Inteligencia politica

Washington DC Marzo, 2014 Prof. José Manuel MAGALLANES

Producción de Inteligencia Política: DATO, MODELOS, ESTRATEGIAS Y ACCIÓN

2

Producción de Inteligencia Política

Profesor: José Manuel MAGALLANES GWU – Washington DC, Marzo de 2014

CONCEPTOS BÁSICOS

PRES

ENTA

CIÓ

N

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

3



CONCEPTOS BÁSICOS

PRES

ENTA

CIÓ

N

ESTRUCTURACION

SELECCION

DECISION

¿Qué? ¿Cuándo? ¿Dónde?

¿Por qué? ¿Quién?

¿Cómo?

MODELIZACION

PLANIFICACION

IMPLEMENTACION

¿Cuál?

¿Para qué? ¿Cuánto?

¿Me arriesgo?

¿Con qué?

4



CONCEPTOS BÁSICOS

PRES

ENTA

CIÓ

N

ESTRUCTURACION

SELECCION

DECISION

Problema

Explicaciones Causales

Proyectos

MODELIZACION

PLANIFICACION

IMPLEMENTACION

Prioridades

Estrategias

Tácticas

Pedidos

Impacto

Datos

5



CONCEPTOS BÁSICOS

PRES

ENTA

CIÓ

N

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION POLITICO-TECNICO

POLITICO-TECNICO

POLITICO-TECNICO

POLITICO-TECNICO

POLITICO-TECNICO

POLITICO-TECNICO

6



CONCEPTOS BÁSICOS

PRES

ENTA

CIÓ

N

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

vision

7



ESTRUCTURACION DE PROBLEMAS

8



PROBLEMA Lo que no se ajusta a nuestro paradigmas

Observado ≠ Esperado C

ON

CEP

TO D

E PR

OBL

EMA


9



CO

NC

EPTO

DE

PRO

BLEM

A

¿AMENAZA? ¿OPORTUNIDAD?

Subjetividad del Problema


10



IDEN

TIFI

CA

CIO

N

HECHOS OPINIONES


11



CO

MPO

NEN

TES

ESPACIAL TEMPORAL ADMINISTRATIVO

SOCIOLOGICO ANTROPOLOGICO


12



DIF

ICU

LTA

DES

ESPACIAL TEMPORAL ADMINISTRATIVO

SOCIOLOGICO ANTROPOLOGICO


13



PROBLEMA PÚBLICO

¿CU

AN

DO

TEN

EMO

S PR

OBL

EMA

PÚ

BLIC

O?

PROBLEMA=X1•X2•X3•X4•X5•…•Xn Vector de definición

CANTIDAD DE AFECTADOS

COORDINACIÓN INEFICIENTE

SOLUCIÓN CONFLICTIVA

DIALOGO ESTRUCTURADOR

RETO DE LA DESAMBIGUACIÓN ¿problema para quien?


14



PROBLEMA PÚBLICO

POSIBLE APROVECHABLE DESEABLE

¿CUÁLES ELEGIMOS?

DEC

IDIB

ILID

AD

DIALOGO ESTRUCTURADOR


15




IDEA

S O

RGA

NIZ

AD

OR

AS SITUACION

ENCONTRADA SITUACION ESPERADA

COMO LO DEJAMOS (LINEA DE BASE)

EL RATIO INFRAESTRUCTURA/USUARIO?

QUE OPINA LA GENTE SOBRE EL TEMA?

DONDE SE ESTAN QUEJANDO?

CUANDO SE COMENZARON A QUEJAR?

A QUE ME OBLIGA LA LEY?

QUIENES SE ESTAN QUEJANDO?

PARA CADA PROBLEMA PUBLICO

16



SELECCION DE PROBLEMAS

17




Problemas

Criterios de Selección

Selección (Sí / No) Relevancia

Capacidad para

enfrentarlo

Costo de postergación

A M B A M B A M B

P1 A M A C P2 A B B D ...

Pn IDEA

S O

RGA

NIZ

AD

OR

AS

18




¿CÓ

MO

ELE

GIR

DE

ENTR

E EL

LOS?

