Las organizaciones necesitan equipos de datos ganadores
Hoy en día, las organizaciones generan más datos que nunca. Forbes afirmaba que en 2018 se generaban más de 2,5 quintillones de bytes de datos cada día y que más del 90% de los datos del mundo se habían creado en los dos años previos a la publicación del artículo. Países concretos generan aún más datos. En 2018, CNBC informó de que China generó 7,6 zetabytes de datos, una cifra que se espera que aumente hasta 48,6 ZB en 2025. Estados Unidos genera cantidades similares.
En todos estos datos hay muchos insights valiosos que no se aprovechan. Según Forrester, entre el 60% y el 73% de los datos de las organizaciones no se utilizan en analítica.
Las organizaciones que de verdad son data-driven aprovechan los datos a escala para generar valor. Por ejemplo, Uber invirtió mucho en crear una plataforma que entrega de forma eficiente más de 100 petabytes de datos a sus equipos mediante una interfaz sencilla, que escalaron para gestionar más de 1.000 millones de pedidos de Uber Eats y más de 24 millones de millas recorridas. A través de pruebas A/B, Netflix logra entre un 20% y un 30% más de visualizaciones cambiando la imagen asociada a una película o serie.
Está claro que existen insights de alto valor para las organizaciones que sepan desenvolverse en paisajes de datos complejos y masivos. Este tipo de generación de valor solo se consigue con un equipo de datos integral y de alto rendimiento.
Perfiles clave para un equipo de datos ganador
Hay muchos roles esenciales a la hora de construir un equipo de datos exitoso. En este whitepaper, DataCamp describe ocho roles, o perfiles, presentes en cualquier organización orientada a datos. Aunque los títulos pueden variar de una empresa a otra, aquí resumimos cinco roles que conforman un equipo sólido: business analyst, data analyst, data scientists, machine learning scientists y data engineers.
Business analyst
Los business analysts aumentan la rentabilidad y la eficiencia a partir de insights de datos. Complementan su profundo conocimiento del negocio con habilidades de análisis y visualización de datos y comunican insights a los equipos que consumen datos.
Habilidades clave: manipulación de datos, visualización de datos, reporting, nociones de estadística. Herramientas: hojas de cálculo (Excel, Google Sheets), herramientas de business intelligence (Tableau, Power BI), SQL.
Cursos recomendados: Introduction to SQL, Data Analysis in Spreadsheets / Excel, Marketing Analytics in Spreadsheets, Financial Analytics in Spreadsheets
Data analyst
Los data analysts desempeñan una función similar a la de los business analysts al analizar datos y extraer insights para impulsar resultados de negocio. Sus habilidades se solapan; sin embargo, los data analysts abordan problemas menos definidos que requieren un mayor dominio del flujo de trabajo de análisis de datos y combinan herramientas con y sin código.
Habilidades clave: manipulación de datos, visualización de datos, reporting, importación y limpieza de datos, probabilidad y estadística.
Herramientas: R o Python, hojas de cálculo (Excel, Google Sheets), herramientas de business intelligence (Tableau, Power BI), SQL.
Cursos recomendados: Data Analyst Career Track (R - 16 courses/Python - 16 courses), Cleaning Data in R/Python, Time Series Analysis in SQL
Data scientist
Los data scientists desempeñan un papel mucho más técnico, trabajando principalmente con herramientas de programación para investigar, extraer y generar insights y valor a partir de los datos. Necesitan un sólido entendimiento de los flujos de trabajo de análisis de datos y de machine learning, además de la capacidad de trabajar con datos no estándar y herramientas de big data.
Habilidades clave: manipulación de datos, visualización de datos, reporting, importación y limpieza de datos, probabilidad y estadística, machine learning.
Herramientas: R, Python, Scala, herramientas de big data (Airflow, Spark), SQL, herramientas de línea de comandos (Git, Shell).
Cursos recomendados: Data Scientist Career Track (R - 22 courses/Python - 23 courses), Sentiment Analysis in Python, Introduction to Git
Machine learning scientist
Los machine learning scientists se encargan de desarrollar sistemas de machine learning a escala. Generan predicciones a partir de los datos usando modelos de ML de todo tipo para resolver problemas como predecir el churn o el valor de vida del cliente, y son responsables de desplegar estos modelos para que la organización los utilice.
