El documento examina el uso de fuentes de datos novedosas y métodos computacionales como el aprendizaje automático para desarrollar e implementar rápidamente programas de asistencia social dirigidos al bienestar en países que carecen de infraestructura de datos tradicional. En particular, se revisan los programas de transferencias de efectivo de emergencia durante la pandemia de COVID-19 en la República Democrática del Congo, Togo y Nigeria, los cuales utilizaron datos geoespaciales, datos de uso de teléfonos móviles e inteligencia artificial para estimar el bienestar de los solicitantes y entregar las transferencias de efectivo. Asimismo, se analizan los programas post-pandemia en Togo y Malawi que incorporaron estas innovaciones. El documento discute la lógica, los logros y los desafíos de utilizar enfoques novedosos, considerando factores como la velocidad de implementación, los costos, la precisión en la focalización y la conveniencia para los beneficiarios. Se ofrece una visión general de cómo los datos novedosos pueden facilitar diferentes aspectos de la entrega de protección social más allá de la focalización. A pesar de reconocer limitaciones, el documento concluye con recomendaciones de políticas y áreas para futuras investigaciones sobre cómo aprovechar nuevas fuentes de datos y métodos para mejorar la asistencia social, especialmente en contextos de emergencia y escasez de datos. En este contexto, se analizan los casos de Togo, la República Democrática del Congo (RDC) y Nigeria, que utilizaron fuentes de datos novedosas como imágenes satelitales, datos móviles y aprendizaje automático para la focalización y entrega de asistencia social durante la pandemia. El modelo Novissi de Togo, por ejemplo, empleó aprendizaje automático sobre datos satelitales para crear un mapa de pobreza y priorizar las áreas rurales más pobres, alcanzando a 139,000 beneficiarios para noviembre de 2020. En la RDC, el programa STEP-KIN utilizó criterios simples basados en datos móviles para identificar beneficiarios en la capital, alcanzando a 456,000 personas para marzo de 2021. Por su parte, Nigeria creó un mapa de pobreza utilizando datos satelitales y una estrategia de alcance basada en teléfonos móviles para formar un «Registro de Respuesta Rápida» y seleccionar a 636,000 beneficiarios urbanos y rurales, con pagos comenzando en noviembre de 2023. Estos casos destacan el potencial de enfoques no tradicionales para hacer que los sistemas de protección social sean más adaptativos, inclusivos y resilientes, especialmente en situaciones de emergencia. Sin embargo, el documento también señala la necesidad de evaluaciones rigurosas y orientación sobre cómo aprovechar efectivamente las nuevas fuentes de datos.

El documento analiza los enfoques novedosos utilizados por algunos países para focalizar y entregar asistencia social durante la pandemia de COVID-19, cuando los métodos tradicionales no eran factibles. La República Democrática del Congo (RDC) y Togo utilizaron teléfonos móviles para el alcance, el registro, la determinación de elegibilidad y los pagos, enfocándose en individuos en lugar de hogares. La RDC empleó una prueba de afluencia basada en datos móviles para excluir a suscriptores más ricos, mientras que Togo combinó registros de llamadas, datos de encuestas, datos no tradicionales y aprendizaje automático para predecir el consumo y priorizar a los suscriptores móviles más pobres. Nigeria utilizó mapas de pobreza detallados para identificar áreas urbanas pobres, envió mensajes de texto para el registro y realizó visitas presenciales para la validación. Bangladesh combinó datos móviles, administrativos y financieros para excluir a grupos no elegibles e identificar hogares vulnerables. Algunos países de América del Sur han utilizado técnicas de aprendizaje automático, como modelos basados en árboles y enfoques de selección de variables, para realizar pruebas de medios proxy más efectivas. El texto resalta el potencial de estos enfoques novedosos, pero también advierte sobre sus limitaciones, subrayando la necesidad de una evaluación cuidadosa y la consideración de preocupaciones éticas y de privacidad. Los desafíos y limitaciones de utilizar enfoques basados en imágenes satelitales y teléfonos móviles para la focalización de programas de asistencia social durante la pandemia de COVID-19 también son discutidos. Para los métodos basados en satélites, los problemas clave incluyen la naturaleza estática de las imágenes satelitales, que no capturan cambios temporales en los niveles de pobreza debido a la crisis, y la posible falta de solidez estadística y altos costos asociados con imágenes de alta resolución. Los enfoques basados en teléfonos móviles enfrentan desafíos al asociar números de teléfono con hogares, debido a que los números están registrados a individuos, y los hogares pueden usar múltiples SIMs. Además, la presencia de múltiples operadores de redes móviles complica el acceso y la comparabilidad de datos. Asimismo, algunos de los hogares más pobres pueden no tener un uso regular de teléfonos, lo que lleva a su exclusión de los programas dirigidos por teléfonos. El texto destaca la necesidad de más evidencia empírica y análisis para abordar estos desafíos y limitaciones en el uso de fuentes de datos novedosas para la focalización individual de programas de asistencia social. En conjunto, estos enfoques innovadores muestran un potencial significativo para mejorar la entrega de asistencia social, especialmente en contextos de emergencia o escasez de datos, pero también subrayan la importancia de complementarlos con métodos tradicionales y un compromiso comunitario sólido para construir confianza y conciencia.

