evidoria

← Volver al listado

Buena práctica Importada

MobileAid: focalización de la pobreza mediante aprendizaje automático a partir de metadatos móviles

Bangladés · Cox's Bazar · Ver el perfil de Bangladés

Evidencia: Cuasiexperimental Top 25% 73/100 · Pregunte a Evidence Copilot sobre esta práctica

El programa a2i de Bangladesh, junto con GiveDirectly, el PNUD y UC Berkeley, probó la focalización de la pobreza mediante aprendizaje automático a partir de registros de llamadas en 106.200 hogares en Cox's Bazar, pero una evaluación del Banco Mundial encontró que los metadatos móviles (AUC 0,61-0,72) fueron menos precisos que la prueba tradicional de proxy-means (AUC 0,78-0,85).

106,200
Hogares en el censo piloto (Nov 2023 - Mar 2024)
0.78-0.85 AUC
Precisión de la prueba de medios sustitutos (AUC)
0.61-0.72 AUC
Precisión de la focalización por IA con metadatos telefónicos (AUC)
0.58 AUC
Precisión de la focalización de base comunitaria (AUC)
6%
Hogares sin correspondencia con registro telefónico
45%
Beneficiarios que perciben el método telefónico como justo
BDT 15,000 (~$136)
Transferencia monetaria por hogar
MobileAid: focalización de la pobreza mediante aprendizaje automático a partir de metadatos móviles

Detalles

Madurez
Piloto
Promotor
a2i (Aspire to Innovate, ICT Division, Government of Bangladesh), with UNDP, GiveDirectly and UC Berkeley
Período
November 2023 - March 2024 (pilot)
Palabras clave
social protection, poverty targeting, machine learning, cash transfers, decision support

Contexto

El programa a2i (Aspire to Innovate) de Bangladesh, parte de la División de TIC del gobierno, trabajó con el PNUD, GiveDirectly e investigadores de la Universidad de California en Berkeley para probar si el aprendizaje automático aplicado a metadatos de telefonía móvil podía identificar hogares pobres para un programa de transferencias monetarias, de forma más económica que las encuestas tradicionales puerta a puerta.

Actividades

Se utilizaron registros de detalles de llamadas anonimizados de los cuatro operadores móviles nacionales —más de 1.500 variables por hogar, que abarcan frecuencia de llamadas, uso de SMS, patrones de recarga, diversidad de contactos y ubicación por antena— para clasificar hogares reclutados a través de la línea nacional de ayuda 333, asistida por IA, en un censo de 106.200 hogares en 200 aldeas del distrito de Cox's Bazar. Los hogares seleccionados recibieron cada uno una transferencia única de 15.000 BDT (unos 136 dólares).

Resultados

Una evaluación independiente del Banco Mundial, recogida por The Daily Star, comparó la precisión de tres métodos de focalización: la prueba tradicional de medios sustitutos (proxy-means testing) logró precisión «alta» (AUC 0,78-0,85), la focalización por aprendizaje automático con metadatos telefónicos obtuvo «media» (AUC 0,61-0,72), y la focalización de base comunitaria obtuvo «baja» (0,58). El seis por ciento de los hogares no pudo asociarse a ningún registro telefónico, y solo el 45% de los beneficiarios percibió el método basado en teléfonos como justo.

Conclusiones

En cuanto a precisión bruta, el método de IA obtuvo peores resultados que el método al que pretendía modernizar. El propio análisis de GiveDirectly sostiene que sigue siendo la opción más rentable cuando los presupuestos de selección por hogar caen por debajo de aproximadamente 10-50 dólares, debido a su rapidez y bajo coste marginal a gran escala. Tanto la evaluación del Banco Mundial como los propios materiales de GiveDirectly señalan el mismo riesgo estructural: los más pobres, las mujeres y las personas con discapacidad son quienes menos probablemente poseen un teléfono, por lo que la focalización basada en metadatos corre el riesgo de excluir sistemáticamente justo a los hogares que un programa de protección social más necesita alcanzar.

Implementación
Coste indicativo
Medio (50 000–500 000 €) — GiveDirectly's own analysis frames phone-metadata targeting as most cost-effective once per-household screening budgets fall below roughly $10-50, due to its speed and low marginal cost at scale, versus door-to-door survey costs.
Tiempo hasta resultados
Corto (< 1 año) — Pilot ran November 2023 to March 2024 across 200 villages in Cox's Bazar district.
Personal y competencias
a2i (Aspire to Innovate, ICT Division, Government of Bangladesh), UNDP Bangladesh, GiveDirectly (implementing NGO for cash transfers), UC Berkeley researchers (technical/evaluation design), National mobile network operators (call-detail record providers), World Bank (independent evaluation)

Condiciones para el éxito

  • Access to anonymised call-detail records from all national mobile operators
  • An existing AI-enabled helpline (333) to recruit households
  • Independent evaluation capacity (World Bank) to benchmark targeting accuracy against existing methods

Modos de fallo comunes

  • Phone-metadata targeting scored lower accuracy (AUC 0.61-0.72) than existing proxy-means testing (AUC 0.78-0.85)
  • 6% of households could not be matched to any phone record
  • Only 45% of recipients perceived the method as fair
  • Structural risk of excluding the poorest, women and people with disabilities, who are least likely to own a phone

Habitualmente financiado por

Philanthropic / foundation funding

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

Kit de replicación

Artefactos reutilizables de esta práctica — tal como los publican sus fuentes.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Adjuntos

Prácticas similares que pueden serle útiles