Habilidades clave: manipulación de datos, visualización de datos, importación y limpieza de datos, probabilidad y estadística, machine learning, data engineering. Herramientas: R, Python, Scala, herramientas de big data (Airflow, Spark), SQL, herramientas de línea de comandos (Git, Shell). Cursos recomendados: Machine Learning Scientists Career Track (R - 14 courses/Python - 23 courses), Image Processing in Python, Machine Learning with PySpark
Data engineers
Los data engineers son responsables de crear pipelines de datos que ayuden a las organizaciones a llevar la información adecuada a las personas correctas. Combinan grandes volúmenes de datos procedentes de distintas fuentes en un repositorio centralizado, lo que permite que los distintos perfiles trabajen con datos limpios, relevantes, conformes y accionables.
Habilidades clave: manipulación de datos, importación y limpieza de datos, data engineering, programación avanzada. Herramientas: Python, Scala, herramientas de big data (Airflow, Spark), SQL, herramientas de línea de comandos (Git, Shell), plataformas cloud (p. ej., AWS). Cursos recomendados: Data Engineer with Python Career Track (25 courses), Introduction to Airflow in Python, Streaming Data with AWS Kinesis and Lambda
Cómo crear un equipo de datos ganador
Caso práctico
Con una visión general de las responsabilidades de cada rol, veamos ahora cómo interactúan en un entorno empresarial para generar valor usando un ejemplo real: un equipo de datos que extrae valor de un modelo de churn de clientes.
En este contexto, los data engineers garantizan que los data scientists y los machine learning scientists tengan acceso a datos de alta calidad para desarrollar y operacionalizar el modelo. Velan por la calidad de los datos y porque se apliquen los permisos correctos a cada dataset. También entregan los datos de forma fácil de acceder, con el metadato y las variables necesarios para un análisis eficaz.
Después, los data scientists y los machine learning scientists colaboran para crear un modelo preciso que prediga el churn de clientes. Deben asegurarse de que el modelo sea preciso, interpretable y desplegable dentro de un proceso de negocio, y trabajar para que mantenga su precisión en datos no vistos una vez en producción.
Por último, los data analysts y los business analysts utilizan las salidas del modelo para tomar decisiones que generen valor. Pueden asignar el gasto de marketing en función de qué clientes tienen más probabilidad de darse de baja y aportar argumentos basados en datos que expliquen por qué ciertos segmentos presentan mayor riesgo de churn a quienes toman decisiones.
Como en la mayoría de los proyectos de datos, cada rol contribuye a extraer valor de los datos.
El camino hacia un equipo de datos efectivo empieza por tu gente
Los puestos de datos están muy demandados a pesar de la reciente desaceleración en contrataciones causada por la pandemia, apareciendo dos veces en el top 3 del informe anual de empleos emergentes de LinkedIn. A finales de 2020, Deloitte afirmaba que el 23% de las organizaciones sufrían una brecha importante o extrema entre sus necesidades de IA y sus capacidades actuales. En 2021, Deloitte publicó un informe sosteniendo que, para afrontar esta escasez de talento en datos, las organizaciones deben apostar por la contratación selectiva y la formación continua focalizada.
Ante la falta de talento en datos, las organizaciones deben combinar contratación selectiva con formación continua para crear equipos altamente cualificados capaces de generar valor. Pueden lograrlo ofreciendo a su gente itinerarios de aprendizaje personalizados, adaptados específicamente a estos roles. En DataCamp, ofrecemos a los estudiantes recorridos de aprendizaje personalizados en función de su nivel y de los objetivos que buscan, y les damos herramientas para evaluar, aprender, practicar y aplicar nuevas competencias en datos. Con DataCamp for Business, los estudiantes se benefician de itinerarios de aprendizaje a medida que permiten a las organizaciones adaptar los programas a sus metas y retos concretos. Descubre cómo puedes transformar tu talento con DataCamp.
DataCamp for Business ofrece una plataforma de aprendizaje interactiva para empresas que necesitan formar y recapacitar a su gente en competencias de datos. Con temas que abarcan desde competencia en datos y ciencia de datos hasta data engineering y machine learning, más de 1.600 empresas confían en DataCamp for Business para impulsar la formación de su talento.
