El 15 de octubre organizamos un webinar sobre lo que deben saber los responsables de L&D sobre la competencia en datos. Uno de los ejes clave es desarrollar las habilidades adecuadas para cada uno de tus perfiles de datos. Aquí tienes un adelanto de lo que aprenderás.
Los retos de la formación continua para la competencia en datos
La competencia en datos es una metodología para responder a preguntas de negocio, no una única habilidad que se enseña y se aprende como en las iniciativas tradicionales de learning and development. Al escalar programas de aprendizaje y desarrollo para competencia en datos, los recorridos de aprendizaje varían según el nivel de interacción que cada persona tenga con los datos. Por ejemplo, un analista de marketing que trabaja a menudo con Excel puede necesitar aprender R o Python para rendir en su puesto, mientras que una persona gestora o líder puede requerir solo saber cómo tomar decisiones informadas basadas en datos.
Por qué apostar por una metodología basada en perfiles
Un itinerario de aprendizaje por rol y orientado a perfiles es más eficaz para escalar la formación en competencia en datos. Aunque cada organización y los datos que genera son distintos, existen puntos en común en la relación que las personas mantienen con los datos. Una forma útil de planificar y escalar los esfuerzos de formación en datos es mediante perfiles de datos. Cada perfil tiene una relación diferente con los datos y necesita competencias específicas en competencia en datos para poder hacer su mejor trabajo. Las organizaciones pueden mapear distintos roles internos a ese perfil y crear una experiencia de aprendizaje personalizada y curada según lo que necesiten aprender.
1. Consumidores de datos y líderes
Los consumidores de datos y los líderes suelen estar en roles no técnicos, pero consumen insights y analítica para tomar decisiones basadas en datos. A menudo necesitan conversar con profesionales de datos y deben distinguir cuándo los datos pueden y no pueden utilizarse para responder preguntas de negocio.
Tecnologías y herramientas habituales
Hojas de cálculo: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau
Ejemplos de puestos
Chief Marketing Officer, Human Resources Manager, Head of Sales
2. Analistas de negocio
Las personas analistas de negocio conectan insights con resultados accionables que aumentan la rentabilidad o la eficiencia. Tienen un conocimiento profundo del dominio del negocio y suelen usar SQL junto con herramientas sin código para comunicar los insights derivados de los datos.
Tecnologías y herramientas habituales
Hojas de cálculo: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Ejemplos de puestos
Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
3. Analistas de datos
Al igual que las personas analistas de negocio, las analistas de datos analizan información y reportan los insights de su análisis. Conocen en profundidad el flujo de trabajo del análisis de datos y comunican sus conclusiones combinando herramientas con y sin código.
Tecnologías y herramientas habituales
Lenguajes de programación: Python, R Hojas de cálculo: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Ejemplos de puestos
Data Analyst, Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
4. Científicos de datos
Las personas científicas de datos investigan, extraen y comunican insights valiosos a partir de los datos de la organización. Transmiten estos hallazgos a perfiles no técnicos y comprenden bien los flujos de trabajo de machine learning y cómo vincularlos a aplicaciones de negocio. Trabajan casi exclusivamente con herramientas de programación, realizan análisis y a menudo emplean herramientas de big data.
Tecnologías y herramientas habituales
Lenguajes de programación: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Herramientas de big data: Airflow, Spark
Ejemplos de puestos
Data Scientist, Data Analyst, puede incluir a un "citizen data scientist" (es decir, alguien que realiza tareas de científico de datos, pero no tiene el cargo de "Data Scientist").
5. Científicos de machine learning
Las personas científicas de machine learning desarrollan sistemas de aprendizaje automático a escala. Obtienen predicciones a partir de los datos mediante modelos de machine learning para resolver problemas como predecir la baja de clientes o el valor de vida del cliente, y son responsables de desplegar estos modelos para su uso en la organización.
Tecnologías y herramientas habituales
Lenguajes de programación: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Herramientas de big data: Airflow, Spark Herramientas de línea de comandos: Git, Shell
Ejemplos de puestos
Data Scientist, Research Scientist, Machine Learning Scientist, Machine Learning Engineer
6. Estadísticos
De forma similar a las científicas de datos, las personas estadísticas realizan análisis de alta rigurosidad, que incluyen diseñar y mantener experimentos como tests A/B y pruebas de hipótesis. Se centran en cuantificar la incertidumbre y presentar resultados que exigen un rigor excepcional, como en finanzas o sanidad.
Tecnologías y herramientas habituales
Lenguajes de programación: Python, R SQL: PostgreSQL, SQL Server, Oracle SQL
Ejemplos de puestos
Quantitative Analyst, Inference Data Scientist, Data Scientist
7. Programadores
Las personas programadoras son perfiles altamente técnicos dentro de los equipos de datos que automatizan tareas repetitivas al acceder y trabajar con los datos de la organización. Tienden puentes entre la ingeniería de software tradicional y la ciencia de datos y dominan el despliegue y la compartición de código a escala.
Tecnologías y herramientas habituales
Lenguajes de programación: Python, R, Scala Herramientas de línea de comandos: Git, Shell
Ejemplos de puestos
Software Engineer, Data Scientist, Dev-Ops Engineer
8. Ingenieros de datos
Las personas ingenieras de datos se encargan de que los datos adecuados lleguen a las personas adecuadas. Crean y mantienen la infraestructura y las canalizaciones de datos que llevan terabytes de datos en bruto desde diferentes fuentes a una ubicación centralizada con datos limpios y relevantes para la organización.
Tecnologías y herramientas habituales
Lenguajes de programación: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Herramientas de línea de comandos: Git, Shell Herramientas de big data: Airflow, Spark Plataformas cloud (p. ej., Amazon Web Services)
Ejemplos de puestos
Software Engineer, Data Engineer, Dev-Ops Engineer
