La barrera para Data Science: el talento

Administrator
La barrera para Data Science: el talento
La barrera para Data Science: el talento

La barrera para Data Science: el talento

261 Visitas


A medida que las aplicaciones de Data Science en sus múltiples denominaciones (Big Data, analytics, data mining, machine learning, IoT) se hacen más comunes, las empresas enfrentan un reto: encontrar y retener el personal adecuado para explotar un volumen creciente de información con cada vez mayor potencial estratégico. ¿Cómo avanzar en este nuevo contexto enfocándonos en el talento?
No hay duda de que Data Science es el término de moda en el uso de información para dar soporte a la marcha de los negocios. Encontramos todo tipo de aplicaciones, desde los tradicionales modelos predictivos de ventas hasta ejemplos novedosos como selección y evaluación de personal, desarrollo de guiones de televisión y diagnósticos clínicos. 

A medida que las aplicaciones de Data Science en sus múltiples denominaciones (Big Data, analytics, data mining, machine learning, IoT) se hacen más comunes, las empresas enfrentan un reto: encontrar y retener el personal adecuado para explotar un volumen creciente de información con cada vez mayor potencial estratégico. En un estudio del 2015 del MIT Sloan Management Review se reportó que el 40% de las empresas entrevistadas tienen problemas para encontrar el personal que necesita. Y a pesar de que en EEUU ya son más de 100 las universidades que ofrecen programas de Analytics y Data Science, IDC estima que para el 2018 harán falta 180,000 profesionales con capacidades analíticas avanzadas, y un número cinco veces mayor para manejo de datos e interpretación de resultados. 

Este problema no se limita a los puestos relacionados con Data Science. El análisis de data ahora es parte de muchos puestos de trabajo; por ejemplo, y las capacidades analíticas son también, una exigencia en puestos de Marketing Digital, y son justamente esas capacidades las que presentan una mayor brecha: el Online Marketing Institute calcula que hay una brecha de 37% en las habilidades analíticas que se esperan de un equipo de marketing digital. 

Es comprensible que exista esta escasez. La carrera de Científico de Datos no existía hace cinco años, y el perfil requerido de un Científico de Datos es muy amplio y complejo de desarrollar. Por ello, el 88% de los científicos de datos tienen al menos una maestría y 46% tienen un doctorado . Entre las habilidades que suele buscarse, están: 

Técnicas:
  1. Conocimiento de herramientas de gestión de datos (SQL, Hadoop)
  2. Conocimiento de herramientas de programación estadística (R, Python) 
Analíticas: 
  1. Matemáticas y calculo
  2. Estadística
  3. Machine Learning 
Personales:
  1. Conocimiento de negocios 
  2. Curiosidad intelectual permanente 
  3. Capacidad de interpretar los resultados y comunicarlos claramente (story telling)
Esta escasez se presenta, también, en nuestro medio: en las Universidades locales existen muy pocos programas que formen profesionales de este perfil. 

Por ello, debemos considerar algunas opciones para avanzar en una estrategia de Data Science:
  1. Forme a su equipo. Si no puede encontrar profesionales capacitados, busque en su equipo a los analistas más interesados en tomar decisiones basadas en datos, y capacítelo.
  2. Divida las funciones. Seguramente no podrá obtener a una persona con todas las capacidades que se requieren de un data scientist. Tal vez sea más práctico tener a 2-3 personas con habilidades que, sumadas, sean equivalentes a ese perfil.
  3. Si no puede esperar, contrate a una empresa a una empresa con experiencia que cree sus primeros modelos, y aprenda. 
  4. Avance paso a paso. Seguro es una tentación aplicar algunos de los modelos más avanzados que se presentan en Internet. Pero, ese modelo seguramente comenzó con algo más simple.

Suscríbete






Comentarios: