En los últimos años, los gobernadores estatales en los Estados Unidos se han vuelto cada vez más hacia enfoques basados en datos para abordar la pobreza. En lugar de depender de programas amplios y únicos, estos líderes están utilizando ahora datos granulares para orientar los recursos con precisión quirúrgica. Al aprovechar información sobre ingresos, empleo, educación, salud y vivienda, los gobernadores pueden identificar a las poblaciones más vulnerables e intervenir donde las intervenciones tendrán el mayor impacto. Este cambio no es simplemente una tendencia — es un reconsideramiento fundamental de cómo los gobiernos estatales combaten la pobreza, pasando de la formulación de políticas basadas en la intuición a estrategias basadas en pruebas que son más transparentes, responsables y eficaces.

Los Estados gastan colectivamente miles de millones de dólares cada año en programas contra la pobreza que van desde la asistencia en efectivo y los bollos de alimentos hasta la formación laboral y los alojamientos asequibles. Sin embargo, sin datos sólidos, gran parte de ese dinero puede ser mal dirigido. La gobernanza basada en datos permite a los Estados medir los resultados, ajustar el curso en tiempo real y asegurar que cada dólar de los contribuyentes se utilice con el máximo efecto. Como resultado, los gobernadores de ambas partes están invirtiendo en unidades de análisis de datos, asociandose con universidades y abriendo datos gubernamentales al público. Este artículo explora cómo los líderes estatales están usando datos para luchar contra la pobreza y qué significa eso para el futuro de la política social.

El papel de los datos en la comprensión de la pobreza

Los datos desempeñan un papel crítico en el traslado de los esfuerzos de reducción de la pobreza de reactivos a proactivos. En lugar de esperar que las familias caigan en crisis, los gobernadores pueden utilizar los datos para anticipar la necesidad y prestar servicios temprano. Por ejemplo, mediante la análisis de los registros de asistencia escolar y los datos de las declaraciones de salud, un Estado puede identificar a los niños que corren el riesgo de caer en la pobreza antes de que sus familias experimenten colapso financiero. Este tipo de intervención temprana sólo es posible cuando los datos de diferentes agencias se integran y analizan juntos.

Identificación de las causas raíz

La pobreza rara vez es el resultado de un solo factor. Es típicamente una red compleja de cuestiones interconectadas —bajos salarios, falta de servicios asequibles de guardería, mala salud, discriminación y aislamiento geográfico. Los datos ayudan a los gobernadores a desagregar estos factores y a entender cuáles son los más apremiantes en su estado. Por ejemplo, un gobernador en un estado rural podría encontrar que la falta de transporte es la principal barrera al empleo, mientras que un gobernador en un estado urbano podría enfrentarse a una crisis de accesibilidad a la vivienda. Sin datos, estas matices permanecerían invisibles y las políticas se perderían el marcado.

Poblacións vulnerables dirigidas

Los datos también revelan qué grupos son afectados de manera desproporcionada por la pobreza. Los desgloses demográficos por edad, raza, género y estado de discapacidad permiten a los gobernadores diseñar intervenciones específicas. Por ejemplo, los niños menores de 5 años son el grupo de edad más propenso a vivir en la pobreza en muchos estados. Mediante la referencia cruzada de los datos sobre pobreza infantil con la inscripción en la educación infantil, un gobernador puede asignar fondos para programas pre-K en los barrios donde más se necesitan. De igual manera, los datos que muestran tasas de pobreza más elevadas entre las madres solteras pueden conducir a iniciativas que amplían los subsidios para la infancia y las licencias familiares pagadas.

Mapeando los sitios web geográficos

Los sistemas de información geográfica (SIG) se han convertido en herramientas esenciales para los gobernadores. Al trazar los índices de pobreza en un mapa junto con los datos sobre escuelas, hospitales, supermercados y transporte público, los responsables políticos pueden ver exactamente dónde se concentra la pobreza y qué recursos faltan. Algunos estados, como Califórnia[, han creado paneles de datos sobre pobreza que muestran los datos de pobreza hasta el nivel del tracto censal. Estos instrumentos facultan a los funcionarios locales y a las organizaciones comunitarias para colaborar con el gobierno estatal en soluciones específicas.

Fuentes de datos y mediciones clave

Los gobernadores estatales dependen de una amplia gama de fuentes de datos para informar sus estrategias de reducción de la pobreza. Algunos de ellos son encuestas gubernamentales tradicionales, mientras que otros provienen de registros administrativos o asociaciones del sector privado. A continuación se presentan los tipos de datos más utilizados y cómo informan a la política.

