Big data scientist: cómo interactúa dentro de la organización

Descubre cómo se consigue un big data scientist y cuál es su rol en la organización.


No todas las empresas necesitan un data scientist, como no a todos los negocios les hace falta big data. Sin embargo, quienes buscan un big data scientist que les ayude a exprimir el presente, con la vista puesta en un futuro mucho más próspero, han de saber que su integración en la organización puede llevarse a cabo de maneras muy distintas.

 

ID 10037217 resized 600

Créditos fotográficos: "Scientists With Test Tubes" by digitalart

 

Cómo se consigue un big data scientist

Igual que el despliegue de la ciencia de los datos en la empresa puede llevarse a cabo de distintas formas, también son diferentes las formas de conseguir atraer a uno de estos buscados big data scientist, que pueden llegar por diversos medios:

  • Puede ser un profesional de la empresa, analista de negocio o responsable de algún área de TI, al que se proporciona una preparación específica. La formación continua debe encontrarse dentro de la planificación.

  • También es habitual que se trate de un data scientist al que se ha reclutado activamente, empleando para ello técnicas de selección de personal 2.0 que consigan captar su atención. Por supuesto, en estos casos, un campo de trabajo de análisis atractivo es requisito indispensable para lograr el "sí, quiero". Así, que, además de una remuneración interesante para el candidato, hay que garantizar el cultivo de datos de gran riqueza, plataformas de datos y herramientas analíticas punteras y oportunidades reales de promoción de sus hallazgos.

  • La última alternativa es contratar los servicios de un equipo de consultores especialistas en data science. Quienes se decanten por esta opción han de asegurarse de encontrar a los mejores expertos en el área de big data que el negocio requiere: seguridad y detección del fraude, analítica de textos o redes de trabajo, entre otros.

El big data scientist en la organización

 Para integrar un data scientist en la empresa hay que tener en cuenta tres reglas de oro:

  •  El equipo de científicos de datos debe contar con un líder.

  •  Es necesario garantizar que existe una buena comunicación entre los responsables del data science y el resto de la organización.

  •  Siempre es necesario habilitar los canales para fomentar la colaboración entre usuarios, propietarios de datos y data scientist.

Partiendo de estas premisas, que son aplicables a todos los modelos de integración de un científico de datos (o un equipo) en la organización, se pueden diferenciar tres formas de integrar su labor en la compañía:

1. Modelo centralizado: pese a que su cometido da servicio a todos los niveles de la empresa, sus obligaciones de reporting se reducen a la figura del jefe de equipo big data scientist. Es la forma idónea de realizar el despliegue cuando hay que enfrentarse a recursos limitados. Entre sus principales características, se encuentran:

  •  El equipo de científicos de datos cuenta con el apoyo de las unidades de negocio.

  •  Su principal dificultad es resolver los términos de la colaboración entre equipos.

  •  Entre las ventajas de este modelo se encuentran el aumento de la percepción de objetividad de la analítica y sus resultados, la motivación extra para los data scientist que supone un medio ambiente laboral tan rico y heterogéneo, y el acceso directo a la ciencia de los datos del que disfrutan los usuarios de las unidades de negocio en base a sus colaboraciones.

2. Modelo fraccionado: el equipo de científicos de datos se disgrega, repartiéndose por las distintas unidades de negocio, en las que se insertan. Son éstas las que marcan las directrices de investigación a los data scientist y a ellas deberán reportar. De esta opción cabe destacar los siguientes aspectos:

  •  Este modelo crea importantes diferencias entre unidades.

  •  Requiere de gran solidez en materia de recursos.

  •  Puede generar problemas de objetividad en los resultados de la analítica big data.

  •  Cuando se trabaja en un entorno de esta homogeneidad es más probable que los científicos de datos puedan perder su interés o motivación por la labor.

  •  No obstante, diseñar esta estructura colaborativa cuenta con algunos beneficios, como el aumento de foco, gracias a un mejor conocimiento del área de negocio, que se incrementa gradualmente; y la mejor comprensión por parte del personal no técnico de los resultados obtenidos tras los análisis.

3. Modelo de matriz: los científicos de datos, bajo la supervisión de su líder se despliegan a lo largo de las distintas unidades de negocio. Esta alternativa podría entenderse como una solución intermedia, aunque requiere de gran precisión en la distribución de recursos. Este modelo de integración se caracteriza por la variedad de posibilidades que ofrece, aunque no está exento de dificultades. Para conocerlo mejor hay que saber que:

  •  Permite la rotación de big data scientist entre distintas unidades de negocio, aumentando el interés por el trabajo y evitando que la monotonía se convierta en el factor causante de la pérdida de motivación de los científicos.

  •  Tiene la ventaja de que data science se comporta y trabaja como una unidad, pese a dar servicio a diferentes unidades de negocio.

  •  Aumenta el conocimiento de negocio de los data scientist, algo que beneficia enormemente a su capacidad de análisis.

  •  Sin embargo, optar por este modelo de integración es lanzarse a la alternativa más arriesgada, ya que es frecuente que surjan conflictos al presentarse desacuerdos entre la dirección técnica y los responsables de negocio.

  •  Otra de las dificultades suele ser el establecimiento de prioridades o la decisión de los medios que se empelarán para conducir cada acción analítica.

  •  Por último, la faceta humana del trabajo debe entrar siempre a ser valorada ya que, pese a que la rotación de big data scientist beneficia al negocio, puede afectar a las relaciones personales, cuando se crean vínculos con los integrantes de unas u otras unidades de negocio tras periodos de colaboración prolongados. Pudiendo suceder lo mismo al revés, cuando las unidades de negocio se muestran recelosas a aceptar la integración de un nuevo científico en sustitución del anterior.

Post relacionados:

 

New Call-to-action

Artículos relacionados

Subscríbete a nuestro blog y recibe las últimas actualizaciones sobre gestión de datos.

Descubre contenido nuevo todos los días para profundizar la transformación digital en tu organización.