¿Tienes lo que se necesita para ser un científico de datos?
ESCRIBE LA BÚSQUEDA Y PRESIONA ENTER

¿Tienes lo que se necesita para ser un científico de datos?

COMPARTIR

···

¿Tienes lo que se necesita para ser un científico de datos?

Hoy en día estos expertos se enfrentan a la problemática de tener que discernir cuál de toda la información que utilizan las empresas es útil para su labor.

El reto para los científicos de datos es producir iniciativas de alto impacto para el negocio, además del desarrollo de diversas propuestas.

Redacción
10/05/2018

Con la infinidad de información disponible que aumenta día con día, la ciencia de datos y analítica de negocios se han convertido en dos de las áreas con mayores retos de la actualidad. El campo de trabajo es novedoso y con oportunidades únicas, pero también puede imponer un alto nivel de estrés.

Las compañías quieren interpretaciones rápidas para tomar decisiones mejor informadas. El reto para los científicos de datos es producir iniciativas de alto impacto para el negocio, además del desarrollo de propuestas técnicas, presupuestos, negociación con directivos, comunicación de resultados, entre otras responsabilidades que hacen de la tarea una misión casi imposible.

“El mayor reto del científico de datos se encuentra en desarrollar una mentalidad que facilite navegar la complejidad de la profesión y lograr resultados”, afirma Eduardo Ramírez, director de analítica de Ensitech.

Cualidades para ser un científico de datos

En ese sentido, existen cualidades que el científico de datos deberá tener para el mejor desempeño de su trabajo. La primera cualidad es cuestionarlo todo y ser crítico.

Placeholder block

El pensamiento crítico consiste en el arte de analizar y cultivar el pensamiento para mejorarlo continuamente. Es decir, la práctica de un pensamiento auto-dirigido y auto-correctivo, sujeto a estándares de excelencia que son básicas para un buen análisis cuantitativo.

Los atributos de un análisis claro pueden ayudar a plantear las preguntas correctas, algunos de ellos son: objetividad, claridad, exactitud, precisión, relevancia, profundidad y amplitud.

¿Es confiable la medición? ¿Es consistente el uso de las unidades? ¿Es válido el uso de porcentajes?, son algunas preguntas que deben hacerse. Y así como es necesario cuestionar los datos, también es fundamental cuestionar los propios supuestos cuando los datos apuntan hacia una dirección diferente.

La segunda cualidad es el pensamiento estadístico . No significa memorizar las fórmulas de probabilidad y estadística, sino profundizar en el uso cotidiano de sus conceptos fundamentales para identificar los sesgos y los errores más comunes. Las ideas estadísticas son abstracciones de la realidad y, por lo tanto, esconden información.

Una idea aparentemente simple como el promedio es la fuente de muchas conclusiones erróneas al asumir que las condiciones promedio ocurrirán o que un individuo es similar al promedio de su población.

El pensamiento estadístico es una disciplina mental que requiere de una constante alerta para identificar las fuentes de sesgo y error. Un buen análisis de datos requiere practicar la identificación y cuantificación de las fuentes de incertidumbre, pero no detenerse por ellas. Es importante recordar que todas las decisiones que se toman están sujetas a incertidumbre, pero a pesar de ellas hay que decidir y actuar.

La tercera cualidad es siempre recordar que se trata de una ciencia . El pensamiento científico es la disciplina mental que aporta una metodología para establecer la validez de nuestro conocimiento y avanzar con solidez en el entendimiento de los fenómenos.

Del método científico debemos tener presente que establecer causalidad no es trivial y que las variables pueden estar relacionadas de formas diversas que nos pueden engañar con facilidad.

Recientemente el pionero del enfoque probabilístico a la inteligencia artificial, Judea Pearl, lanzó una aguda crítica al modus operandi de la ciencia de datos popular, donde se favorece la generación de modelos predictivos como 'cajas negras', sin profundizar en el entendimiento de las relaciones causales entre las variables.

Con estos tres procesos analíticos en mente, los líderes de este sector pueden avanzar sistemáticamente en su entendimiento de las distintas decisiones y procesos. Posteriormente definirán los modelos y sistemas que se deben construir para mejorarlos confiando que el proceso de análisis tuvo claridad, amplitud y profundidad.