ENCONTRAR MANERA DE PRIORIZAR

ENCONTRAR CRITERIOS QUE PERMITAN PRIORIZAR

PROBLEMA PÚBLICO

PROBLEMA PÚBLICO

PROBLEMA PÚBLICO

PROBLEMA PÚBLICO

PROBLEMA PÚBLICO

La selección

ENCONTRAR PESO PARA CADA CRITERIO

requiere

requiere

requiere

19



SELECCIÓN DE PROBLEMAS

THOMAS SAATY

Desarrolla en la matemática una

heurística para la toma de decisiones AHP/ANP, adecuada

ante problemas MAMC (múltiples

alternativas-múltiples criterios)

Consciente de los avances en neurociencia, sabe que los humanos se confunden al

priorizar más de dos alternativas

20



MODELIZACION DE PROBLEMAS

21




LOS MODELOS SON ABSTRACCIONES DE LA REALIDAD QUE BRINDAN UNA EXPLICACIÓN SIMPLIFICADA DE ÉSTA

22




LO QUE EL MODELO EXPLICA ES

NECESARIAMENTE UTIL MAS NO EXHAUSTIVO

LA UTILIDAD DE LA EXPLICACIÓN PIERDE VIGENCIA EN EL TIEMPO

LA EXPLICACIÓN DETALLA CÓMO SE ORIGINA EL FENÓMENO DE INTERÉS

SI TENEMOS UN MODELO

CREEMOS SABER COMO EXPLORAR,

CONTROLAR Y HASTA PREDECIR

LA REALIDAD

LA EXPLICACIÓN INCLUYE VARIABLES, RELACIONES Y AGENTES

LA

RE

AL

IDA

D N

O S

E A

NA

LIZ

A, S

INO

E

L M

OD

EL

O Q

UE

DE

EL

LA

TE

NE

MO

S

23




El modelamiento analítico da conclusiones robustas pero con supuestos heroicos y parsimoniosos

La estadística y probabilidad buscan ligar entradas y salidas acotando de manera robusta la

incertidumbre, pero no explica el cómo ni por qué.

La optimización encuentra óptimos, pero requiere que los objetivos sean claros y medibles, y las restricciones estén preconcebidas L

A R

EA

LID

AD

NO

SE

AN

AL

IZA

, SIN

O

EL

MO

DE

LO

QU

E D

E E

LL

A T

EN

EM

OS

24




La simulación de eventos se sustenta en la robustez de la distribución discreta de probabilidad, por lo que sólo se enfoca en reglas sistémica y no individuales

La dinámica de sistemas se sustenta en las ecuaciones simultaneas y

flujos continuos entre elementos de un proceso. Es un único agente que

difícilmente representa heterogeneidad

Los modelos basados en agentes son actualment la mejor alternativa

pues representan sistemas complejos adpatativos de objectos

en red. Pero consumen mucho tiempo e inversión

LA

RE

AL

IDA

D N

O S

E A

NA

LIZ

A, S

INO

E

L M

OD

EL

O Q

UE

DE

EL

LA

TE

NE

MO

S

25



MODELIZACION DEL PROBLEMA

ALT

ERN

ATI

VAS

MEN

OS

FOR

MA

LES

TRIAGE

BAJO MI CONTROL

FUERA DE MI CONTROL

EXTERNO AL SISTEMA

REGLA ACUMULACIÓN DESBORDE PES

MINDMAPPING

MAPA DE CAUSALIDAD

26



MODELIZACION DEL PROBLEMA

De una manera u otra…

CAUSAS

EFECTOS

PROCESOS ACTORES

27



PLANIFICACION DE LA INTERVENCION

28




PROBLEMA ESTRUCTURADO ELEGIDO

Dedicación * Esfuerzo

CAUSAS

EFECTOS

PROCESOS ACTORES

29





OBJETIVO

META

INDICADOR

Dedicación * Esfuerzo

CAUSAS

EFECTOS

PROCESOS ACTORES

30





OBJETIVO

META

INDICADOR

ORGANIZACION

SISTEMA DE INFORMACIÓN

CAUSAS

EFECTOS

PROCESOS ACTORES

31





OBJETIVO

META

INDICADOR

ORGANIZACION


EFECTIVIDAD EFICACIA

EFICIENCIA

EFICACIA

CAUSAS

EFECTOS

PROCESOS ACTORES

32



¨ 



OBJETIVO

META

INDICADOR

ORGANIZACION


EFECTIVIDAD EFICACIA

EFICIENCIA

EFICACIA

Parsimonia Exhaustividad Exclusividad

Jerarquia

CAUSAS

EFECTOS

PROCESOS ACTORES

33



TOMA DE DECISIONES

34



TOMA DE DECISIONES

¿QUE HAY QUE HACER PARA QUE

EL PLAN FUNCIONE?

