014-Actualidad.

EXPERIENCIA EN DOCENCIA

  • Macroeconomía Argentina y Latinoamericana. Instituto de Industria, Universidad Nacional General Sarmiento (UNGS). MAF - D | 2do. Semestre 2015

  • Macroeconomía. Ayudante de Primera. Facultad de Ciencias Económicas, Universidad Argentina de la Empresa (UADE) | Agosto 2015 – Actualidad

  • Econometría. Ayudante de Primera. Facultad de Ciencias Económicas, Universidad de Buenos Aires | Marzo 2003 – Diciembre 2007.

  • Economía Internacional. Ayudante ad honorem.Facultad de Ciencias Económicas, Universidad de Buenos Aires | Marzo 2004 - Diciembre 2006.

DOCUMENTOS DE TRABAJO Y PUBLICACIONES

  • Beyrne, G., Malvicino, F. y Trajtenberg, L. (2015). Modelo estacional de demanda de energía eléctrica. Argentina 2004-2014. Documento de Trabajo N° 11, Sría. de Política Económica y Planificación del Desarrollo, Mrio. de Economía y Finanzas Públicas. Buenos Aires, diciembre de 2015.

  • Malvicino, F. y Yoguel, G. (2015). Descubriendo Big Data en Argentina. Encuesta Digital 2014. AGRANDA 1era ed. 44va Jornadas de Informática (JAIIO). Rosario, septiembre 2015. ISSN: 2451-7569



  • Malvicino, F. y Yoguel, G. (2015). Big Data y el rol de la Demanda. Una Discusión Aplicada al Desarrollo Argentino UBA. VI Congreso AEDA 2015 “El futuro del desarrollo Argentino”, compilado por Fernando Peirano, 1ª ed. Asociación de Economía para el Desarrollo de Argentina (AEDA), Buenos Aires 2015. ISBN: 978-987-26216-4-3.

  • Malvicino, F. y Yoguel, G. (2014). Big Data. Avances Recientes a Nivel Internacional y Perspectivas para el Desarrollo Local. Documento de Trabajo. Centro Interdisciplinario de Estudios en Ciencia Tecnología e Innovación (CIECTI - MinCyT). Trabajo seleccionado como hito del Banco Interamericano de Desarrollo (BID). Buenos Aires.

SEMINARIOS Y JORNADAS

  • II Jornadas Nacionales de Econometría, Universidad de Buenos Aires (UBA). Argentina, Buenos Aires. Modelo estacional de demanda de energía eléctrica. Argentina 2004-2014.

  • Simposio Argentino de Grandes Datos – 1era. Edición. Descubriendo Big Data en Argentina. Universidad Nacional de Rosario, Facultad de Ciencias Exactas, Ingeniería y Agrimensura, 44va. Jornadas de Informática (JAIIO). Rosario, septiembre 2015.

  • Workshop argentino en ciencia de datos. Big Data. Avances Recientes a Nivel Internacional y Perspectivas para el Desarrollo Local. UBA, FCEN. 2da. Edición del Ciclo de Charlas y Workshops de la Maestría de Data Mining: Desafíos y Posibilidades en Ciencia de Datos. Buenos Aires, agosto de 2015.

EXPERIENCIA LABORAL

  • Consultor en ECO-AXIS S.A. San Martín 1127, Buenos Aires.

  • Analista Principal de Políticas Macroeconómicas. Dir. Modelos y Proyecciones. Sub-Secretaría de Programación Macroeconómica. Ministerio de Economía y Finanzas Públicas. Hipólito Yrigoyen 250, Buenos Aires, Argentina | Septiembre 2012-Agosto 2013.

  • Analista de Riesgo Financiero y Sectorial. Garantizar SGR. Maipú 73, Buenos Aires, Argentina |Noviembre 2008-Septiembre 2012.

  • Analista Cuantitativo de Riesgo e Inversiones. IRSA-CRESUD. Moreno 877, Buenos Aires, Argentina | Junio 2007 – Octubre 2008.

  • Analista Sectorial PyME y Red de Agencias. Dirección Nacional de Desarrollo Regional. Sub – Secretaría PYMEyDR. Ministerio de Industria. Hipólito Yrigoyen 250, Buenos Aires, Argentina |Febrero 2006 – Junio 2007.

  • Asistente de Contenido. Reuters Ltd. Av. E. Madero 940, Buenos Aires, Argentina | Septiembre 2005 – Febrero 2006.

HABILIDADES Y COMPETENCIAS PERSONALES

  • Temas de interés: Economía Política / Desarrollo y Cambio Estructural / Análisis Input Output / Ciencia y Tecnología / Políticas Públicas

  • Computación: Office, E-Views, Gephi, R.

  • Idiomas: Inglés (Intermedio/Avanzado), Italiano (Básico)



1 El término Big Data como tal aparece por primera vez en un trabajo académico en el año 1995, en las búsquedas realizadas en Scopus se pudo observar un importante crecimiento hacia el año 2005, lo cual podría asociarse con el surgimiento de Apache Hadoop. (MinCyT 2015)

2 Servicios de Informática e Información

3 Entre 2003 y 2014 el número de empresas creció poco más del doble, el empleo creció a una tasa promedio anual del 16,9%. La facturación total en dólares del sector creció al 12,3% anual en promedio, mientras que las exportaciones lo hicieron al 16,9%. Para un detalle del destino de la facturación por sectores y el tipo de producto/servicio facturado, ver Reporte anual del sector de software y servicios informáticos de la República Argentina. Año 2014, la CESSI.

4 Esta definición se utilizó por primera vez en 2001 por Doug Laney (Spratt y Baker 2015)

5 Según CEPAL (2015), la convergencia de estas tres dimensiones se alcanzó entre 2005 y 2010 gracias a que la banda ancha permitiera mayores velocidades de transmisión de datos.

6 Obra social de adultos mayores del Instituto Nacional de Servicios Sociales para Jubilados y Pensionados

7 https://it.pami.org.ar/?q=identidad

8 Instituto Nacional del Cáncer

9 http://www.leloir.org.ar/

10 Fundación para la Lucha contra las Enfermedades Neurológicas de la Infancia

11 http://www.hospitalitaliano.org.ar/infomed/index.php?contenido=trabajos_general.php

12 Centro Interdisciplinario de Estudios en Ciencia, Tecnología e Innovación: lleva a cabo el programa “Big Data para el Desarrollo”, donde se estudian los desafíos y oportunidades que ofrece este nuevo paradigma para ser incluido en una agenda de desarrollo. Luego de una primera etapa de análisis y caracterización de las capacidades locales en Argentina, se iniciaron sucesivas fases de acción para promover el uso y desarrollo de herramientas vinculadas a la captura, procesamiento y análisis de datos masivos digitales.

13 A la fecha, no contamos todavía con autorización para difundir los nombres de los participantes, por lo que utilizaremos nombres ficticios para el trabajo.

14 Ministerio de Ciencia, Tecnología e Innovación



La base de datos está protegida por derechos de autor ©absta.info 2016
enviar mensaje

    Página principal