En los últimos tiempos, términos como data science o data scientist son comunes alrededor de la analítica de información corporativa. Conceptos que establecen una tarea pendiente desde hace mucho tiempo: analizar aquellos datos estructurados o no desde los que se pueden extraer conocimiento o entendimiento en beneficio empresarial.
Podríamos decir que es la evolución del Big Data en una primera instancia y después, el Business analytics. La tendencia que nació para almacenar grandes volúmenes de datos pasó a analizarlos para ayudar a tomar decisiones en el negocio. La evolución llegó hasta la ciencia del dato donde se mezclan diferentes disciplinas para extraer conclusiones.
Una evolución que, pese a la repercusión mediática, está en una fase muy temprana tanto en los sistemas utilizados como en implementación de los mismos. Y todo porque todavía los profesionales TI no están preparados para ser un data scientist y exprimir todo el valor de los datos propios y ajenos.
El más buscado
Por presentar este perfil tan poliédrico, el data scientist ha sido descrito como «mitad analista, mitad artista». Anjul Bhambhri, vicepresidente de productos de Big Data en IBM, lo describía ya en 2014 como «alguien que es curioso, que puede mirar a los datos y detectar tendencias. Es casi como una personalidad del Renacimiento con gana de aprender y traer cambios en una organización».
Sin embargo, la definición no es sencilla. Antonio Pita, reconocido como el mejor científico de datos en los Data Science Awards organizados por Synergic Partners (Grupo Telefónica) lo comentaba aportando su propia visión: «es una persona que sin ser necesariamente un experto en ningún campo tiene un conocimiento multidisciplinar suficiente en estadística e informática. Yo, además incluiría las matemáticas».
Por su parte, Gartner lo define como un profesional que crea y general modelos que usan un diagnostico de análisis y predicción avanzado. Un perfil relacionado con la estadística y el análisis que aprovecha sus conocimientos para implementarlos en el negocio y conseguir relacionarlos extrayendo conclusiones. Una tipología de profesional que se escapa de la tecnología pura y dura, y se basa más en la estadística y matemáticas pero con una fuerte visión para los negocios. Todo ello regado con aptitudes comunicativas capaces de contextualizar y transmitir a los directivos las conclusiones extraídas.
Más del 40% del data science estará automatizado en 2020
Viendo las características necesarias de un data scientist es lógico que sea un profesional complicado de encontrar ya que hasta hace muy poco no tenía ni una formación concreta. De hecho, los pocos candidatos a este puesto hace que la demanda y los sueldos se hayan disparado. McKinsey calcula que, para 2018, EEUU podría enfrentarse a una escasez de unos 190 mil profesionales con habilidades de análisis, así como de unos 1,5 millones de gestores y analistas con el know-how para utilizar el análisis de grandes datos para tomar decisiones efectivas.
Pero no solo se necesitan data scientist. Gartner apunta a la automatización de las tareas de la «ciencia del dato» como el futuro de este segmento. La firma vaticina que más del 40% de las tareas de estos profesionales se podrán gestionar de forma automática dentro de cuatro años. Un porvenir en el que los sistemas estarán preparados para estructurar y dejar lista la información para su análisis e interrelación. Todo ello gracias al impulso de los fabricantes en este área de oportunidad emergente debido a la ventaja competitiva que aportará.
Sin embargo, todavía quedará algo menos de un 60% de funciones relegadas a la acción humana. Un terreno donde la especialización será un punto primordial que, según declaraba Antonio Pita, «no es una moda pasajera, ha venido para quedarse, ya que cada vez tenemos más información y es necesario una combinación de tecnología y ciencia que permita extraer el valor de la misma y ayudar a la toma de decisiones».
