Por Federico Morello, Socio Consultoría en Gestión y Tecnología de EY (ex Ernst & Young).
Cada año, diversos estudios se publican respecto a las tendencias en el mundo de la tecnología. En 2015 las predicciones coincidieron en temas tales como Internet de las Cosas, computación en todas partes o las máquinas inteligentes. Todas estas tendencias derivan en el aumento del flujo de datos, a menudo de manera caótica y no estructurada, dando origen a lo que se conoce como “big data”.
Ahora bien, cuando hablamos de big data tenemos que distinguir tres capas bien distintas, cada una de ellas indispensable. Una primera capa de infraestructura, otra capa de algoritmos y una tercera capa conocida como la capa de las decisiones (decision science layer). En los últimos años, la mayoría de las tecnologías de big data operaron en la capa de infraestructura y el foco estuvo puesto allí. Solo recientemente empezaron a centrarse en la capa de los algoritmos. Sin embargo, esto, que hasta ahora solo se trataba de la cantidad de datos que se puede capturar; ahora se convierte en cómo analizar y dar sentido a los datos que se han capturado para la toma de decisiones, llevando el ámbito de conversación a la tercera capa.
Resulta fundamental entonces entender este contexto en donde los flujos de datos proliferan y en donde las soluciones para este desafío resultan de la combinación de infraestructura, algoritmos matemáticos y expertos en el análisis de los datos.
El “McKinsey Global Institute” por ejemplo, estima que unas 500 mil personas serán empleadas como científicos de datos para fines de esta década, y estos científicos de datos requerirán a su vez de cientos de miles de personas de apoyo. Como respuesta a este problema, las organizaciones están requiriendo contratar a científicos de datos (del inglés data scientist), expertos que analizarán los datos, eliminando las imprecisiones, para luego establecer las tendencias y relaciones que conducirán a las respuestas.
Conocimientos de un data scientist
El entrenamiento formal que se requiere tiene su base normalmente en las ciencias de la computación o la informática, el modelado de datos, algoritmos matemáticos y análisis estadísticos. Pero adicionalmente, lo que diferencia al científico de datos de un analista de datos convencional, es su fuerte visión por los negocios junto con una necesaria capacidad de comunicar los resultados a los líderes de manera tal que estos puedan influir en los objetivos estratégicos. Así pues, para convertirse en uno de ellos, es fundamental aprender del contexto de negocio para, de esa manera, interpretar y comunicar el significado de los datos.
Otro rasgo dominante entre los científicos de datos es su espíritu curioso, su deseo por investigar la raíz de un problema, formulando diversas preguntas y elaborando hipótesis. Mientras que un analista de datos tradicional mira normalmente los datos de una sola fuente, un científico de datos lo más probable es que quiera explorar y analizar datos de fuentes dispares, tamizándolos, mirándolos desde muchas perspectivas, desafiándolos. Los científicos de datos buscan en síntesis: explorar, hacer preguntas, realizar análisis “whatif ”, cuestionando supuestos y procesos existentes.
De qué forma convertirse en uno de ellos
Universidades a lo largo del mundo han identificado la creciente demanda de los científicos de datos y están ofreciendo cada vez más grados de ciencias de datos y ofertas de cursos. Hoy, instituciones de educación superior de Estados Unidos y de Europa ofrecen tanto programas de doctorados como másters e incluso certificaciones y programas online. Especializaciones tales como estadísticas, matemáticas y titulaciones universitarias de informática también se pueden utilizar para conseguir un trabajo como científico de datos. Incluso sin un grado avanzado, existirán oportunidades en roles de apoyo de la ciencia de datos. La minería de datos y el análisis de datos son disciplinas de mucha utilidad para cualquiera que quiera mejorar sus habilidades de trabajo y las posibilidades de promoción profesional en este aspecto.
Sin embargo, y tal cual lo mencionado anteriormente, hay que tener presente que para ser científico de datos no son suficientes los conocimientos técnicos. El conocimiento de los procesos de negocio que originan los datos, resulta el principal diferenciador de este tipo de perfiles. De la misma manera, habilidades blandas tales como la comunicación deben desarrollarse si lo que se pretende es desempeñarse en una posición de estas características.
Un desafío para reclutadores
Muchos especialistas del mundo laboral coinciden en que puede tratarse de la carrera más atractiva de la década. Consideran que la demanda de los científicos de datos va a explotar en los próximos años ya que las empresas se apresuran a utilizar metodologías científicas de datos para obtener una ventaja competitiva en el mercado.
El “McKinsey Global Institute” por ejemplo, estima que unas 500 mil personas serán empleadas como científicos de datos para fines de esta década, y estos científicos de datos requerirán a su vez de cientos de miles de personas de apoyo. Estiman además que 190 mil de esos puestos quedarán vacantes para finales de esta década, a menos que se haga un esfuerzo serio para educar a una nueva generación de científicos de datos. La demanda de estos perfiles ha superado a la oferta. De hecho, la escasez de científicos de datos ya se está convirtiendo en una seria limitación en algunos sectores.
Conclusiones
La ciencia de datos obtiene sus teorías a partir de una amplia gama de disciplinas técnicas, incluyendo estadísticas, matemáticas, ingeniería de datos e informática. A estas disciplinas se les suma el conocimiento de los procesos de negocio y habilidades de comunicación. Como resultado, la búsqueda de candidatos calificados puede convertirse en un desafío, con el agravante que los científicos de datos también exigen compensaciones altas.
Si la capitalización de grandes datos (big data) depende de la contratación de científicos de datos escasos y caros, entonces el desafío para los gerentes es aprender cómo identificar ese talento, atraerlo a la empresa y hacerlo productivo, lo cual no constituye una tarea sencilla. Si bien los investigadores están desarrollando software que podrían automatizar algunos de los trabajos realizados por estos científicos de datos, sin embargo, la creatividad humana y la experiencia siguen siendo necesarias para elegir e implementar los métodos que pueden explicar los patrones en un conjunto de datos.