35



TOMA DE DECISIONES

INCERTIDUMBRE

RIESGO

CERTIDUMBRE

AUTO-REFLEXION

no sabemos la probabilidad de los escenarios (posibilidades)

Sí sabemos la probabilidad de los escenarios (posibilidades)

Sabemos qué y cómo hacer las cosas, optimizar es el problema

El resultado depende de lo que yo y otros decidan

Es clave que el decisor sepa discernir que modelos decisionales necesita en

diversas situaciones

36



TOMA DE DECISIONES

ACTORES

ESTRATEGIAS RESULTADO

REGLAS CREENCIAS

INTERESES

PREFERENCIAS ALTERNATIVAS

DINAMICA INFORMACION

RECOMPENSA EQUILIBRIO

“Like the physicist’s particles, people interact, but unlike the physicist’s particles, people interact strategically”

Bueno de Mesquita (2010)

OPTIMIZACION

37



TOMA DE DECISIONES


REGLAS CREENCIAS



Aquel que tenga efecto en las objetivos de otro ACTOR. Son 2 o más. La “naturaleza” normamente no juega.

ACTORES INTERESES

PREFERENCIAS ALTERNATIVAS OPTIMIZACION

38



TOMA DE DECISIONES


REGLAS CREENCIAS



Acciones disponibles. Cuando los ACTORES tienen las mismas opciones, se dice que el interacción es simétrico (sino, es asimétrico).

ACTORES INTERESES


39



TOMA DE DECISIONES


REGLAS CREENCIAS



Cada ACTOR tiene preferencias, una manera particular de ordenar sus alternativas

ACTORES INTERESES


40



TOMA DE DECISIONES


REGLAS CREENCIAS



Actor CREE que lo que se hace es lo mejor para sus intereses

ACTORES INTERESES


41



TOMA DE DECISIONES


REGLAS CREENCIAS



Es lo que persigue el ACTOR

ACTORES INTERESES


42



TOMA DE DECISIONES


REGLAS CREENCIAS



Conjunto de alternativas seleccionadas

ACTORES INTERESES


43



TOMA DE DECISIONES


REGLAS CREENCIAS



Lo que se obtiene en cada alternativa elegida

ACTORES INTERESES


44



TOMA DE DECISIONES


REGLAS CREENCIAS



Situación a la que se llegará si cada quien fue racional. Nadie querrá salir de ella.

ACTORES INTERESES


45



TOMA DE DECISIONES


REGLAS CREENCIAS



Si lo que un jugador gana el otro pierde, es un juego de suma-cero (competencia estricta).

ACTORES INTERESES


46



TOMA DE DECISIONES


REGLAS CREENCIAS



En cada juego se presentan reglas. Si existen mecanismos que obliguen a seguirlas, el juego es cooperativo.

ACTORES INTERESES


47



TOMA DE DECISIONES


REGLAS CREENCIAS



simultaneo o secuencial? Un juego puede jugarse muchas veces (iteración).

ACTORES INTERESES


48



TOMA DE DECISIONES


REGLAS CREENCIAS



COMPLETA cuando se conocen las alternativas y los resultados posibles; PERFECTA, cuando se sabe la estrategia del turno anterior (secuencias).

ACTORES INTERESES


49



TOMA DE DECISIONES


REGLAS CREENCIAS



Racionalidad Individual busca “optimo” pero resultado social puede alejarse de ello

ACTORES INTERESES


50



TOMA DE DECISIONES


G+ P

P G+ G G

g g

Coopero No

coopero

Co

op

ero

N

o

coo

per

o

Que tanto hay qué saber?

Que tanto importa poder comunicarse?