  • Estadísticas de ingresos y empleo – El American Community Survey (ACS) del Bureau del Censo de los Estados Unidos proporciona datos anuales sobre el ingreso, la situación de pobreza y el empleo. Los gobernadores utilizan estos datos para determinar la elegibilidad para programas como Medicaid y SNAP y para evaluar si la economía del estado está creciendo de manera inclusiva.
  • Datos de rendimiento educativo – Los departamentos de educación del Estado recopilan datos sobre los resultados de los exámenes, las tasas de graduación y la disciplina escolar. Al vincular estos datos a los datos de ingresos, los gobernadores pueden identificar las deficiencias de rendimiento e invertir en escuelas que sirven a estudiantes de bajos ingresos. Programas como Promesa de becas[ en Michigan se orientan sobre la base de esa análisis.
  • Salud y acceso a la salud[ – Datos de reclamaciones, registros de alta hospitalaria y encuestas como el Sistema de Vigilancia de Factores de Riesgo Comportamental (BRFSS) ayudan a los gobernadores a comprender los impactos de la pobreza en la salud. Por ejemplo, los estados con altos índices de diabetes entre las poblaciones de bajos ingresos pueden ampliar el acceso a programas de atención preventiva y nutrición.
  • Hosting Affordability and Homelessness Data[ – El Departamento de Vivienda y Desarrollo Urbano (HUD) proporciona datos sobre cargas de alquiler, desalojos y cuenta de personas sin hogar. Los gobernadores pueden hacer referencias cruzadas a esto con datos de ingresos para asignar vales de vivienda y financiar refugios de emergencia en las comunidades más tensas.
  • Información demográfica – Los datos de edad, raza, etnia y discapacidad son esenciales para garantizar la equidad. Muchos gobernadores han establecido papeles de equidad que rastrean si los esfuerzos de reducción de la pobreza están llegando a todas las poblaciones por igual.

Cada vez más, los estados también están usando sistemas de datos integrados (IDS) que vinculan los registros entre agencias. Por ejemplo, OregonÕs Sistema de datos de clientes integrado conecta los datos de las agencias de servicios humanos, educación y mano de obra para proporcionar una visión global de cada necesidad de las familias. Tales sistemas permiten a los gobernadores evaluar el impacto combinado de varios programas y reducir la carga administrativa para las familias.

Cómo los gobernadores traducen los datos a la acción

La recopilación de datos es sólo el primer paso. El verdadero desafío consiste en traducir las ideas en políticas que realmente cambian vidas. Los gobernadores estatales están experimentando varios mecanismos para salvar el desfase entre el análisis de datos y la implementación del programa.

Establecimiento de unidades de análisis de datos

Muchos gobernadores han creado equipos de análisis de datos dedicados dentro de sus oficinas o bajo su control. Estas unidades están dotadas de científicos de datos, estadísticos y analistas de políticas que trabajan directamente con líderes de agencias para diseñar programas basados en pruebas. El estado de Washington, bajo el gobernador Jay Inslee, lanzó la iniciativa Resultados de Washington, que utiliza tableros de datos para seguir los progresos en la reducción de la pobreza y otros objetivos clave. Del mismo modo, Colorado[ creó la GovernorÕs Office of Data Analytics[ para coordinar el intercambio de datos entre departamentos.

Usando modelado predictivo para intervención temprana

La análisis predictivo es una de las herramientas más poderosas del arsenal basado en datos. Al alimentar datos históricos en modelos de aprendizaje automático, los estados pueden predecir qué familias están en mayor riesgo de caer en la pobreza o de experimentar sin hogar. Por ejemplo, el estado de Massachusetts[ pilotoó un modelo que utiliza datos de hogares de guarda, bienestar infantil y TANF (Asistencia Temporaria para Familias Necesarias) para identificar familias que podrían beneficiarse de la gestión voluntaria de casos. El programa redujo la probabilidad de que un niño ingresara en hogares de guarda en un 20% y salvó a los millones de estados en costos de respuesta a crisis.

Vinculando los datos a las decisiones presupuestarias

Algunos gobernadores están incorporando datos directamente en el proceso presupuestario. En lugar de simplemente proponer partidas de línea para los programas de pobreza, exigen que las agencias presenten pruebas de eficacia. En Ohio, el gobernador del Oficina de Presupuesto y Gestión utiliza un enfoque їResults-Firstї, exigiendo que las agencias estatales demuestren que sus programas han sido evaluados utilizando métodos rigurosos como ensayos controlados aleatorios. Los programas que no pueden demostrar su impacto son desfinanciados, mientras que los programas respaldados por pruebas reciben recursos adicionales.

Tablas públicas y responsabilidad comunitaria

La transparencia es una parte clave de la gobernanza basada en datos. Muchos estados publican ahora tableros de control en línea que rastrean las métricas de pobreza en tiempo real. Estos tableros de control permiten a los ciudadanos, los periodistas y los grupos de defensa de la pobreza responsabilizar a sus gobernadores. Por ejemplo, Nevada[ creó el programa Nevada Data-Driven Decision-Making[], que incluye un tablero de control público de la pobreza. Cuando una métrica muestra un descenso del empleo entre los residentes de bajos ingresos, los interesados comunitarios pueden presionar al gobernador para que ajuste los programas de capacitación de la mano de obra.

Estudios de caso: Reducción de la pobreza impulsada por los datos en acción

California: Dirigir la pobreza infantil con datos integrados

El gobernador Gavin Newsom ha hecho de la reducción de la pobreza una prioridad central, especialmente para los niños. En 2021, su administración lanzó la Ley de reducción de la pobreza infantil de California, que fijó el objetivo de reducir la pobreza infantil en un 50% para 2030. Para seguir los progresos, el Estado construyó un sistema de datos integrado que vincula el Departamento de Servicios Sociales, el Departamento de Educación y el Departamento de Servicios de Salud. Utilizando estos datos, el Estado identificó que la ampliación del crédito fiscal para ingresos ganados del Estado (CalEITC) y el aumento de los beneficios de CalFresh (SNAP) tuvo el mayor impacto en la pobreza infantil. En 2022, California amplió ambos programas, lo que llevó a una disminución del 15% en la pobreza infantil, resultado directamente atribuible al análisis de datos.

Michigan: Usando el SIG para asignar fondos de vivienda asequible

La administración del gobernador Gretchen Whitmer . utilizó datos para reasignar fondos federales de socorro para viviendas en caso de pandemia. La Autoridad Estatal de Desarrollo del Vivienda de Michigan (MSHDA) analizó los datos de archivo de desalojos, las tasas de carga de alquiler y el número de personas sin hogar a nivel de condado. Descubrieron que cuatro condados representaban más del 60% de la inestabilidad de la vivienda del estado. Mediante esos datos, el gobernador dirigió 100 millones de dólares adicionales a esos condados para la asistencia en materia de alquiler y desarrollo de viviendas asequibles. El enfoque fue tan exitoso que MSHDA ahora utiliza ese mismo modelo de datos para orientar todos sus inversiones en vivienda.

Texas: Formación personalizada de la fuerza de trabajo a partir de datos laborales

El gobernador Greg Abbott . La comisión de trabajadores de Texas Workforce Solutions, utiliza datos sobre tasas de desempleo local, proyecciones de crecimiento de la industria y lagunas individuales de habilidades para ofrecer capacitación profesional personalizada. Cuando los datos mostraron que la zona de Houston tenía una escasez de auxiliares de enfermería certificados (CNA) pero un excedente de trabajadores minoristas, el estado financió un programa de formación gratuito para trabajadores minoristas desplazados. El programa puso a más de 1.200 personas en puestos de trabajo del CNA en un plazo de seis meses, con una tasa de retención del 90% después de un año. El gobernador acredita el enfoque basado en datos para la rentabilidad del programa, señalando que costó $3.000 por colocación en comparación con una media de $ 8.000 para programas estatales similares.

Superar los desafíos: privacidad, precisión y capacidad

Pese a su promesa, la reducción de la pobreza impulsada por los datos no está sin obstáculos. Los gobernadores deben navegar por un campo minado de preocupaciones de privacidad, problemas de calidad de los datos y resistencia institucional.

Privacidad de datos y uso ético

La integración de datos de múltiples agencias plantea serias preocupaciones acerca de la privacidad y el posible uso indebido. Las familias en pobreza ya son vulnerables, y el espectro de la vigilancia gubernamental puede disuadirlas de buscar ayuda. Para abordar esto, varios estados han adoptado privacy-by-design marcos. Por ejemplo, Connecticut[ creó el Connecticut Data Collaborative[, que utiliza datos desidentificados y requiere el consentimiento explícito para cualquier dato vinculado a individuos. Los gobernadores también deben asegurar que los modelos predictivos no refuercen los sesgos raciales o económicos, un riesgo que se ha documentado en los sistemas de bienestar infantil y justicia penal.

