Creando equipos de data scientist para obtener mejores resultados

El incremento de la demanda de data scientist ha sido impulsado por el éxito de las mayores compañías de Internet como Google, Facebook, LinkedIn y Amazon. Todas ellas han hecho crecer sus marcas utilizando los datos y dándoles valor. Los equipo de data scientist juegan un papel clave en su ascenso imparable.

Créditos fotográficos: sellingpix

La ciencia relacionada con los datos es capaz de generar productos que la gente quiere y valora. Y esto no ocurre sólo en compañías de Internet sino también en cadenas de tiendas físicas que son capaces de utilizar los datos para optimizar cada aspecto de sus operaciones de venta de productos.

Dada la importancia de la ciencia de datos, resulta esencial plantearse qué pueden conseguir los equipos de data scientist, en concreto, a tres niveles:

• Valor que aportan a la organización con sus descubrimientos e innovaciones.
• Integración con otros Departamentos y contribución a sincronizarlos con IT.
• Aumento de la efectividad de las estrategias de ciencia de los datos, que tendrá mucho que ver con la construcción de  equipos de data science.

Los roles del científico de datos en los equipos de data scientist

A la hora de crear equipos de data scientist de alto rendimiento hace falta entender que, gran parte de su potencial generador de valor, radica en la variedad de roles que pueden asumir estos profesionales. Entre ellos destacan los relacionados con:

1.       Inteligencia empresarial: el apoyo de sus conclusiones a la toma de decisiones empresarial es crítico. Los equipos de data scientists consiguen, en base al estudio y monitorización de diferentes métricas ayudar a los responsables del negocio a entender mejor las circunstancias en cada momento.  Conocer las herramientas necesarias para llevar a cabo esta labor, avanzar al ritmo que lo hace la organización y ganar en sofisticación resulta esencial para proporcionar información de calidad. En este proceso, los científicos de datos se encargan de investigar las fuentes de datos existentes y de combinarlas con otras procedentes del exterior de la compañía para facilitar una mejor comprensión del panorama competitivo, priorizar la estrategia y la táctica y proporcionar claridad sobre las hipótesis que pueden surgir durante la planificación estratégica.
2.       Análisis de productos y marketing: pese a que esta dimensión es de las últimas en emplear datos para la toma de acción, ya podría hablarse de una tendencia. Existen muchas organizaciones capaces de diseñar aplicaciones que interactúan directamente con los clientes, utilizando datos para explicar y mostrar una proposición de valor de un servicio o producto. Esta estrategia resulta más económica que nunca, dado el rápido descenso del costo de la computación, y permite a las organizaciones utilizar algoritmos y técnicas numéricas comunes para probar la efectividad de sus lanzamientos. Algunos de los más exitosos tienen que ver con productos que facilitan la introducción en otros productos, productos que proporcionan contenido altamente personalizado o que ayudan a impulsar la propuesta de valor de la empresa o productos como los filtros colaborativos que sugieren compras adicionales.
3.       Lucha contra amenazas, protección ante ataques y prevención del fraude: la seguridad de datos es uno de los cometidos de los equipos de data scientist en la organización. Empezando por recopilar la información adecuada, es posible identificar las fuentes de riesgo potencial y mitigar o evitar sus efectos. Para una protección efectiva son importantes las habilidades de los científicos de datos y su integración con el área de negocio.

Y no sólo estas tres áreas, sino que la monitorización y el mantenimiento de los sistemas de almacenes y bases de datos, así como todas las cuestiones relativas a la arquitectura e ingeniería de datos son también competencias del data scientist.

La clave para crear equipos de data scientist de primera categoría es evitar su aislamiento, tanto del grupo técnico dedicado a operaciones tradicionales, como del área de negocio; fomentar la heterogeneidad en lo que a habilidades se refiere y elegir a esos individuos que destacan por su curiosidad. Para formar un grupo potente de data scientist es preciso encontrar perfiles interdisciplinarios pero capaces de trabajar en equipo, con ganas de aprovechar las oportunidades que presentan los datos y la confianza para lograrlo juntos.