51



TOMA DE DECISIONES


G+ P

P G+ G g

g G

Coopero No

coopero

Co

op

ero

N

o

coo

per

o



52



TOMA DE DECISIONES


G+ P

P G+ g g

P+ P+

Coopero No

coopero

Co

op

ero

N

o

coo

per

o



53



TOMA DE DECISIONES


G+ P

P G+ g g

P+ P+

Coopero No

coopero

Co

op

ero

N

o

coo

per

o

La esencia de tomar

decisiones es asumir los

riesgos.

54



MOMENTO DE IMPLEMENTACIÓN

La esencia de tomar


riesgos.

55




La esencia de tomar


riesgos.

Así llega la estrategia al gerente publico

56




ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

Any fool can know. The point is to understand

57




REALIDAD

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

Complejidad

Tácticas

58




REALIDAD

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

Complejidad

Tácticas

PREOCUPACION: SER PRESA DE LAS HEURISTICAS DECISONALES

59




REALIDAD

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

PREOCUPACION: SER PRESA DE LAS HEURISTICAS DECISONALES

LA

S H

EU

RIS

TIC

AS

S

ON

EF

ICA

CE

S E

N

CO

RT

O P

LA

ZO

• DISPONIBILIDAD • PERPETUACIÓN • AUTOENCUBRIMIENTO • AUTOJUSTIFICACIÓN • MARCO DE REFERENCIA • DRAMATISMO • PATRONISMO

60




REALIDAD

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

LA

S H

EU

RIS

TIC

AS

S

ON

EF

ICA

CE

S E

N

CO

RT

O P

LA

ZO

EN GENERAL, HAY QUE EVITAR

QUE LA SOLUCION DE UN PROBLEMA GENERE MÁS

COMPLEJIDAD

61




REALIDAD

ESTRUCTURACION

SELECCION

DECISION

MODELIZACION

PLANIFICACION

IMPLEMENTACION

EN PARTICULAR, LA GESTION PUBLICA DEBE ACTUAR CON

INTELIGENCIA A LA ALTURA DE LA COMPLEJIDAD SOCIAL

ACTUAL

62




EN PARTICULAR, LA GESTION PUBLICA DEBE ACTUAR CON

INTELIGENCIA A LA ALTURA DE LA COMPLEJIDAD SOCIAL

ACTUAL

DATOS DE

CALIDAD

Pero…INTELIGENCIA NO ES CUALIDAD DE LOS DATOS

63




Tecn

olog

ía c

omo

com

plem

ento

al s

er

hum

ano

para

lidi

ar c

on la

co

mpl

ejid

ad

DATO NO DA CONTEXTO

HAY CONSTRUIR EL CONTEXTO ADECUADO

INFORMACION

CONOCIMIENTO

ACCIÓN

64




Tecn

olog

ía c

omo

com

plem

ento

al s

er

hum

ano

para

lidi

ar c

on la

co

mpl

ejid

ad

VOLUMEN

VARIEDAD

VELOCIDAD

VALOR

RETOS VERACIDAD

VALIDEZ

BIG DATA – POLITICA COMPUTACIONAL

65




BIG DATA – POLITICA COMPUTACIONAL

Aplicación Local

66




PO

LIT

ICA

CO

MP

UTA

CIO

NA

L

67




PO

LIT

ICA

CO

MP

UTA

CIO

NA

L Los que cambiaron de partido para 2011

Reelectos

No Reelectos

68




PO

LIT

ICA

CO

MP

UTA

CIO

NA

L

69




PO

LIT

ICA

CO

MP

UTA

CIO

NA

L

70




PO

LIT

ICA

CO

MP

UTA

CIO

NA

L

71




PO

LIT

ICA

CO

MP

UTA

CIO

NA

L Congreso del Peru 2006-2011

(Red de coautores de proyectos de ley)

72




Congreso del Peru 2006-2011 - Red de coautores de proyectos de ley

2006-I 2006-II 2007-II

2008-II 2009-II 2010-II

2007-I 2008-I

2009-I 2010-I

73




MA

S P

RO

FU

ND

IDA

D?

74



Muchas Gracias

José Manuel MAGALLANES [email protected]

[email protected]

Inteligencia politica

Education

Transcript of Inteligencia politica