Asegurando la precisión y puntualidad de los datos

Los datos sólo son útiles si son exactos y actuales. Muchas agencias estatales dependen de métodos de recopilación de datos anticuados, como formularios de papel o bases de datos silenciadas que no se comunican entre sí. Una iniciativa basada en datos puede verse socavada por datos incorrectos. Para combatir esto, los estados están invirtiendo en una infraestructura de datos moderna, incluyendo API, almacenamiento en nube y tuberías de datos en tiempo real. Por ejemplo, Tennessee[ construyó un lago de datos estatal que permite a las agencias compartir datos en tiempo casi real. El estado ahora actualiza su tablero de datos de pobreza mensualmente en lugar de anualmente, dando al gobernador una imagen más precisa de la necesidad.

Creación de capacidad técnica

Muchos gobiernos estatales carecen de la experiencia científica en materia de datos interna para realizar análisis sofisticados. Atraer y retener talentos en materia de datos es un reto permanente, especialmente cuando los salarios del sector privado son más altos. Los gobernadores han respondido creando becas de datos y asociandose con universidades. Nueva York[, bajo el gobernador Kathy Hochul, lanzó el programa de análisis cívico de Nueva York[, que incorpora a los estudiantes de doctorado de SUNY en agencias estatales para trabajar en proyectos relacionados con la pobreza. El programa ha producido más de 50 recomendaciones políticas basadas en pruebas en dos años.

El futuro de la reducción de la pobreza impulsada por los datos

El panorama de la gobernanza basada en datos está evolucionando rápidamente. Es probable que varias tendencias definan cómo los gobernadores combaten la pobreza en la próxima década.

Inteligencia artificial y aprendizaje automático

La IA y el aprendizaje automático permitirán a los estados pasar de la analítica descriptiva (lo que sucedió) a la analítica prescriptiva (lo que debemos hacer). Por ejemplo, un modelo de aprendizaje automático podría analizar miles de variables para recomendar la combinación óptima de programas para cada familia—formación laboral, cuidado de niños, asistencia alimentaria o dinero en efectivo—basado en los resultados previstos. Los primeros pilotos en Alabama[ han demostrado que la gestión de casos impulsada por la IA puede reducir el tiempo que las familias pasan en la pobreza hasta en 18 meses.

Datos en tiempo real y loops de retroalimentación continua

En lugar de informes anuales, los futuros programas utilizarán datos en tiempo real para ajustarse rápidamente. Los dispositivos de Internet de las cosas (IoT), los datos de teléfono móvil y los registros de transacciones de transferencia electrónica de beneficios (EBT) pueden proporcionar indicadores de dificultad económica de hasta el minuto. Un gobernador podría ver un aumento en el uso de los sellos alimenticios en un condado específico y implementar inmediatamente pantalones alimenticios móviles o ajustar los niveles de beneficios SNAP.

Colaboración y intercambio de datos entre Estados

La pobreza no respeta las líneas estatales. La migración interestatal, los mercados regionales de trabajo y las perturbaciones de la cadena de suministro afectan a la pobreza. Los gobernadores están empezando a compartir datos a través de las fronteras a través de pactos como el Asociación Nacional de Gobernadores .El Estado de la Red de Innovación[]. Esto les permite comparar sus esfuerzos de reducción de la pobreza con los estados pares y adoptar las mejores prácticas que se han demostrado en otros lugares.

Conclusión

El uso estratégico de los datos por los gobernadores estatales está transformando los esfuerzos de reducción de la pobreza de la adivinación en una ciencia. Al identificar causas profundas, centrando a las poblaciones vulnerables y midiendo los resultados en tiempo real, los gobernadores pueden diseñar intervenciones que sean más eficaces y más eficientes. Aunque persisten desafíos en torno a la privacidad, la exactitud y la capacidad, la trayectoria es clara: el futuro de la política de lucha contra la pobreza está impulsada por los datos. A medida que la tecnología avanza y la colaboración se profundice, estos enfoques se volverán aún más sofisticados, lo que conducirá a soluciones más equitativas y duraderas para las comunidades de toda la nación. Los gobernadores que abracen esta transformación serán los que más decaen en la pobreza y que establezcan el estándar para una gobernanza responsable y orientada hacia los resultados en el siglo XXI.