Como puedes ver en el post anterior «Anatomía del Data Scientist», el perfil del científico de datos es algo “un poco” complejo y también bastante nuevo. Es difícil encontrar expertos en todas las habilidades, por lo que se están creando de modo natural una serie de perfiles ad hoc. No parece haber un consenso en la comunidad tecnológica sobre el número de perfiles existentes dentro de la analítica de datos sino que estos perfiles se diseñan sobre el campo en función de los requisitos del proyecto.

Para darnos cuenta de la importancia de diseñar un perfilado concreto según necesidades, tomamos el siguiente ejemplo expuesto en el evento Big Data Spain de 2019, donde Elena Grewal, Head of Data Science en Airbnb, define tres tipos de roles dentro de sus equipos: el Data Analytics, que define y monitoriza las métricas, creando narrativa con los datos y controlando las herramientas de tratamiento de estos; el Data Algorithms, que desarrolla los algoritmos para mejorar sus productos; y el Data Inference, que establece relaciones causales con las estadísticas.

En este otro caso, Tauhida Parveen, líder de la startup educativa Thinkful, en el evento Big Data Florida de 2018, indica que existen cuatro perfiles de Data Scientist:

• El super-analista: Expertos en resolución de problemas, buenos comunicadores y constructores de productos.
• El estadista: Analiza los modelos matemáticos estadísticos y de probabilidad.
• EI gurú: Experto en programación en algoritmos de Machine Learning para procesos de automatización.
• El investigador: Buscan cual será el siguiente paso en el mundo Big Data, un perfil más cercano a la innovación.

Hay multitud de propuestas, pero si recopilamos las funciones que más se suelen repetir en los diferentes contextos empresariales, estas se podrían reducir a los siguientes tres perfiles:

• Matemático y estadístico: Tiene conocimientos suficientes para desarrollar modelos matemáticos, de probabilidad y conoce diferentes tipos de algoritmias a utilizar en según qué problema de AI, Machine Learning o Deep Learning.
• Ingeniero de datos: Tiene pensamiento computacional y conoce las herramientas que le permiten resolver diferentes problemas en el tratamiento masivo de datos de diferente índole.
• Decision scientists: Suelen ser los encargados en la toma de decisiones. Saben interpretar los datos junto con el contexto empresarial, tienen habilidades comunicativas y de gestión, con recomendables conocimientos sociológicos, saben crear narrativa con los datos y visualizarlos para entenderlos mejor.

En el Grupo Santander podemos encontrar estos perfiles que juntan fuerzas para extraer valor de los datos. Las habilidades de cada perfil se comparten y pueden solaparse (o deberían) con las de otro perfil.

Colaboración necesaria

Ante la expectativa de las empresas por encontrar completos perfiles de Data Scientist, la realidad en el mercado laboral es bastante diferente, donde la captación y retención de talento está siendo un auténtico reto para las empresas digitales.

La perspectiva colaborativa parece la mejor solución en el desarrollo de proyectos que involucren el tratamiento de datos en un contexto de complejidad, y parece indispensable considerar la suma de esfuerzos multidisciplinares junto con la flexibilidad para crear equipos equilibrados, que puedan abarcar las diversas necesidades requeridas y las que determinen el éxito del proyecto.

Para concluir, nada mejor que una ilustración que ejemplifica lo enriquecedor de la colaboración entre profesionales de Data Scientists.