La pandemia de COVID-19 ha devastado muchos países de ingresos bajos y medianos, causando una inseguridad alimentaria generalizada y una fuerte disminución de los niveles de vida. En respuesta a esta crisis, los gobiernos y las organizaciones humanitarias de todo el mundo han distribuido asistencia social a más de 1.5 millones de personas. La focalización es un desafío central en la administración de estos programas: sigue siendo una tarea difícil identificar rápidamente a aquellos con mayor necesidad según los datos disponibles. Aquí mostramos que los datos de las redes de telefonía móvil pueden mejorar la focalización de la asistencia humanitaria. Nuestro enfoque utiliza datos de encuestas tradicionales para entrenar algoritmos de aprendizaje automático para reconocer patrones de pobreza en datos de teléfonos móviles; los algoritmos entrenados pueden luego priorizar la ayuda a los suscriptores móviles más pobres. Evaluamos este enfoque mediante el estudio de un programa emblemático de transferencia de efectivo de emergencia en Togo, que usó estos algoritmos para desembolsar millones de dólares estadounidenses en ayuda humanitaria por el COVID-19. Nuestro análisis compara los resultados, incluidos los errores de exclusión, el bienestar social total y las medidas de equidad, bajo diferentes regímenes de focalización. En relación con las opciones de orientación geográfica consideradas por el Gobierno de Togo, el enfoque de aprendizaje automático reduce los errores de exclusión entre un 4% y un 21%. En relación con los métodos que requieren un registro social integral (un ejercicio hipotético; tal registro no existe en Togo), el enfoque de aprendizaje automático aumenta los errores de exclusión entre un 9% y un 35%. Estos resultados resaltan el potencial de las nuevas fuentes de datos para complementar los métodos tradicionales para orientar la asistencia humanitaria, particularmente en entornos de crisis en los que faltan datos tradicionales o están desactualizados.