Los datos no tradicionales se están convirtiendo en una herramienta cada vez más relevante para responder a preguntas de interés público en ámbitos como la salud, el medio ambiente, la planificación espacial o la producción alimentaria.
Se trata de información capturada, mediada u observada mediante tecnologías digitales y, en muchos casos, generada por empresas privadas o plataformas tecnológicas.
Entre estas fuentes se encuentran imágenes satelitales, datos de telefonía móvil, transacciones comerciales, sensores ambientales o publicaciones en redes sociales.
Su valor reside en que pueden ofrecer información continua y con un alto nivel de detalle geográfico, lo que permite observar fenómenos sociales, ambientales o económicos con una granularidad que no siempre aportan las fuentes tradicionales.
El Open Data Policy Lab de la Universidad de Nueva York ha documentado este fenómeno dentro de lo que denomina la “Tercera ola de los datos abiertos”, un enfoque orientado a propósitos concretos, con participación del sector privado y centrado en el uso responsable de la información.
Qué diferencia a los datos no tradicionales de los datos tradicionales
Los datos tradicionales son aquellos recopilados de forma deliberada mediante metodologías estandarizadas y procesos consolidados de medición, como censos oficiales, encuestas estadísticas o registros administrativos.
Suelen tener una periodicidad más baja, una estructura definida y una finalidad explícita.
Los datos no tradicionales, en cambio, pueden surgir como subproducto de actividades cotidianas o del funcionamiento de infraestructuras digitales. Una compra en un supermercado, una llamada telefónica, una publicación en una red social o el paso de un satélite sobre un territorio pueden generar información útil para el análisis público.
Ambos tipos de datos tienen valor, pero su combinación permite ampliar la capacidad de análisis, especialmente cuando se trata de detectar cambios rápidos o patrones detallados del comportamiento social.
Salud pública: hábitos de compra para detectar señales tempranas
Uno de los ejemplos recogidos es el uso de datos de tarjetas de fidelización comercial para investigar posibles señales previas a un diagnóstico de cáncer. Un equipo del Imperial College London está utilizando datos de tarjetas de fidelización de dos cadenas británicas de supermercados, con el consentimiento de unos 3.000 participantes, para analizar cambios en los patrones de compra, especialmente de medicamentos sin receta.
Según la información aportada, estudios anteriores ya habían mostrado que estos patrones podían anticipar un diagnóstico de cáncer de ovario hasta ocho meses antes de su confirmación clínica. La extensión de este enfoque a otros tipos de cáncer podría facilitar una detección más temprana y animar a las personas a buscar atención médica antes.
Movilidad y emergencias: respuesta ante alertas por SMS
Otro caso se centra en el uso de datos anonimizados de redes de telefonía móvil para analizar la respuesta de la población ante alertas de evacuación por incendios forestales enviadas por SMS. El estudio, publicado en diciembre de 2025, monitorizó la actividad de unos 580.000 dispositivos durante los incendios forestales de febrero de 2024 en Valparaíso, Chile.
Los investigadores utilizaron los cambios de conexión a antenas de telefonía como indicador del movimiento de la población y compararon los patrones antes y después del envío de las alertas. El análisis mostró que las primeras alertas provocaban un movimiento claro de población, mientras que las alertas repetidas generaban una respuesta cada vez más débil.
También se observó que las zonas de mayor renta respondían con más rapidez y que hubo desplazamientos en áreas que no habían recibido la alerta directamente. Esta información puede ayudar a diseñar protocolos de aviso más eficientes en situaciones de emergencia.
Medio ambiente: edificios, calor urbano e inteligencia artificial
En el ámbito medioambiental, un estudio realizado en Dar es Salaam, en el delta del río Msimbazi, en Tanzania, utilizó imágenes captadas por drones y fotografías a nivel de calle para analizar qué características de los edificios influyen en la exposición al calor urbano.
Los investigadores combinaron estas fuentes visuales con datos de temperatura de superficie obtenidos por satélite y mapas de edificaciones. Además, entrenaron un modelo de inteligencia artificial para extraer atributos como materiales de tejados y fachadas, presencia de vegetación, densidad edificatoria o reflectividad de las superficies.
El análisis permite identificar características del entorno construido que contribuyen a reducir la exposición al calor, con posibles aplicaciones en diseño urbano y rehabilitación de edificios, especialmente en ciudades expuestas a un riesgo creciente de olas de calor.
El reto: aprovechar los datos sin perder confianza
Los casos descritos muestran que los datos no tradicionales pueden ser especialmente útiles cuando la medición convencional resulta lenta o demasiado agregada. También reflejan que su mayor potencial aparece al combinarlos con fuentes de referencia ya existentes, como datos socioeconómicos, registros de temperaturas o mapas.
A medida que estas fuentes se incorporan a procesos de toma de decisiones públicas y privadas, adquieren mayor importancia las cuestiones de gobernanza: quién accede a los datos, cómo se utilizan y qué mecanismos garantizan la protección de la privacidad.
El reto consiste en construir marcos de protección que permitan aprovechar el valor de estos datos sin erosionar la confianza de las personas que los generan en su actividad cotidiana.
