S

i su empresa tiene dificultades para ver resultados reales de su programa de datos, quizá sea momento de empezar de nuevo. He aquí cómo hacerlo y qué deben hacer personalmente los altos directivos dentro de ese proceso.

Cómo volver a poner en marcha su programa de datos

Para empezar de nuevo, las empresas deben avanzar en tres frentes de manera paralela:

1. Atacar la calidad de los datos

Las empresas se enfrentan a una amplia variedad de problemas comunes de calidad de datos.

La clave está en minimizar las “fábricas ocultas de datos” cometiendo menos errores en los puntos donde se crean los datos. Para lograrlo, es fundamental que el área de ventas tenga claridad sobre lo que necesita, que dialogue esas necesidades con marketing y que marketing elimine, una a una, las causas raíz de los errores. Los beneficios son fáciles de identificar y se obtienen rápidamente.

2. Iniciar su recorrido en ciencia de datos con técnicas más sencillas

La ciencia de datos es ideal para abordar todo tipo de problemas que enfrentan las empresas. En orden de complejidad creciente, algunos métodos (y los problemas que ayudan a resolver) incluyen:

— El control estadístico y la mejora de procesos no tienen comparación cuando se trata de reducir costos, tiempos de ciclo e incertidumbre en los procesos del negocio.

— El diseño experimental (incluidas las pruebas A/B) ayuda a mejorar la calidad del producto.

— El modelado estadístico ayuda a las empresas a comprender el comportamiento de los clientes, predecir las ventas del próximo mes, decidir dónde ubicar una nueva tienda y estimar el precio justo a pagar por una adquisición (entre otros ejemplos).

— El aprendizaje automático / inteligencia artificial se utiliza para analizar grandes conjuntos de datos, descubrir relaciones previamente desconocidas, ayudar a mejorar la toma de decisiones y automatizar muchos tipos de trabajo.

3. Poner los datos a trabajar para crear una ventaja competitiva

Aunque la IA ha acaparado la mayor parte de la atención durante el último año, existen muchas otras formas de generar beneficios empresariales a partir de los datos. Cuatro grandes ejemplos incluyen:

— Aumentar el valor de los productos y servicios mediante su “informatización”, es decir, haciéndolos más valiosos al incorporar más datos o datos de mejor calidad. Esto se puede hacer con casi cualquier producto. Mi ejemplo favorito es la lata de cerveza Coors: las montañas se vuelven azules cuando la cerveza está lo suficientemente fría como para beberla.

— Empaquetar y vender productos de datos.

— Crear una ventaja sostenida mediante la explotación de datos propios, es decir, datos que nadie más tiene. Un buen ejemplo es el CUSIP de S&P, que identifica de forma única los productos financieros.

— Incorporar más y mejores datos en la toma de decisiones, cumpliendo la promesa de la “toma de decisiones basada en datos”.

A largo plazo, las empresas deberán definir una o dos de estas opciones que mejor se adapten a ellas, en función de sus habilidades, los datos que poseen o pueden obtener, y los mercados en los que compiten. La informatización casi siempre es un buen punto de partida, en parte porque el trabajo es sencillo: pida a algunos de sus mejores especialistas en marketing que documenten su comprensión de lo que los clientes realmente quieren y necesitan. Luego, realice un “análisis de brechas” simple para determinar qué les gustaría recibir (y que no está ofreciendo). Busque llenar esas brechas con datos.

H

ace diez años publicamos el artículo “Data Scientist: The Sexiest Job of the 21st Century”. La mayoría de los lectores ocasionales probablemente solo recuerden el modificador “más sexy”, un comentario sobre la demanda de la posición en el mercado.

Hoy en día, el trabajo tiene más demanda que nunca. El U.S. Bureau of Labor Statistics predice que la ciencia de datos experimentará más crecimiento que casi cualquier otro campo entre ahora y 2029.

Sin embargo, el trabajo ha cambiado durante la última década, en formas grandes y pequeñas:

Mejor institucionalizados

En 2012, la ciencia de datos era una función incipiente. Hoy en día está bien establecido, al menos en firmas con una gran apuesta por los datos y la inteligencia artificial. Los bancos, las compañías de seguros, los minoristas, los proveedores de atención médica y las agencias gubernamentales tienen importantes grupos de ciencia de datos. La ciencia de datos también ha sido eficaz para abordar crisis sociales, contar y predecir casos y muertes por COVID-19, abordar desastres meteorológicos e incluso combatir la desinformación y los ataques cibernéticos relacionados con la invasión de Ucrania.

Los científicos de datos en relación con otros roles

La suposición en 2012 era que los científicos de datos podrían realizar todas las tareas requeridas en una aplicación de ciencia de datos: conceptualizar el caso de uso, interactuar con las partes interesadas del negocio y la tecnología, desarrollar el algoritmo e implementarlo en producción. Ahora, sin embargo, ha habido una proliferación de trabajos relacionados con el manejo de muchas de esas tareas, incluido el ingeniero de aprendizaje automático, el ingeniero de datos, el especialista en inteligencia artificial, los traductores de análisis e inteligencia artificial y los gerentes de productos orientados a datos. LinkedIn informó que algunos de estos trabajos son más populares que los científicos de datos, de acuerdo con sus informes “Jobs on the Rise” del 2021 y 2022, para los Estados Unidos.

Cambios en la tecnología

Algunos aspectos de la ciencia de datos están cada vez más automatizados, lo que puede mejorar la productividad de los profesionales de la ciencia de datos y abrir la posibilidad de “científicos de datos ciudadanos” con solo alguna capacitación cuantitativa.

También hay un nuevo énfasis en monitorear la precisión de los modelos después del despliegue. Las herramientas de operaciones de aprendizaje automático (o “MLOps”) brindan un monitoreo continuo de los modelos; el reentrenamiento automatizado de modelos desviados apenas comienza a emplearse. Algunas herramientas de AutoML y MLOps incluso hacen pruebas de sesgo algorítmico.

Estos desarrollos significan que la codificación, que quizás era el requisito laboral más común hace una década, es menos esencial en la ciencia de datos.

La ética de la ciencia de datos

La necesidad de una dimensión ética en el campo es ahora ampliamente reconocida, aunque el tema rara vez se mencionó en 2012. Se ha prestado una atención considerable a las cuestiones del sesgo algorítmico, la transparencia y el uso responsable de la analítica y la IA.

Parece poco probable que disminuya la cantidad de datos, análisis e inteligencia artificial en los negocios y la sociedad, por lo que el trabajo del científico de datos seguirá creciendo en importancia. También seguirá cambiando.

Esperamos ver una diferenciación continua de responsabilidades y roles que alguna vez cayeron en la categoría de científico de datos. Las empresas necesitarán procesos detallados de clasificación y certificación de habilidades para estos diversos trabajos, y deben asegurarse de que todos los roles necesarios estén presentes en proyectos de ciencia de datos a gran escala. Los científicos de datos profesionales se centrarán en la innovación algorítmica, pero también deberán ser responsables de garantizar que los aficionados no se desborden. Lo más importante es que los científicos de datos deben contribuir a la recopilación adecuada de datos, el análisis responsable, los modelos completamente implementados y los resultados comerciales exitosos.