Por Pablo Balcáceres - Revista Estrategia & Negocios
Los índices de pobreza multidimensional se han convertido en una herramienta clave para las empresas que despliegan estrategias de sostenibilidad. La metodología trasciende una visión meramente financiera de la pobreza y considera otras carencias en materias de salud y educación, por ejemplo, explica Jamie Coats, CEO de Wise Responder.
Wise Responder –lanzado por Sophia Oxford– asiste a las empresas en la implementación de estas métricas sociales y crear estrategias para la inversión social. E&N conversó con Coats para conocer su experiencia en Centroamérica.
¿Qué es y cómo funciona Wise Responder?
Hablamos de un análisis social científico de alta calidad, de llevar la ciencia matemática cuantitativa a la inversión social. Hablamos de inteligencia empresarial, pero también de la calidad de las inversiones sociales.
La metodología se basa en una idea muy simple. Cuando inicialmente se analizaba la pobreza, tradicionalmente se utilizaba el dinero, pero en realidad el dinero no te dice las circunstancias de alguien, no te dice si tiene educación, o si tiene agua.
Así que la Universidad de Oxford en 2007 creó un centro de investigación y se hizo la pregunta: ¿podríamos modelar matemáticamente lo que la gente realmente necesita, la educación, la sanidad y luego ponerlo al lado de las finanzas para analizar cuál es la circunstancia de las personas?
En 2010, la ONU y la Universidad de Oxford elaboraron un Índice de Pobreza Multidimensional (IMP) que ya se aplica en 127 países. América Latina ha sido pionera en el uso de esta metodología para mejorar la gestión de sus gobiernos.
¿Todas las empresas pueden usar esta plataforma?
Sí, somos una empresa creada por la Universidad de Oxford y nos fijamos en un par de propuestas de valor para las empresas. Tenemos una herramienta que le permite medir la pobreza entre sus empleados mediante una encuesta y luego hay una plataforma que hace el cálculo sobre los porcentajes de pobreza según sus diferentes componentes y le da operativamente una herramienta para una mejor gestión de sus empleados.
¿Cómo se está implementando en Centroamérica?
Una empresa cervecera que conocemos descubrió que un gran número de sus empleados en un país de Centroamérica –el 40%- eran pobres multidimensionales y lograron reducir esa cifra a la mitad en seis meses averiguando cómo acceder a la atención sanitaria a todos los miembros de la familia de todos los empleados.
Hemos visto cómo los bancos lo han utilizado con sus propios trabajadores. Yo diría que BAC Credomatic en Costa Rica fue uno de los pioneros –BAC Credomatic ha estado dispuesto a publicar su baseline– cuando empezaron en Costa Rica el 12% de sus empleados eran pobres multidimensionales y tienen como objetivo reducirlo en todas sus operaciones.
Por el perfil y presencia de BAC uno no pensaría encontrar tales niveles de pobreza multidimensional
Las encuestas de hogares (que ocupamos) se centran en los adultos que viven en el hogar de los empleados, esto ayuda a comprender las circunstancias en las que viven. Puede que haya un empleado que cuide de sus padres ancianos, de su hermano, o que su hogar sea bastante grande y los ingresos no lleguen tan lejos como cabría imaginar. Lo bueno de la herramienta es que te permite pasar a la acción con bastante rapidez.
Tenemos mucho cuidado en ayudar a las empresas a entender –una vez que obtienen los datos que necesitan– tres preguntas: ¿Cuánto dinero tienes para invertir? ¿Qué puedes resolver rápidamente? Y la pregunta crítica es: ¿qué competencias tienes?
Uno de nuestros clientes es Dole Fruit, por ejemplo, que tiene muchas competencias en materia de suministro de agua y ayuda a las comunidades con sistemas de riego, etc., tiene menos competencias en el ámbito de la educación, pero ha estado utilizando los datos para mejorar las escuelas en las zonas donde trabajan sus empleados.
¿Cómo pueden las empresas utilizar esta información para sus informes o reportes de sostenibilidad?
En primer lugar, el enfoque multidimensional de la pobreza forma parte de los Objetivos de Desarrollo Sostenible (ODS) y, como proporciona una puntuación matemática de referencia, puede utilizarse para informar sobre los ODS –el ODS 1.2 es acabar con la pobreza utilizando el enfoque multidimensional. Las empresas nos han dicho que esto es poderoso porque no estamos hablando de promedios, sino de datos objetivos y granulares que se suman para informar con una baseline y una respuesta.
¿Cómo se alimentan los datos de su plataforma? ¿Los utilizan para benchmarking?
Los datos son un tema fundamental. Por un lado, hemos analizado toda la región de América Latina para ver de qué datos disponen los distintos gobiernos y cuáles se actualizan con regularidad.
En el caso de uno de nuestros clientes, hicimos una evaluación de los datos sociales que tenían en ese momento, y resultó que en realidad tenían el 60% de los datos necesarios para hacer las encuestas en su propio sistema, por lo que les hemos ayudado a reestructurarlos para que puedan aplicar inteligencia a los mismos.
En cualquier caso, primero recomendamos la recogida directa de datos para tener un estándar en toda la operación, especialmente si se trata de una empresa multilatina; y lo segundo es permitir la liberación agregada de los datos anonimizados para benchmark. Se trata de datos sensibles, por lo que tenemos mucho cuidado al respecto.
¿Qué hallazgos de benchmark destacaría?
En el sector agrícola ayudamos a las empresas a entender la malnutrición, que no solo está provocada por la pobreza, sino por el endeudamiento informal, es decir, que la gente consigue un trabajo, obtiene un crédito, pero se endeuda demasiado, luego aparece el cobrador de deudas y alimentan al cobrador antes que a sus hijos. Se trata también de un problema de educación y reestructuración financiera.
¿Cómo se utiliza la inteligencia artificial (IA) en estos análisis?
Sobre el futuro, usted puede mirar en todo el mundo la meta de carbono cero neto, es una medida bastante simple, pero se ha convertido en un bien público mundial.
En el futuro vamos a ver la pobreza multidimensional cero neta como la hermana del carbono cero neto. Hay algo importante: uno de los factores más poderosos para reducir la pobreza, y la investigación académica así lo demuestra, es el suministro de energía y el acceso a la misma; si no se aumenta el acceso a la energía en las economías, la pobreza no disminuirá.
Cuando se trata de la IA, nos permite fusionar una gran cantidad de datos juntos y lo que creo que va a suceder en los próximos 10 años es que vamos a ser capaces de estimar la exposición a la pobreza de cada empresa y cada producto
