Resumen de Radar — Certificación en ciencia de datos: ¿merece la pena?

Kennedy también habló de la amplia variedad de certificaciones que ofrecen muchas organizaciones y desarrolladores. Existe una clara diferencia entre un certificado de finalización de un curso o formación online y una certificación de conocimientos. El primero funciona como motivación para terminar un curso, mientras que la segunda acredita un nivel de competencia.

Remynse analizó el ciclo de vida de las certificaciones en datos. Explicó que algunas, centradas en herramientas concretas, pueden quedarse obsoletas rápido si no se adoptan de forma amplia o dejan de ser relevantes. Otras aportan valor a largo plazo y demuestran conocimientos útiles durante muchos años. Comentó que muchas de las nuevas certificaciones están «construidas con estudios de caso o ejemplos del mundo real», lo que te ayuda a demostrar —a ti y a las empresas— que «estás listo para el mundo real».

Kennedy describió dos tipos de certificaciones en datos que puedes obtener: las basadas en herramientas, normalmente ofrecidas por el desarrollador de la herramienta, y las basadas en roles, que son independientes de herramientas o tecnologías. Entre las primeras estarían, por ejemplo, certificaciones de lenguajes como R o Python, o de herramientas de visualización de datos. Un ejemplo de certificación basada en roles serían las certificaciones de DataCamp para Data Analyst o Data Scientist, que validan las habilidades típicas requeridas en esos puestos.

Ventajas e inconvenientes de obtener certificaciones

Con tantos tipos de certificaciones disponibles, las ponentes analizaron los pros y los contras de obtener una certificación en datos. Hablaron de cómo una certificación puede complementar los estudios orientados a la carrera profesional y reforzar la historia que cuentas a los reclutadores, aunque también advirtieron que demasiadas certificaciones pueden restarle fuerza a ese relato.

Remynse explicó que los títulos universitarios (por ejemplo, grados o posgrados) exigen mucho tiempo y no siempre tienen resultados de aprendizaje tan prácticos y específicos para el puesto. Defendió que con las certificaciones «estás certificando precisamente las habilidades relevantes para el trabajo que buscas». Sigue siendo un proceso exigente, pero el tiempo se enfoca mucho más y aporta formación práctica alineada con el empleo. También señaló que los programas universitarios no se actualizan tan rápido como la mayoría de certificaciones.

Kennedy comentó que las certificaciones aportan credibilidad a tus conocimientos en un campo, independientemente de cómo los hayas adquirido. Ese es su principal beneficio y su valor. Además, te obligan a dar pasos concretos para dominar la habilidad. Una certificación es una credencial tangible y legítima al final de un esfuerzo intelectual, de forma similar a obtener un grado o un máster.

Kennedy recomendó centrarte y ser específico con las certificaciones para construir tu historia de cara a los reclutadores. Remynse añadió que una certificación transmite que «te tomaste tu tiempo, aprendiste un tema, estudiaste bien, tuviste que practicar, tuviste que dominarlo y lo demostraste al conseguir la certificación».

Aunque crear una historia de valor con las certificaciones es claramente positivo, demasiadas certificaciones o un alcance demasiado amplio pueden restarle claridad. Desde la perspectiva de Bricker como reclutadora, cuando ve un currículum con demasiadas certificaciones, la historia se difumina y se reduce el valor de las credenciales realmente relevantes para el puesto.

Visión general del proceso de certificación de DataCamp

En la parte final de la sesión, Kennedy habló de las certificaciones de DataCamp y de cómo superarlas. Comentó qué pueden esperar las personas candidatas a las certificaciones de data analyst y data scientist, y qué novedades encontrarán. Puedes obtener más información sobre las certificaciones de DataCamp aquí. En detalle, estos son los distintos conjuntos de habilidades y aptitudes que evalúa cada certificación.

Certificación de Data Analyst

La certificación de Data Analyst evalúa habilidades en las siguientes áreas:

• Gestión de datos: capacidad para consultar, limpiar y agregar datos con SQL y herramientas de bases de datos.
• Análisis exploratorio: capacidad para analizar datos e interpretar conclusiones.
• Programación para producción: capacidad para crear código de alta calidad y legible en Python o R y SQL.
• Fundamentos de analítica: buenas prácticas para analizar datos.
• Experimentación estadística: habilidades de análisis estadístico necesarias para diseñar experimentos significativos con datos.
• Comunicación de datos: capacidad para comunicar insights a distintos grupos de interés.

Certificación de Data Scientist

La certificación de Data Scientist evalúa las mismas habilidades que la de data analyst, pero además profundiza y pone a prueba las siguientes competencias:

• Desarrollo de modelos: capacidad para crear modelos de machine learning en Python o R.
• Programación para ciencia de datos: capacidad para crear código de alta calidad, legible y listo para producción en sistemas y soluciones de ciencia de datos.

Vicky señaló que la certificación de DataCamp se diseñó como «un reconocimiento oficial de que una persona ha alcanzado el nivel de habilidad necesario para ser Data Scientist o Data Analyst».

Más allá del proceso de certificación, uno de los beneficios de certificarte es el acceso a servicios de carrera y a comunidades exclusivas en DataCamp para recibir apoyo adicional en tu trayectoria profesional.

Mira la sesión completa para saber más

Si quieres profundizar en el valor de las certificaciones, en las novedades de la certificación de DataCamp en 2022 y en cómo será la hoja de ruta de las certificaciones, no te pierdas la sesión completa de Radar.