Continua Leyendo...
Por Redacción - 12 Noviembre 2018
Uno de los perfiles claves en las plantillas de las compañías y uno de los que se ha convertido en crucial es el data scientist. Este perfil apareció al calor del boom del big data, como una herramienta destacada para lograr optimizar resultados y, sobre todo, hacer que los datos sirviesen para algo.
El data scientist es quien se encarga de perfilar la información, leerla y extraer lo que la empresa necesita de ella. Es quien desbroza los datos y, sobre todo, es un perfil que va más allá de lo técnico. En las primeras descripciones de estos profesionales, se repetía que eran un perfil "mitad artista, mitad analista". Los requisitos de formación y experiencia fueron desde el principio también variados y complicados, porque no solo tenía que tener capacidades tech sino también conocimientos y talentos en otras áreas.
Pero el perfil del data scientitst es más complejo que simplemente quedarse con la generalidad de lo que hace y de lo que se espera de él. De hecho, y dado que en los últimos años han tenido que asumir más responsabilidades y más elementos de trabajo, se puede ya separar entre dos clases de data scientists.
Como explican en un análisis en Harvard Business Review, meter a todos los data scientists en el mismo saco sería demasiado reduccionista y una simplificación de su trabajo. Podría leerse, por tanto, como un riesgo también para las decisiones de las empresas y para el trabajo que estos profesionales hacen en ellas, impactando en su línea de negocio y en su relación con los consumidores.
El primer gran grupo de data scientists es el de los modeling scientists, los científicos de modelado, que los que se encargan de hacer, como explican en el análisis, data science para máquinas. Son quienes parten de los datos de los consumidores y de la información que estos generan y diseñan algoritmos, modelos o training data. Estos son los profesionales que crean los sistemas de recomendación en las tiendas online, por ejemplo, o los que crean patrones y modelos que permiten lograr más clics online. Su perfil es eminentemente técnico y su trabajo está en el área de tecnología.
El segundo gran grupo es el de los decision scientists, los científicos de las decisiones. Son los que hacen data science para humanos y su trabajo los pone en el mismo nivel que los diseñadores, los product managers o los ejecutivos de las compañías. Lo que desarrollan y lo que concluyen tiene aplicaciones directas sobre las personas.
Estos son los expertos que usan los datos que los consumidores generan para comprenderlos mejor y tomar decisiones sobre qué vender, cómo hacerlo o cuándo hacerlo. Por ejemplo, son quienes analizan qué acción logra mejores datos en ventas o en qué terreno de la experiencia de cliente hay que trabajar para mejorarlo en general.
El trabajo de ambos es similar, en el sentido de que ambos trabajan para mejorar la posición de la empresa, pero no va ni por el mismo lado ni tiene un impacto en los mismos elementos o en las mismas áreas. Por ello, las empresas tienen que pensar muy bien qué tipo de profesional necesitan y en qué área precisan que actúen.
Saber qué data scientist es el que se necesita y el que se busca ayuda a posicionar mucho mejor a la compañía, ya que este profesional trabajará sobre el terreno exacto que se necesita que mejore, cambie o actúe. Pero, al mismo tiempo, añadir esta capa de especialización, por muy inevitable que sea, también hace que las cosas se vuelvan más complicadas. Si ya es difícil captar talento partiendo de una premisa general, más lo es partiendo de una especialización de la especialización.
Y, además, a medida que las compañías se van haciendo más grandes y el papel de sus data scientists más decisivo, también van apareciendo lo que el análisis llama zonas grises, espacios que no son ni de uno ni de otro tipo de data scientists, pero que siguen siendo necesarios para que estos puedan hacer su trabajo. Es lo que ocurre con los responsables de infraestructura de datos, los de calidad, los de gestión o los responsables de ingeniería de datos, por poner unos ejemplos.
