Encuentro esta discusión particularmente relevante. En mi trabajo, utilizo con frecuencia el análisis de series temporales y la modelización predictiva para estimar tendencias futuras a partir de datos históricos.
Quisiera añadir que, si bien los enfoques prospectivos que no dependen del desempeño pasado son esenciales —especialmente en contextos caracterizados por una elevada incertidumbre o datos limitados—, los métodos predictivos basados en datos históricos siguen siendo algunas de las herramientas más sólidas de las que disponemos cuando se cuenta con datos suficientes y fiables. Estos métodos nos permiten identificar patrones, cuantificar tendencias y generar proyecciones basadas en evidencia que pueden complementar eficazmente los enfoques prospectivos de carácter más cualitativo.
Con el avance de la inteligencia artificial y el aprendizaje automático, contamos hoy con la capacidad de ir más lejos, integrando grandes volúmenes de datos provenientes de múltiples proyectos, regiones e incluso donantes. Esto abre oportunidades significativas para desarrollar modelos predictivos más precisos y sensibles al contexto, particularmente cuando se trabaja con intervenciones similares dentro de un mismo país o sector.
No obstante, una limitación importante sigue siendo la disponibilidad y la fragmentación de los datos. Con frecuencia, estos se encuentran compartimentados dentro de proyectos u organizaciones individuales, lo que dificulta la construcción de conjuntos de datos suficientemente amplios y diversos para una modelización robusta. En muchos casos, los datos de un único proyecto no son suficientes para respaldar predicciones fiables.
Una posible vía de avance consistiría en fortalecer la apropiación nacional de los datos de los proyectos. Los gobiernos podrían desempeñar un papel clave en la consolidación de los datos generados en el marco de distintos proyectos, reuniéndolos en bases de datos centralizadas y accesibles. Si se diseñan adecuadamente, dichos sistemas podrían apoyar la investigación, orientar el diseño de proyectos y permitir un análisis ex ante más riguroso de los factores de éxito o fracaso potenciales.
En ese sentido, identifico importantes complementariedades entre los métodos prospectivos y el análisis predictivo. La prospectiva nos permite explorar la incertidumbre y los futuros alternativos, mientras que los modelos predictivos nos ayudan a cuantificar las tendencias más probables cuando los datos lo permiten. La integración de ambos enfoques podría fortalecer considerablemente la práctica evaluativa y la toma de decisiones.
RE: From Hindsight to Foresight: How Evaluation Can Become Future-Informed
Canada
Rhode Early Charles
Publicado el 25/03/2026
Encuentro esta discusión particularmente relevante. En mi trabajo, utilizo con frecuencia el análisis de series temporales y la modelización predictiva para estimar tendencias futuras a partir de datos históricos.
Quisiera añadir que, si bien los enfoques prospectivos que no dependen del desempeño pasado son esenciales —especialmente en contextos caracterizados por una elevada incertidumbre o datos limitados—, los métodos predictivos basados en datos históricos siguen siendo algunas de las herramientas más sólidas de las que disponemos cuando se cuenta con datos suficientes y fiables. Estos métodos nos permiten identificar patrones, cuantificar tendencias y generar proyecciones basadas en evidencia que pueden complementar eficazmente los enfoques prospectivos de carácter más cualitativo.
Con el avance de la inteligencia artificial y el aprendizaje automático, contamos hoy con la capacidad de ir más lejos, integrando grandes volúmenes de datos provenientes de múltiples proyectos, regiones e incluso donantes. Esto abre oportunidades significativas para desarrollar modelos predictivos más precisos y sensibles al contexto, particularmente cuando se trabaja con intervenciones similares dentro de un mismo país o sector.
No obstante, una limitación importante sigue siendo la disponibilidad y la fragmentación de los datos. Con frecuencia, estos se encuentran compartimentados dentro de proyectos u organizaciones individuales, lo que dificulta la construcción de conjuntos de datos suficientemente amplios y diversos para una modelización robusta. En muchos casos, los datos de un único proyecto no son suficientes para respaldar predicciones fiables.
Una posible vía de avance consistiría en fortalecer la apropiación nacional de los datos de los proyectos. Los gobiernos podrían desempeñar un papel clave en la consolidación de los datos generados en el marco de distintos proyectos, reuniéndolos en bases de datos centralizadas y accesibles. Si se diseñan adecuadamente, dichos sistemas podrían apoyar la investigación, orientar el diseño de proyectos y permitir un análisis ex ante más riguroso de los factores de éxito o fracaso potenciales.
En ese sentido, identifico importantes complementariedades entre los métodos prospectivos y el análisis predictivo. La prospectiva nos permite explorar la incertidumbre y los futuros alternativos, mientras que los modelos predictivos nos ayudan a cuantificar las tendencias más probables cuando los datos lo permiten. La integración de ambos enfoques podría fortalecer considerablemente la práctica evaluativa y la toma de decisiones.