¿Deberían aprender a programar los analistas de business intelligence?

Cada día generamos una cantidad de datos inimaginable. Según Statista, el volumen total de datos producidos a nivel global alcanzó los 64,2 zettabytes (un zettabyte = mil millones de terabytes) en 2020, y en los próximos cinco años se prevé que supere los 180 zettabytes. 

Con esta explosión de datos, la ciencia de datos y la inteligencia de negocio desempeñan un papel clave para ayudar a las organizaciones a darles sentido. 

Mientras que la caja de herramientas de un data scientist gira en torno a utilidades basadas en código como Python, R, la línea de comandos y más, los analistas de business intelligence se apoyan en herramientas con interfaz gráfica como Tableau o Power BI. 

En este contexto, los analistas de business intelligence son fundamentales para impulsar la capa de insights de cualquier organización. Por eso los puestos de business intelligence están cada vez más demandados. Por ejemplo, en Estados Unidos, el salario medio anual de un analista de business intelligence es de 84.019 $ al año. 

A medida que las herramientas low-code ganan en sofisticación y las funciones de business intelligence continúan generando valor, ¿qué importancia tiene saber programar para que los analistas de BI hagan crecer su carrera? En este artículo, vamos a responder justo a esta pregunta. 

Es difícil dar una respuesta corta sin repasar antes cómo ha evolucionado el rol del analista moderno, qué tareas requieren programar y qué valor aporta aprender a programar. ¡Vamos allá!

Historia de la inteligencia de negocio

El término «business intelligence» lo acuñó por primera vez en 1865 el autor Richard Millar Devens, cuando lo usó en la Cyclopaedia of Commercial and Business Anecdotes para describir cómo un financiero superó a sus competidores recopilando información y actuando en consecuencia. 

Sin embargo, los cimientos de la inteligencia de negocio moderna no llegaron hasta la invención del disco duro por parte de IBM en 1956. Permitía almacenar 5 MB de datos, una cifra enorme para la época. 

Dos años después, el investigador de IBM Hans Peter Luhn publicó el artículo A Business Intelligence System, que introdujo los principios de la business intelligence al destacar los retos que afrontan las empresas para gestionar y usar grandes volúmenes de datos para tomar mejores decisiones. Por estas razones, a Hans se le considera el padre de la inteligencia de negocio.

Entre las décadas de 1960 y 1970 se desarrollaron los primeros sistemas de gestión de datos y de soporte a la decisión, lo que llevaría en los años 80 a la creación del data warehouse, que aún hoy sigue utilizándose. 

Los data warehouses son sistemas que recopilan y organizan datos de distintas fuentes en un repositorio central, lo que posibilita análisis más eficaces y profundos. Ya a finales de los 90, con las innovaciones tecnológicas, el auge del ordenador personal y el nacimiento de internet, aparecieron los precursores de los sistemas de BI modernos. 

El auge del analista de BI moderno

En las dos últimas décadas, el rol del analista de business intelligence ha evolucionado enormemente. El auge del big data y el crecimiento constante del volumen de datos dispararon la demanda de plataformas y herramientas de BI más sofisticadas que ayuden a los analistas a comprender los datos de su empresa. 

A finales de los 90 y principios de los 2000, los analistas utilizaban herramientas como Excel, SQL o soluciones de BI rudimentarias para analizar y visualizar los datos de su organización. Sin embargo, con la llegada de herramientas como Power BI, Tableau y Qlik, hoy se espera que los analistas dominen varias herramientas en su día a día. 

Más allá del dominio técnico de herramientas concretas, del analista moderno se espera que tenga una visión amplia. Es decir, que cuente con sólidas habilidades de gestión de proyectos, conocimiento del negocio, storytelling y comunicación: todo un básico para el analista actual.  

Con esto en mente, toca volver a la pregunta inicial: ¿deberían los analistas de business intelligence aprender a programar? ¡La respuesta es sí! 

Aunque muchos puestos de business intelligence no exigen saber programar, aprender a programar permite a los analistas multiplicar el valor que aportan a la organización y destacar en los procesos de selección. A continuación, encontrarás cinco razones clave por las que los analistas de business intelligence deberían aprender a programar. 

