Saltar al contenido

El auge del estratega de datos

septiembre 29, 2021
0JJaSar05iKVulH0F

El auge del estratega de datos

Boyan Angelov

14 de agosto de 2019·4 min de lectura

Este artículo apareció originalmente en Sitio web de Dain Studios.

¿Ha notado la creciente variedad de puestos de trabajo con la palabra datos frente a ellos? En 2012, el título de trabajo «científico de datos» fue considerado «el trabajo más sexy del siglo XXI» por Harvard Business Review. Desde entonces, y como se predijo correctamente, se han propagado numerosos derivados y nuevos títulos de trabajo con la palabra datos, y la ambición de convertirse en un invaluable «unicornio de la ciencia de datos» se ha combinado con la guerra de talentos en curso y el frenesí de alimentación de empresas y cazatalentos desesperados por descubrir y atrapar uno.

Ingenioh Unicornios de la ciencia de datos aparentemente muy raros e invaluables, las empresas buscan la misma experiencia o conjuntos de habilidades a través de varias personas.

Un conjunto de habilidades que se encuentra comúnmente en las descripciones de puestos de ciencia de datos, además de los requisitos comunes de un título de ciencia avanzada, SQL, R, Python, aprendizaje automático, etc., es el siguiente:

«la capacidad de traducir los problemas comerciales en soluciones analíticas y conocimientos«

Los técnicos pueden burlarse de esta frase y descartarla como un ejemplo típico de jerga empresarial inútil. Esto parece tan obvio que es importante para el trabajo de un científico de datos, ¿por qué incluirlo en la descripción del trabajo? La simple razón es que es una habilidad real y, si bien se puede entrenar y desarrollar, la habilidad es más rara de lo que uno podría pensar. ¿Cuántos científicos de datos con doctorados tienen un título en negocios? Hay algunos, pero tampoco es común.

La definición anterior en realidad representa la habilidad principal de un estratega de datos. Para ilustrar lo que esto significa en la práctica, veamos un ejemplo del comercio electrónico:

Cliente: ¿Puede ayudarnos a comprender mejor a nuestros clientes?

La respuesta a esto puede ser complicada y requiere mucha experiencia y confianza. Veamos lo que sigue a menudo:

Científico de datos: Puede implementar una red neuronal en AWS para entrenar un clasificador para los diferentes grupos de usuarios.

Cliente: Umm, está bien. Pero, ¿qué tipo de datos necesitamos para esto?

Científico de datos: Un conjunto de datos etiquetado de alrededor de varios miles de observaciones, clases equilibradas, por supuesto.

Cliente: ???

De todas las palabras de esas oraciones, solo unas pocas son comprensibles para un gerente que espera simplemente comprender a sus clientes. El resto también podría ser un arcano lenguaje alienígena. Este ejemplo simplificado ilustra el problema y demuestra la necesidad de roles traslacionales. El científico de datos usó términos que pueden entender aquellos con títulos avanzados en ciencias, pero que son incomprensibles para la mayoría de los gerentes y empresarios de los que informan directamente.

Llamemos a un estratega de datos para ver cómo lo hacen:

Cliente: ¿Puede ayudarnos a comprender mejor a nuestros clientes?

Estratega de datos: Vale, veamos. Entonces, ¿qué tipo de datos tienes, si los tienes?

Cliente: Tenemos datos de Google Analytics, comportamiento del usuario y datos de compras en nuestro sitio web, reseñas de productos y datos de comentarios en una base de datos y datos de redes sociales.[1]

Estratega de datos: Basándonos en esos conjuntos de datos, podemos intentar responder la pregunta de varias formas diferentes. Una cosa que podemos hacer es tomar los datos de comportamiento y hacer un análisis de sentimientos al respecto: cómo se sienten los clientes acerca de sus productos específicos. Esto es bueno, porque partes de este proyecto se pueden utilizar para analizar los datos de texto de reseñas de productos. Podemos dar un paso más aquí y ver si hay algunos patrones allí, tal vez grupos de diferentes usuarios. Mediante el uso de estos modelos, podemos comenzar a comprender si existen patrones comunes en los comentarios de los clientes y etiquetar automáticamente los comentarios negativos y enviarlos al personal de soporte. Hay una buena posibilidad de que esto funcione, yo diría que un 80% de confianza en que tendremos resultados relevantes.

Cliente: Oh, esto suena interesante. qué más podemos hacer?

Estratega de datos: Si tenemos un buen conjunto de datos sobre los clientes, podemos intentar predecir su probabilidad de abandono, o en otras palabras, la probabilidad de abandonar a sus proveedores. Luego, podemos usar esas predicciones para orientarnos a los usuarios que es probable que abandonen con ofertas especiales, que pueden mantenerlos en nuestra plataforma. Esto puede ser un poco más complicado y depende mucho de la cantidad de datos que tenga; yo diría que tiene un 50% de probabilidad de funcionar, y podría requerir más trabajo, experiencia y conocimiento del dominio para construir un modelo de abandono.

¿Puede adivinar cuál tendría un mayor impacto comercial?

Estos son los puntos que marcan la diferencia:

  • La primera diferencia notable entre las dos conversaciones es que la última es un diálogo real. Hay un intercambio entre el cliente y el estratega de datos, y se siente mucho más como una colaboración.
  • El estratega de datos intentó primero comprenderlo.
  • El estratega de datos conectó el trabajo con el objetivo comercial de inmediato.
  • El segundo caso también comenzó a pensar en la reutilización del código.
  • Y finalmente, el estratega proporcionó algunas métricas para la comparación de los diversos enfoques: importancia, complejidad y probabilidad de éxito.

Todos esos puntos definen el nuevo rol de estratega de datos. Esto también está en línea con la especialización cada vez mayor y la madurez en desarrollo dentro del campo de la ciencia de datos. Artículos recientes, algunos sobre HBR y Forbes, ilustran este punto.[2].

En las siguientes publicaciones de blog, exploramos el papel emergente de la Estratega de datosy cómo esperamos que esta función impulse la percepción empresarial y evolucione.

[1] Por supuesto, no todos los clientes tendrían inmediatamente una visión general tan buena, pero supongamos que la tienen con fines ilustrativos.

[2] Utilizan el término «traductor de datos».

close