El potencial de utilizar nuevas fuentes de datos e inteligencia artificial ayuda a fortalecer los sistemas de protección social y hacerlos más adaptativos y receptivos a los choques relacionados con el clima. Destaca ejemplos de países que utilizan datos de registros sociales, imágenes satelitales y sistemas de alerta temprana para focalizar y distribuir beneficios de asistencia social en anticipación de desastres naturales o inseguridad alimentaria. El texto también explora el uso de la automatización de procesos empresariales y la inteligencia artificial para la gestión de beneficiarios, citando casos de implementaciones exitosas y fracasos debido a problemas de calidad de los datos. Aunque reconoce los desafíos de la aplicabilidad, la mitigación del fraude y la necesidad de una adaptación continua, el texto enfatiza las crecientes oportunidades que ofrecen las tecnologías digitales y los datos para mejorar los mecanismos de retroalimentación, el monitoreo de programas y la participación ciudadana. Sin embargo, señala que la preparación técnica por sí sola no es suficiente para sistemas de protección social adaptativos; los países también deben establecer los habilitadores financieros, institucionales y políticos necesarios. Se presentan resultados preliminares de programas de transferencias monetarias digitales implementados en la República Democrática del Congo (RDC), Nigeria y Togo durante la crisis de COVID-19, centrándose en la velocidad de implementación, los costos administrativos, la precisión en la focalización y la conveniencia para los beneficiarios. Compara la velocidad de implementación de estos programas con los programas tradicionales de asistencia social, encontrando que los programas digitales se desplegaron en plazos significativamente más cortos, aunque con algunas variaciones entre los países. Los costos administrativos de los programas en la RDC y Togo fueron similares a los de los programas tradicionales de transferencias monetarias, con una porción significativa atribuida a los servicios de los operadores de redes móviles. El texto también discute el potencial de los enfoques digitales para mejorar la precisión en la focalización y la conveniencia para los beneficiarios, pero destaca la necesidad de una evaluación más detallada.

Asimismo, analiza la precisión en la focalización, la conveniencia y los costos para los beneficiarios de dos programas de transferencias monetarias de emergencia en la República Democrática del Congo (STEP-KIN) y Togo (Modelo Novissi 2) que utilizaron nuevas fuentes de datos y enfoques de focalización no tradicionales. Aunque no se realizaron evaluaciones cuantitativas rigurosas, evaluaciones cualitativas y simulaciones sugieren que los programas alcanzaron a sus grupos objetivo con una precisión moderada. Los programas tuvieron bajos costos de recolección de datos y procedimientos simplificados, haciéndolos convenientes para los beneficiarios con mínimos costos de instalación y transacción. Comparaciones con métodos tradicionales de focalización, como las pruebas de medios proxy y los índices de activos, mostraron que los enfoques novedosos funcionaron razonablemente bien, aunque se notaron algunos errores de exclusión. A su vez, se proporcionan perspectivas desde Nigeria, donde tanto los registros convencionales como los novedosos resultaron ser igualmente efectivos en identificar a los pobres y vulnerables. Se destacan dos proyectos piloto que utilizaron nuevas fuentes de datos y enfoques para identificar y focalizar a los beneficiarios de programas de asistencia social después de la pandemia de COVID-19. El primer proyecto es el Proyecto de Red de Seguridad Social y Servicios Básicos de Togo, que empleó un enfoque de múltiples etapas que involucró la focalización geográfica utilizando imágenes satelitales y datos recopilados por la multitud, el autorregistro por parte de los hogares, una prueba de medios proxy modular (SWIFT-PMT) para estimar el consumo de los hogares y la validación comunitaria. Esta combinación única de métodos tenía como objetivo identificar y priorizar con precisión a los hogares más pobres en áreas urbanas y periurbanas de Gran Lomé para transferencias monetarias. El segundo proyecto es el Piloto de Transferencias Monetarias de Canva en Malawi, financiado por Canva y ejecutado por GiveDirectly. Este proyecto focalizó a individuos que vivían bajo la línea de pobreza extrema internacional de $1.90 por día en áreas rurales de Lilongwe. Se utilizaron tres enfoques de focalización diferentes: saturación/censo (todos los hogares en áreas pobres identificadas), prueba de medios proxy basada en una encuesta nacional y tele-focalización combinada con prueba de medios proxy presencial. Se utilizaron teléfonos y billeteras móviles para la inscripción remota, verificación y entrega de pagos, mientras que también se ofrecieron alternativas presenciales para mitigar la exclusión digital. Ambos pilotos tenían como objetivo aprovechar nuevas fuentes de datos y metodologías para mejorar la precisión, eficiencia y rentabilidad de la identificación y entrega de asistencia social a las poblaciones más pobres en entornos con recursos limitados, al tiempo que abordaban desafíos como la exclusión digital.

