Data Scientist, el trabajo más sexy del siglo XXI
La ciencia de datos ha ido adquiriendo cada día mayor valor debido a la ingente cantidad de estos que se poseen. Los datos no son el nuevo petróleo del S. XXI como algunos así han denominado, porque los datos sin tratar no se convierten en información.
REFLEXIONES DE ACTUALIDAD
Ignacio Sordo
3/5/20242 min read
De esta manera se titulaba el artículo que hace una década publicaron Davenport y Patil en Harvard Business Review.
A la vista de los numerosos masters, cursos, programas de especialización, en big data, data scientist, data analytics, business intelligence, machine Learning, etc (perdón por la notación anglosajona pero muy pocos tienen el nombre en español porque debe tener menos glamour…) su predicción fue un acierto.
Y es una realidad que es imprescindible este tipo de perfiles tanto en actividades de investigación como en los negocios.
Desde luego, las habilidades necesarias para ser un buen “data scientist”, van mucho más allá del simple hecho de conocer un lenguaje de programación o cierta herramienta de business intelligence.
Lo primero de todo es tener una buena base estadística. Si un supuesto “data scientist” no es capaz de definirnos en dos palabras algo tan sencillo como el rango intercuartílico difícilmente sabrá detectar un valor atípico
Junto a la estadística es necesario tener conocimientos básicos de algún lenguaje de programación, como T-SQL, Phyton, R o M. Y digo básico, por entender sus fundamentos, ya que los códigos se pueden obtener fácilmente hoy en día en herramientas de IA, que programan muy bien, sabiendo como y que preguntar...
Algunas herramientas de análisis descriptivo, con visualizaciones potentes y cada vez más predictivas como Power BI o Tableau son un “must” (otra vez caí en el anglicismo…)
El “business” es otra habilidad fundamental. Si no sabemos de negocios y finanzas difícilmente sabremos extraer la poderosa información que contienen los datos. La falta de formación en “business” hace que el análisis quede cojo, porque no sabremos ni que pedir a los modelos analíticos.
Por supuesto no podemos dejar de lado “scientist”. Todos los que hemos hecho un doctorado sabemos que aplicar el método científico a cualquier análisis, es fundamental para evitar sesgos y errores del analista.
Y finalmente, como contar la historia de los datos, el denominado ahora “story telling” (perdón de nuevo por expresarlo en inglés, me estoy preocupando por si he dejado de ser gaditano…). Si no dominamos como comunicar los resultados obtenidos difícilmente tendrán valor los análisis.