AA principios de la década de 2000, los primeros científicos de datos reales eran matemáticos, físicos y estadísticos. Estos especialistas, que operan en departamentos ultra aislados, codificaron y extrajeron datos manualmente para generar conocimientos comerciales. La ciencia de datos sigue siendo una disciplina particularmente nueva y se necesita tiempo, recursos y capacitadores para crear un plan de estudios desde cero.
Esta brecha entre el panorama tecnológico actual y las habilidades que se enseñan es un problema persistente. Vivimos uno de los mayores períodos de generación de datos de la historia y las empresas buscan cada vez más aprovecharlo para tomar decisiones rápidas y precisas. Sin embargo, el número de profesionales cualificados que llegan al mercado de trabajo, o que se reinsertan, no satisface la demanda de inteligencia para la toma de decisiones e información relevante.
Dado que las empresas necesitan tomar decisiones más informadas, deben poder confiar en datos precisos, y los humanos siguen siendo la forma más efectiva de construir estos cimientos. Se trata de poner las herramientas correctas en manos de los empleados correctos, aquellos que no solo tienen el conocimiento del negocio, sino que también entienden el contexto del problema en cuestión.
Un malentendido general
Probablemente debido a esta visibilidad temprana en un nuevo campo, el científico de datos se ha convertido en algo así como sinónimo de «análisis de datos», una falta de comprensión tanto en el mundo corporativo como entre los profesionales de la enseñanza. El resultado es un malentendido general, que sugiere que la solución a estos desafíos de análisis de datos radica en contratar científicos de datos altamente calificados que puedan codificar soluciones a mano para impulsar el valor comercial. De hecho, aprender el código por sí solo no podrá llenar este vacío de habilidades de análisis de datos. La solución a esta brecha de habilidades en ciencia, tecnología, ingeniería y matemáticas (STEM, por sus siglas en inglés) no está en los codificadores, sino en los expertos en otros campos que tienen curiosidad y alfabetización de datos.
«Si estás perdido, no pides direcciones a un equipo de ciencia de datos, pides un taxi»
Si pensaba que estaba perdido, no le pide direcciones a un equipo de ciencia de datos, sino a un taxi. Esta experiencia es insustituible. Del mismo modo, no todos los estudiantes necesitan saber programar. Python no convierte a una persona promedio en un analista de datos de alto nivel, por lo que este lenguaje informático no debería ser una habilidad obligatoria para el análisis de datos. Faire appel à des collaborateurs experts dans un domaine et les anciens à des outils d’analyse accessibles signifie qu’ils peuvent travailler plus étroitement avec l’équipe de science des données et, bien souvent, qu’ils peuvent résoudre leurs propres problématiques à leur el ritmo.
Te queda el 44,51% de este artículo por leer. Lo siguiente es solo para suscriptores.