En otra instancia, el documento discute las oportunidades y limitaciones de utilizar nuevas fuentes de datos y enfoques digitales para focalizar y entregar programas de asistencia social en países de bajos ingresos con infraestructura existente limitada. Destaca las ventajas de estos enfoques, como habilitar programas de transferencias monetarias sin sistemas de entrega preexistentes, mejorar la facilidad de acceso y reducir costos, y permitir una implementación más rápida en comparación con los métodos tradicionales. Sin embargo, también reconoce las limitaciones, como la exclusión de poblaciones sin acceso a teléfonos móviles o alfabetización digital, la aplicabilidad de estos enfoques a contextos no emergentes y los posibles costos administrativos más altos para programas complejos. El documento, igualmente, discute el potencial de utilizar estos enfoques para extender el apoyo más allá de las poblaciones más pobres y la necesidad de mecanismos de evaluación rigurosos para evaluar su efectividad. Por otra parte, los desafíos y limitaciones de los enfoques novedosos y no tradicionales para la focalización individual en programas de asistencia social, especialmente en contextos donde los datos son escasos, resaltan la necesidad de un modelo híbrido que integre enfoques tradicionales para un subconjunto de la población a fin de garantizar la equidad y la inclusión. La precisión de los modelos predictivos para la cartografía de la pobreza utilizando imágenes satelitales, datos móviles y aprendizaje automático depende de diversos factores, como la correlación entre las características geográficas y la pobreza regional, la disponibilidad de variables a nivel individual y la efectividad del enfoque de inferencia. Sin embargo, surgen preocupaciones sobre la validez de la estimación remota de la pobreza utilizando imágenes satelitales para la focalización a nivel de hogar, debido a que puede no captar con precisión los cuantiles relevantes de la distribución del consumo o la desigualdad local. Los indicadores compuestos satelitales y los enfoques de focalización en múltiples etapas, aunque son elecciones pragmáticas, pueden agravar los errores de focalización, y su desempeño final es desconocido sin datos empíricos detallados. Además, las innovaciones en las pruebas de medios proxy (PMT), como el uso de variables de consumo y la recolección remota de datos a través de teléfonos móviles, prometen modelos más precisos y menores costos, pero la extensión del posible informe erróneo por parte de los hogares sigue siendo una incógnita. La calidad de los modelos de entrenamiento para los mapas de pobreza depende de la disponibilidad de datos de alta calidad sobre el consumo de los hogares, como los obtenidos de encuestas de medición de estándares de vida.

Adicionalmente, se subrayan las limitaciones de la focalización basada en teléfonos, que parece tener una menor precisión que las PMTs, y la dificultad para determinar la precisión general de los procesos de focalización en múltiples etapas que involucran datos satelitales y telefónicos. Durante emergencias, las dificultades aumentan, dado que los cambios en el bienestar económico no se comprenden bien, y la aplicabilidad de las medidas de consumo anual es limitada. Por último, el documento enfatiza la necesidad de evaluaciones ex post bien diseñadas para evaluar la precisión de focalización de estos enfoques novedosos, puesto que las estadísticas de precisión reportadas se basan en simulaciones utilizando diferentes proxies de bienestar en lugar del bienestar medido realmente de los hogares beneficiarios. Aunque los enfoques tradicionales, como las encuestas de hogares para evaluar la precisión de la focalización y determinar la elegibilidad para programas, tienen limitaciones y hacen suposiciones importantes que merecen ser probadas empíricamente, las fuentes de datos novedosas como los datos móviles y las imágenes satelitales pueden potencialmente mejorar y complementar las cadenas de entrega tradicionales. Sin embargo, su efectividad y eficiencia no han sido evaluadas exhaustivamente. La integración de estos enfoques novedosos probablemente será gradual y funcionará en conjunto con los enfoques tradicionales. Mientras que los programas digitales implementados durante la pandemia se desplegaron rápidamente y a un costo moderado, eran relativamente pequeños y pueden ser más adecuados para contextos de emergencia que para programas de asistencia social generalizados. En general, aunque estos enfoques novedosos ofrecen soluciones prometedoras para la entrega de asistencia social en entornos con escasez de datos, sus limitaciones y desconocidos deben ser considerados y abordados cuidadosamente.  

Para leer más ingrese a: