Además de las ya conocidas imágenes de la Gestalt, ¿sería posible integrar visualmente (y así comprender) todas las leyes o principios de la Gestalt en una única representación?. Una representación o forma visual que, con pequeñas variaciones de color o de posición, facilitase la explicación de principios como figura/fondo, proximidad, similitud, cierre, continuidad, simetría y orden.
En la siguiente imagen hay diferentes organizaciones perceptivas y, si las observas detenidamente, comenzarás a agrupar los diferentes estímulos en formas simples o complejas en función de sus propiedades y relaciones.
Con una sola representación basada en líneas y formas geométricas es posible explicar los diferentes principios. Con cada composición puedes ver entre una o varias interpretaciones (percepción multiestable), construir o generar partes que no existen (reificación). Algunas de esas organizaciones las verás como un todo para dotarlas de sentido (emergencia). Incluso serías capaz de reconocer las diferencias y las similitudes entre unas formas y otras (invarianza).
La idea surgió en el trabajo de creación y experimentación de una nueva brand. Revisando los principios gestálticos, concretamente el de figura/fondo, encontré la interesante referencia al trabajo de investigación belga de gestaltrevision sobre organización perceptiva.
No hay duda que podrás encontrar cientos de ejemplos para explicar cada principio. Mi propósito era no recurrir a muchos para explicar todos en uno. Quizá esta sea una y estoy convencido que hay otras muchas variantes o alternativas por descubrir.
¿Tienes alguna imagen o diseño que de forma sencilla y con escasas variaciones pueda representar todos los principios de la Gestalt?.
Nuestra capacidad para cometer errores no es un defecto del ser humano, no es algo que podamos eliminar de nuestras vidas o erradicarlo como si fuera una enfermedad contagiosa. Se trata de algo inherente al ser humano, parte de nosotros que explica cómo aprendemos y cómo cambiamos, y que todo buen diseñador debe entender e interiorizar en su trabajo. Para que un error nos ayude a ver de otra manera las cosas tenemos que ver de otra manera el propio error.
Thanks to error, we can revise our understanding of ourselves and amend our ideas about the world
Al cometer errores, los usuarios desarrollan experiencia y, paradójicamente, el error es un componente necesario del propio desempeño experto. Todos aprendemos rápido a utilizar las clásicas acciones de deshacer y rehacer, en consecuencia se refuerza la experimentación pero también la familiaridad con el producto que usamos, reduciendo así las probabilidades de error. En el ensayo y error encontramos una valiosa forma de aprendizaje y de acumulación de experiencia.
Ahora bien, un error será considerado como tal si el usuario que lo comete tiene, al menos, la posibilidad de evitarlo. Si no fuera así, estamos frente a un problema de diseño.
En el uso intensivo de datos, el ser humano está plenamente involucrado en la creación y producción de los mismos. Cuando las personas, los datos y la tecnología se encuentran, el esfuerzo por reducir los errores puede ser mayor ya que debe existir un equilibrio y una sintonía que no siempre está perfectamente coordinada.
Podríamos decir que el error humano está presente en todas las facetas de la vida pero cuando hablamos de la construcción de sistemas complejos, dinámicos, heterogéneos y sujetos a cambios continuos (no necesariamente azarosos) la preocupación por el error aumenta. Un porcentaje muy alto de los fallos en sistemas hombre-máquina se producen por errores humanos. De hecho, como señalaba al comienzo, tendemos a cometer cientos de pequeños errores cada día. Esto no deja de ser un dato significativo del papel clave que juegan los errores en el aprendizaje.
Durante muchos años, el enfoque en diseño ha sido la prevención, bien facilitando el aprendizaje o reduciendo la complejidad del lado del usuario.
Pero a pesar de todos los esfuerzos, el error ha seguido presente y es entonces cuando hemos considerado oportuno aprender de los mismos para ir reduciéndolos. Para ello, hemos necesitado recopilar la información sobre cuándo se produjo, porqué se produjo y cómo corregirlo.
En el diseño de producto ya hemos ido incorporando progresivamente un nuevo foco a este planteamiento. Si, como diseñadores, hemos instaurado el ensayo y error como parte de nuestro propio proceso iterativo, ¿por qué no dejamos que nuestros usuarios también lo experimenten de una manera más o menos controlada?.
En cierto modo es darle continuidad a algo que hemos agradecido desde nuestros comienzos digitales: dedicar tiempo y esfuerzo para prevenir el error y también para construir un sistema capaz de solucionarlo en caso de que se produzca. Sabiendo que los seres humanos no siempre tomamos decisiones racionales y que cometemos cientos de equivocaciones, conseguir que las máquinas nos ayuden a volver atrás, a deshacer nuestros errores no deja de ser una manera elegante de explorar su beneficio.
Nuestra preocupación por el planeta ha crecido exponencialmente, en poco tiempo, y todas aquellas medidas y acciones que debíamos haber aplicado hace unas cuántas décadas, las estamos descubriendo y ejecutando ahora con urgencia para, entre otros difíciles propósitos, reparar los graves daños que ya hemos causado.
Frente a este panorama, todos hemos oído ya hablar de las medidas para reducir emisiones, ahorrar energía, incrementar la reutilización y reciclaje de envases o residuos… Aún así, quedan muchos problemas por solucionar, conocidos y pendientes de conocer, para saldar nuestra enorme cuenta con el planeta.
Palacio de Congresos de Vitoria-Gasteiz. Primera certificación Passivhaus XXL en España.
El consumo de energía de nuestras casas es uno de esos grandes problemas eternos que, a pesar de contar ya con soluciones viables y una directiva de aplicación inminente, requiere de cambios drásticos en nuestra manera de entender la arquitectura, la construcción, la edificación, la sostenibilidad y el consumo diario de energía en nuestros hogares.
La hipoteca energética de nuestros mayores, de la gente joven que quiere independizarse, de las miles de familias de nuestro país es tan dura e insostenible como la financiera. Ambas, en muchos casos, son inevitables y acrecientan el problema más latente de nuestra sociedad.
Numerosos países europeos, con el objetivo encontrar soluciones, de fomentar la eficiencia energética y alcanzar el cumplimiento de los objetivos marcados en la directiva, han adoptado normas del estándar Passivhaus o casa pasiva.
Passivhaus es un estándar de construcción de baja demanda energética que logra el confort térmico tomando medidas pasivas sobre el aislamiento, la recuperación de calor, el uso de energía solar y de fuentes de calor internas. Dicho de otro modo, el propósito de una Passivhaus es optimizar la demanda de calor y reducir la perdida de energía para alcanzar el confort térmico y un consumo energético casi nulo.
Los principios fundamentales de las casas pasivas son la orientación, el aislamiento, la ausencia de puentes térmicos, la carpintería, la alta hermeticidad y la ventilación con recuperación de calor.
Estamos acostumbrados a pensar en numerosas formas de calentar o enfriar la casa que hemos alquilado o comprado manejando el coste y el tiempo para mantener una temperatura constante. Pero en menor medida pensamos en la hermeticidad, en los cerramientos, en la ventilación o en la propia orientación de esa casa para mantener esa misma temperatura. De hecho, obviamos todos estos puntos porque pensamos que un alto nivel de confort solo es posible con fuentes externas de calor o frío.
¿Podría alguien vivir en una casa sin calefacción y con una temperatura exterior por debajo de los cero grados?. Bajo el concepto de construcción Passivhaus no solo es posible sino que además es más saludable, eficiente, cómodo y ecológico. Precisamente escribo estas líneas en esa misma situación y con mucha dificultad soy capaz de explicarlo en pocas palabras. Espero sirva este post para ello.
La casa de conservación Saskatchewan
Para identificar los orígenes del concepto Passivhaus tenemos que remontarnos a la década de 1970, cuando la Organización de Países Exportadores de Petróleo (OPEP) aumentó el precio del crudo y se produjo la primera crisis del petróleo. Canadá fue uno de los países afectados ya que el petróleo era la principal fuente para calentar los hogares.
En Saskatchewan, provincia central de Canadá, muchos ciudadanos se quejaron de esta situación y reclamaron una solución para reducir los costes de energía. El gobierno solicitó al Consejo de Investigación de Saskatchewan (SRC) diseñar y construir una casa solar.
Uno de los miembros del comité creado para cumplir con el cometido era el ingeniero ambiental Harold Orr, pionero en el concepto «green building» y en la construcción de viviendas energéticamente eficientes. Sus aportaciones fueron fundamentales para entender el nuevo paradigma basado en una deducción bastante razonable sobre las placas solares: cuesta más almacenar y servir la energía para calentar una casa que reducir la demanda de esa energía aislando de forma inteligente y evitando al máximo las perdidas.
En esa misma época Gene Leger, un constructor de Massachusetts, construyó una casa similar cumpliendo con la misma premisa de la casa de Saskatchewan. Ambas demandaban muy poca energía, estaban aisladas y mantenían una temperatura estable al evitar las infiltraciones de aire.
La hermeticidad y los test de estanqueidad
Imagina que insuflas aire a tu casa o lo extraes como si fuera un globo. Lógicamente todas las perdidas y puntos de fuga del aire los podrás identificar rápidamente. Incluso en tiempo real, con una cámara termográfica, puedes ver infiltraciones inapreciables que rompen con la envolvente y no facilitan la conservación del calor.
Blower Door Test
Si todo está correctamente sellado y esa envolvente ha sido respetada y mantiene sus propiedades aislantes, cumpliremos con el principio pasivo. Para medir la hermeticidad y conocer las posibles perdidas de aire, se realiza el test de estanqueidad o ensayo Blower Door.
Después de cerrar ventanas, puertas, sellar rejillas de ventilación y colocar el ventilador en la puerta principal, se realizan los test de sobrepresión (entra aire) y depresión (extraer aire). La medición del número de renovaciones de aire por hora debe ser inferior a 0,6 para superar la certificación Passivhaus.
El sistema de ventilación
Una vez que la vivienda está aislada tenemos resuelto la hermeticidad pero no la renovación del aire. Al igual que sucede con un termo de café, podemos conservar el calor durante mucho tiempo pero necesitamos renovar el aire. Passivhaus recomienda hacerlo con ventilación mecánica y un recuperador de calor.
A partir de una única entrada de aire y una salida, se establece un circuito de rejillas en toda la casa, recogiendo el aire viciado de las zonas húmedas (cocina, baños) e introduciendo aire limpio en las zonas secas. Todo este flujo de aire es controlado por un recuperador que guarda el calor que es expulsado y se lo entrega al aire limpio que entra, logrando así hasta un 95% de recuperación. Así es como se consigue que la casa mantenga una temperatura constante con un movimiento de mas/menos 1 o 2 grados.
Con esta renovación, minuto a minuto los 365 días del año, las casas pasivas cuentan con una calidad de aire muy saludable, sin corrientes ni cambios bruscos de temperatura.
Certificación Passivhaus
Después de la aventura de Saskatchewan y Massachusetts, las aguas volvieron a su cauce y los precios del petróleo volvieron a estabilizarse. La presión económica de las familias disminuyo y el interés por la eficiencia energética se fue diluyendo. Sin embargo, los avances logrados hasta la fecha sirvieron para que investigadores de Estados Unidos, Canadá, Suecia, Dinamarca y Alemania, continuaran con el reto de lograr la eficiencia máxima y, en consecuencia, la búsqueda de alternativas para reducir el consumo de energía.
En Alemania, concretamente en la ciudad de Darmstadt, volvió a surgir el interés por llevar a cabo la construcción experimental de viviendas que redujeran las perdidas de calor e hicieran innecesario un sistema de calefacción. Los profesores Bo Adamson y Wolfgang Feist estudiaron en 1988 el concepto de casa pasiva en China e intentaron ponerlo en funcionamiento en Europa. Así es como construyeron oficialmente, en 1990, la primera casa Passivhaus.
En 1996 el profesor Wolfgang Feist fundó el Passivhaus Institute para liderar la investigación, el desarrollo y la innovación de casas pasivas. Igualmente iniciaron un proceso de certificación para garantizar el buen uso del concepto y asegurar la validación internacional de edificios eficientes energéticamente. Gracias a ello, hoy por hoy no es lo mismo «una construcción bajo estándares Passivhaus» que «una construcción con certificación Passivhaus». Toma nota de esta diferencia.
Diseño de casas pasivas
Uno de los grandes mitos que ha desaparecido con el tiempo es considerar a las casas pasivas poco atractivas o con escasas posibilidades arquitectónicas.
Como señalaba al principio, Passivhaus es un concepto no una forma específica de construcción. No hay restricción de materiales, de estructuras o de propósitos. Actualmente existen casas unifamiliares, edificios públicos y privados de todo tipo que han superado las pruebas de certificación.
Edificio Thermos. Pamplona. Primer bloque de viviendas Passivhaus en España
En cualquier caso, si el diseño es una forma de resolver problemas, de tratar de mejorar la vida de las personas, en las casas pasivas encontramos el ejemplo más vivo. Un estándar de construcción que es eficiente, sostenible, ecológico y tremendamente funcional.
Los beneficios de una solución Passivhaus son enormes y no por ello estamos hablando de una construcción con costes adicionales. Con conocimiento y formación del estándar, existen muchas posibilidades de evitar inversiones extra o, muy al contrario, de aplicar estilo propio y un diseño con mucha personalidad.
Idai Nature. La Pobla de Vallbona (Valencia)
Los materiales, la tecnología y el buen hacer de los arquitectos y constructores puede ayudarnos a luchar contra el cambio climático, facilitar y mejorar la planificación y renovación urbana, así como alinearnos con el cumplimiento de los Objetivos de Desarrollo Sostenible (ODS) y la Agenda 2030 de la ONU.
Ahora, cada vez que veo construcciones posteriores a 1970, edificios emblemáticos, con una estética poderosa y convertidos en referentes e iconos de la arquitectura, me hago la misma pregunta que me haría si tuviera que comprarme un coche: ¿Cuánto consume?.Si la respuesta a esa pregunta es satisfactoria, entonces sí, adoremos las formas, la estética, el buen uso de los materiales y los espacios…
Nuestro consumo, nuestra demanda de energía, es el principio del fin del cambio climático. El futuro son edificios de consumo casi nulo que cuidan y respetan nuestro entorno.
El uso de datos está presente en casi todas las actividades o tareas de cualquier organización o compañía y se ha convertido en el gran recurso o activo en todos los ámbitos de la vida. Cada decisión a nivel operativo, táctico y estratégico se basa en grandes volúmenes de datos que son procesados y analizados desde diversas fuentes y con usos muy variados.
La explosión de datos es imparable y todos estamos ya familiarizados con el concepto Big Data, el cual ha venido acompañado de cientos de tecnologías, herramientas o procesos que han permitido, entre otras cosas, la organización, administración o manipulación de enormes repositorios para ponerlos al servicio del negocio.
En esta línea, algunos de los beneficios que se pueden obtener al organizar y gestionar los datos también están claros.Comprender mejor las necesidades de los clientes, mejorar la calidad de los servicios ofrecidos, mejorar la planificación y la previsión o incluso predecir y prevenir riesgos. Estos son algunos de esos beneficios que, a su vez, llevan implícitos la propia evolución que estamos viviendo de disciplinas orientadas a la Inteligencia Artificial.
Sin embargo, para alcanzarlos y generar valor a partir de las soluciones basadas en Big Data y AI, es imprescindible tener en cuenta el significado y calidad de los datos, así como comprender su contexto de uso.
Nuevos retos en la era del Big Data
Hubo un tiempo que las organizaciones y grandes compañías utilizaban los datos generados única y exclusivamente a partir de sus propios entornos y sistemas. Los productores de datos eran, en su mayor parte, los mismos que los consumían y su calidad no representaba un problema.
Descubrir información que fuera relevante, y que permitiera tomar decisiones a partir de una gran cantidad y variedad de datos, puede que llevara tiempo pero no dejaba de ser una tarea más a conseguir para lograr la ansiada ventaja competitiva.
Ahora, los datos recogidos y analizados, provienen de una mayor diversidad de fuentes con tipologías muy variadas y estructuras más complejas. A su vez, el número de productores y consumidores de datos ha crecido y la diferenciación entre estos y otros perfiles de usuario puede ser mayor. En consecuencia, determinar la calidad en orden a la necesidad de cada uno de ellos implica más esfuerzo y recursos.
Añadimos más variables a este planteamiento. ¿Cuáles son las características que definen la calidad para un usuario determinado?. Si un data scientist está trabajando sobre un modelo predictivo con los datos de los clientes, puede que la precisión le parezca más importante que el volumen o la máxima actualidad de esos datos. Si por el contrario, es el departamento comercial el que está lanzando una oferta y requiere de esos mismos datos, no será tan importante la precisión o exactitud como la accesibilidad o la pertinencia de los mismos.
Para el departamento de contabilidad, la fecha de nacimiento del cliente no es un campo obligatorio. Ante su ausencia, ellos consideran que los datos de ese cliente no son de mala calidad. Pero marketing considera ese campo clave, así que dicho departamento puede valorar que los datos de contabilidad no tienen calidad.
Aun más, el trabajo de un equipo médico puede verse seriamente comprometido si los datos que utiliza son imprecisos, inaccesibles, irrelevante o incompletos.
Por tanto, la calidad de los datos puede ser definida por su valor de negocio, por objetivos concretos o por las prioridades que marque la propia organización. Pero en todo este planteamiento se demuestra también que los usuarios son un componente clave en la definición que se haga de esa calidad.
Alcanzar una calidad de datos óptima, hacerlo en un plazo de tiempo razonable y con un volumen de datos en continuo crecimiento se convierte en un desafío difícil de afrontar.
Ahora bien, definir y mejorar de forma continua la calidad de los datos tampoco es un objetivo que pueda quedar aislado ni relegado a un grupo de personas, departamento/s o tecnología.
Como señala Gartner, este desafío afecta a organizaciones de todos los tamaños y puede destruir el valor del negocio o producir perdidas pocas veces valoradas en los resultados de las compañías.
Data Quality
La calidad de los datos o Data Quality es un area de trabajo e investigación que comenzó en la década de los 90, con el rápido crecimiento de las tecnologías de la información y la comunicación.
En la década anterior la preocupación había estado centrada en la calidad misma de los productos y en el grado en el que sus características y funcionalidades cumplían con los requisitos. Fue una época en la que se consolidó la definición ampliamente aceptada de calidad como conformidad con los requisitos.
El trabajo de Joseph M. Juran da buena cuenta de esa búsqueda constante de la calidad y satisfacción del producto e incorpora una nueva y sencilla definición: adecuación al uso (fitness for use). Esta definición ha sido ampliamente utilizada en la literatura sobre Data Quality y constituye un buen punto de partida para evaluar hasta qué punto los datos sirven para los fines o necesidades de los usuarios.
