Post Image

El término Data Scientist se ha vuelto muy popular, pero ¿de qué se encarga específicamente alguien en este cargo? Del análisis de datos en el contexto de Big Data, claro está, pero dicho así suena bastante ambiguo. Y es que este es un mercado aún poco explorado pero muy prometedor tanto para los negocios como para las ciencias. Por tanto, deberíamos tener muy claro qué profesionales pueden unirse.

Hablamos de un mundo interdisciplinario en el que no es necesario haberse formado en informática o estadística únicamente. Pocas personas lo saben aunque tienen el potencial para convertirse en un data scientist; conscientes de ello, decidimos dedicar este artículo a hablar sobre lo que se necesita para convertirse en uno y triunfar en la Big Data. Te explicamos.

Para ser Data Scientist hay que saber más allá de Big Data

La declaración de Ana CoE Lead Analytics en ING | Global Digital & Customer Interactionsde ING en el evento Big Data Talent 2021 lo confirma. Durante el evento, señaló que ser un data scientist implica mucho más que construir un algoritmo. El conocimiento que maneja un profesional de este tipo debe ser mucho más amplio e integral para poder hacer un trabajo de calidad,

Uno tiene que remangarse, tiene que entender los datos, entender los procesos, el negocio“, dijo Criado. “Sin eso, cualquier algoritmo que hagas puede ser un auténtico fracaso por mucho que a modo testing sea bueno… Ya que eso te va a llevar el 80% de tu tiempo“. Y mucha razón tiene. De hecho, esto es algo que aplica no solo para un data scientist, sino también en muchas otras profesiones.

Por lo tanto, uno de los requisitos indispensables para ejercer como Data Scientist es el gusto por el estudio de otras ramas relacionadas con los datos. Quizás la más primordial es la estadística, seguida de los lenguajes de programación, los algoritmos y, por supuesto, la tecnología. Pero sea cual sea el caso, el profesional debe estar inmerso en el sector para mantenerse actualizado.

Interés por mantenerse actualizado

Recordemos que la información surge a un ritmo desmesurado en nuestros tiempos. Esta es una de las razones por la que existe el cargo de Data Scientist, de hecho, la necesidad de organizar, analizar y disponer de los datos. Para hacerlo de forma efectiva y sin desfases respecto a los avances en el sector, es imprescindible el carácter autodidacta o el interés por seguir formándose

A ello sumamos la gran cantidad de herramientas que surgen casi día a día en el contexto de la ciencia de datos. Como ejemplo, SQL fue en un su momento la más usada para el análisis de datos; después surgieron R y Phyton, siendo esta última una de las más populares actualmente. Para aprender a usarlas, el data scientist primero debe enterarse de su existencia y hacerlo a tiempo. 

Un Data Scientist debe saber de negocios

Todo esto no hace más que confirmar lo planteado inicialmente por Criado en el Big Data Talent 2021. “Si un Data Scientist solo sabe hacer algoritmos y no entiende de negocio, ni lo habla, no es considerado un científico de datos completo”, dijo. Y mucha razón tiene. Lo que nos lleva a otro requisito para destacar como data scientist en el sector del manejo de datos.

El mismo Gabriel González, Data Strategy Executive Director en BBVA, hizo énfasis en ello durante el evento. “Hace falta muchos de esos perfiles híbridos que sean capaces de entender el negocio y que sean capaces de hacer algo por los datos“. Porque no basta con hacer algoritmos a diestra y siniestra; estos deben seguir un propósito bien enfocado en los intereses de la empresa.

Profesionales de diferentes áreas pueden aportar al Big Data Talent

Dicho esto, es lógico esperar que el sector cuente con la participación de profesionales de una amplia gama de áreas. Curiosamente, los mejores data scientists no siempre provienen del mismo mundo de los datos; un perfil más común es el de una persona graduada en un área muy diferente que decide especializarse en Big Data e inteligencia artificial. 

Y es que esta especialización es una de las más rentables en nuestros tiempos por su potencial de crecimiento a largo plazo. Gracias a ello, economistas, expertos en mercadeo, analistas financieros e incluso investigadores se han unido al sector. En conclusión, la heterogeneidad de estos perfiles está estrechamente relacionada con la transversalidad.Si con lo leído hasta ahora sientes que no cumples con el perfil requerido, no deberías preocuparte del todo. Muchos nacen y destacan con la capacidad de manejar diferentes ramas del saber y destacar en ellas; otros la adquieren a medida que ejercen sus profesiones y experimentan con otras. Lo más importante para ser Data Scientist es que tengas visión de negocio y que te mantengas actualizado.

Next post
La revolución de los algoritmos genéticos en IA
Comments are closed.