Los científicos de datos desarrollan habilidades blandas para impulsar el cambio organizacional.

Existe una gran demanda por científicos de datos. En su Informe de empleos emergentes en los Estados Unidos de 2017, LinkedIn citó que "los roles de científico de datos han aumentado más del 650 por ciento desde 2012" y "cientos de compañías están contratando personas para esos roles" en una gran variedad de industrias. El grupo de candidatos se está haciendo mayor a medida que "los ingenieros de aprendizaje automático, los científicos de datos y los ingenieros de big data aparecen entre los principales puestos de trabajo emergentes".

Pero a medida que se espera que más departamentos y roles trabajen con los datos, las organizaciones están viendo un aumento general en el conocimiento de los datos y el surgimiento de más científicos de datos ciudadanos. Gartner define a los científicos de datos ciudadanos como "una persona que crea o genera modelos que utilizan análisis de diagnóstico avanzado o capacidades predictivas y prescriptivas, pero cuya función principal de trabajo está fuera del campo de las estadísticas y el análisis". Estas personas no están reemplazando a los científicos de datos, pero se están convirtiendo en socios clave para desarrollar y probar hipótesis.

Esto está cambiando la definición de la ciencia de datos y difuminando las líneas entre aquellos con experiencia en datos tradicionales y conocimiento del dominio de los negocios. Sonic Prabhudesai, administrador de análisis estadístico de Charles Schwab, compartió cómo "más trabajadores de negocios entienden cómo trabajar con datos, mientras que los científicos de datos se están familiarizando más con el funcionamiento interno del negocio".

En la actualidad, se espera que los científicos de datos tengan conocimientos avanzados de estadística y aprendizaje automático, pero también se espera que tengan una mente estratégica para el negocio, incluido un profundo conocimiento de sus industrias. "La ciencia de datos es más que un simple cálculo numérico: es la aplicación de varias habilidades para resolver problemas particulares en una industria", explica el Dr. N. R. Srinivasa Raghavan, jefe global de ciencia de datos de Infosys. "Los científicos de datos necesitan tener un conocimiento profundo de los dominios en los que se aplicarán sus conocimientos".

El modelado estadístico y el aprendizaje automático se están convirtiendo en elementos esenciales para convertirse en un científico de datos. El factor diferenciador para quienes trabajan en el campo es qué tan bien pueden comunicar sus hallazgos de una manera simple, pero accionable.
Sonic Prabhudesai, administrador de análisis estadístico de Charles Schwab

Los resultados de los algoritmos y modelos sólo son efectivos si ayudan a resolver el problema correcto en el contexto adecuado. Esto significa trabajar de la mano con las partes interesadas para identificar y refinar la declaración del problema y la hipótesis al comienzo del proceso y mantenerlos involucrados durante todo el flujo de trabajo. Y al final del flujo de trabajo, significa saber cómo comunicar los resultados a los socios de negocios de manera relevante y accionable.

“El modelado estadístico y el aprendizaje automático se están convirtiendo en elementos esenciales para convertirse en un científico de datos”, afirma Sonic. “El factor diferenciador para quienes trabajan en el campo es qué tan bien pueden comunicar sus hallazgos de una manera simple, pero accionable”. En lugar de simplemente transferir los resultados, los científicos de datos tendrán un papel central en la forma en que esos resultados se aplican al negocio.

Con las herramientas de análisis de autoservicio, tanto los científicos de datos como los usuarios avanzados pueden explorar y obtener una mejor comprensión de sus datos. Esto genera información que puede direccionar el resto del análisis y, en última instancia, impactar el negocio.