El grupo Total Data Quality Management del MIT University, liderados por el profesor Richard Y. Wang, dio continuidad al trabajo de Juran y llegó a definir un conjunto de atributos o dimensiones para medir y gestionar la calidad de los datos. Categorías útiles cuya evaluación puede ser automatizada para valorar la idoneidad y adecuación de los datos en orden a objetivos de negocioo necesidades de los usuarios.
Dimensiones de la calidad del dato
Wang y Strong (1996) en su artículo Beyond Accuracy: What Data Quality Means to Data Consumers (PDF) proponen una división en 4 categorías con un total de 15 dimensiones: –Intrínseca: Los valores de los datos se ajustan a los valores reales o actuales. Dimensiones: Credibilidad, exactitud, objetividad, reputación. –Contextual: Los datos son aplicables (pertinentes) a la tarea del usuario del dato. Dimensiones: Valor añadido, relevancia, pertinencia temporal, completitud, cantidad de datos. –Representativa: Los datos son presentados de forma inteligible y clara. Dimensiones: Interpretabilidad, facil de comprender, consistencia representacional, representación concisa. –Accesibilidad: Los datos están disponibles o es posible acceder a ellos. Dimensiones: Accesibilidad, seguridad de acceso.
Estudios posteriores han ido modificando esta clasificación y el listado de dimensiones que engloba. En 2013 Dan Myers hizo un estudio comparativo y propuso una nueva lista (Conformed Dimensions of Data Quality) evitando conflictos terminológicos y buscando la comprensión y la estandarización.
Exactitud (Accuracy): Se mide el grado en el que los datos representan correctamente el objeto del mundo real o un evento que se describe. Ejemplo: La dirección de envío de pedidos a un cliente en la base de datos de clientes es la dirección real.
Completitud (Completeness): El grado en el que el dato tiene el valor esperado y cumple con los requerimientos marcados. Si un dato es opcional no debe considerarse para lograr el 100% de completitud. Ejemplo: Podemos establecer que los clientes tendrán sus datos completos si hemos registrado su nombre, primer apellido, segundo apellido, número de identificación, e-mail, dirección, código postal, ciudad y país. El segundo nombre será opcional.
Consistencia (Consistency): Mide si los datos están libres de contradicción y tienen coherencia lógica, de formato o temporal. Ejemplo: Para un cliente determinado tenemos ventas registradas pero no nos consta ninguna orden de pedido.
Pertinencia temporal (Timeliness): Mide el grado en que los datos están disponibles cuando se requieren. Ejemplo: Para la asignación de habitaciones en un hotel, la recepción debe contar con el número actualizado de habitaciones disponibles en el momento de registrar la llegada del cliente.
Unicidad (Uniqueness): Cada dato es único. Con esta dimensión se busca corregir la duplicidad inesperada en nuestros dataset. Ejemplo: En nuestra base de datos podemos tener dos clientes que se registraron como «Fran García» y «Francisco Juan García», siendo la misma persona pero sólo el último contiene todos los datos completos.
Validez (Validity): Medir si un valor se ajusta a una regla de negocio o a un estándar preestablecido en cuanto a formato, tipo de dato, valores posibles o rangos especificados. Ejemplo: En el seguimiento de entrega de un pedido, la última actualización es posterior a la hora actual. Dan Myers expone este caso en su blog explicando que si existiera una regla de negocio que indique que las actualizaciones no pueden producirse en una fecha y hora superior a la actual del sistema, este problema no se hubiera producido.
Todas estas dimensiones son atributos que no representan la calidad real de los datos. Una compañía con buena calidad de los datos no es necesario que cumpla, por ejemplo, con el 100% de completitud o de unicidad de los datos.
La calidad viene dada por cómo alineamos los requisitos de datos de negocio con los niveles de cada una de estas dimensiones.
Incluso es posible que los datos que estaban completos para un proceso dado, en un proceso futuro pueden estar incompletos o requieran de un nuevo planteamiento desde negocio.
Los procesos de negocio y los casos de uso que se vayan definiendo exigen una mejora continua de la calidad.