El valor de aprender a programar para un analista de business intelligence

1. Mejora tus habilidades para resolver problemas

Ya sea para entender el impacto de un test A/B en métricas clave, crear paneles para los equipos implicados o proponer recomendaciones basadas en datos, los analistas de business intelligence resuelven problemas a diario. Aprender a programar acelera estas habilidades, porque la programación ofrece una nueva forma de mirar los retos técnicos. 

La relación entre programar y mejorar la resolución de problemas ha sido ampliamente estudiada, ya que entrena a pensar en un amplio abanico de soluciones a posibles problemas. 

2. Trabaja mejor con el resto del equipo de datos

Los analistas de business intelligence suelen integrarse en equipos de analítica o de datos más amplios. Esto implica colaborar con perfiles que programan a diario, como data engineers, data scientists y data analysts. Un beneficio clave de aprender a programar para un analista de BI es desarrollar más empatía y mejorar la colaboración con el resto del equipo. 

Aprender a programar ayudará a los analistas de business intelligence a hacer mejores peticiones a otros miembros del equipo, crear soluciones ad hoc que requieran código cuando el tiempo de los demás es limitado y entender mejor los flujos de trabajo de sus compañeros. Una mayor cohesión de equipo solo puede traducirse en mejores resultados para toda la organización. 

3. Crea visualizaciones y flujos de trabajo más complejos

Dominar herramientas de business intelligence como Tableau y Power BI es imprescindible para el analista moderno. Ahora bien, aprender a programar puede acelerar el flujo de trabajo de un analista de business intelligence de varias maneras. 

Para empezar, Tableau y Power BI se integran con R y Python. Esto permite automatizar flujos de trabajo mediante scripts desde tu herramienta de business intelligence favorita. Un buen ejemplo es ejecutar Python en Power BI para automatizar un paso de manipulación de datos en un conjunto de datos de uso frecuente. 

Además, lenguajes de programación como R y Python te permiten realizar análisis y visualizaciones más complejos que no son posibles en las herramientas de BI. Por ejemplo, con paquetes como ggplot2 de R y Matplotlib de Python, es posible diseñar visualizaciones e informes totalmente a medida. 

4. Forma parte de la comunidad open source

Un aspecto único de los lenguajes de programación es que casi todas las herramientas que utilizan los mejores profesionales e investigadores son de código abierto. Esto significa que cualquiera puede descargar en cualquier momento las herramientas más potentes y sofisticadas de forma gratuita, sin barreras de entrada. 

Además, también permite interactuar directamente con quienes crean estas herramientas, proponiendo mejoras sobre el propio código fuente. Pertenecer a una comunidad open source puede enriquecer tu carrera, tu conocimiento y tu reputación. En definitiva, abre la puerta a mejores oportunidades profesionales y a conexiones más sólidas en el mundo de los datos. 

5. Oportunidades de crecimiento profesional

Una gran ventaja de aprender a programar es ampliar tus salidas profesionales e incluso cambiar de trayectoria. La business intelligence es un campo enorme con muchas vías, como data analyst, product analyst, BI developer o business intelligence architect. Los puestos que requieren programación están muy demandados, ofrecen muy buenos salarios y altos niveles de satisfacción, según Glassdoor. 

Un ejemplo son los puestos de data analyst, muy relacionados con el rol de business intelligence pero con mayores exigencias de programación y estadística. El salario mediano de los data analysts en Estados Unidos ronda los 94.687 $ anuales y puede llegar hasta 391 K $. 

Además, vemos una demanda constante de data engineers y data scientists. Los data engineers tienen un papel clave en consolidar grandes volúmenes de datos, que los data scientists explotarán para extraer insights y crear modelos de aprendizaje automático. Los salarios medianos de data engineers y data scientists son, respectivamente, de 112.493 $ y 117.212 $ al año.

El futuro del rol del analista

A medida que la business intelligence evoluciona, también tendrá que hacerlo el analista moderno. Adquirir habilidades de programación permite resolver mejor problemas, colaborar de forma más eficaz con el resto del equipo, crear flujos de trabajo más eficientes y complejos, impulsar tu crecimiento profesional y mucho más. 

Si este artículo te ha animado a empezar a programar, no te pierdas los recursos de abajo.