¿Qué puede hacer un data scientist por mejorar los resultados de una empresa?

¿Qué puede hacer un data scientist por mejorar los resultados de una empresa?

Depende muchísimo del sector. En muchos de ellos, realmente, poco. Aunque suene a anatema. Tengo la sensación de que actualmente gran parte de las aplicaciones de la ciencia de datos en la industria están en la optimización del marketing de las empresas, donde detecto ciertos síntomas de comoditización y agotamiento.

Pero está emergiendo una nueva economía en la que la ciencia de los datos tiene mucho que aportar. Hay empresas cuyos ingresos dependen críticamente de calcular con precisión la probabilidad de que un usuario pinche en el banner que le muestra su aplicación. Las hay que ahorrarían tiempo y recursos si sus rutas de reparto estuviesen convenientemente optimizadas.

Hay industrias donde se hace ciencia de datos desde antes de que surgiese el concepto: piénsese en la optimización dinámica de precios en las aerolíneas. Pero es reciente que esas técnicas están comenzando a extenderse a otros sectores, como el hotelero o el de los eventos (conciertos, encuentros deportivos, etc.).

¿El perfil de Data Science es complicado de encontrar?. ¿Es un perfil cada vez más demandado?

Ambos: demandado y difícil de encontrar. Porque no es un perfil que se improvise. Por un lado, la universidad ha sido incapaz de prever la evolución del mercado –¿lo ha sido alguna vez?– y no ha formado los científicos de datos que demanda actualmente la economía. Tenemos matemáticos, físicos, economistas, estadísticos, informáticos, pero no ese perfil mixto que ha venido a recibir el nombre de científico de datos. Por otro lado, tenemos la suerte de que existe un ministro, consejero o funcionario con la potestad de decidir quién lo es y quién no, quién puede ejercer como tal y quién no, cuántos años tiene que estudiar o qué programa tiene que seguir. Pero tampoco quiero incurrir en la irresponsabilidad de presentarlo como una panacea para cualquier carrera profesional ni contribuir a generar otra «fiebre del oro».

¿Por qué es útil manejar con soltura R?

Obviamente, no lo es para todo el mundo. Pero sí para quienes manejan datos habitualmente. Simplemente, por una cuestión de productividad. He pasado unos días recientemente asesorando a periodistas de datos en algunos proyectos. Me daba cuenta de que perdían muchísimo tiempo en tareas que se hacen casi automáticamente en R. Creo que les compensaría pasar una serie de horas aprendiendo R.

Conviértete en Data Scientist

Descubre cómo el Data Science está transformando el mundo empresarial y conviértete en Data Scientist, perfil innovador y altamente solicitado por las empresas.

Ver oferta

¿Qué conocimientos requiere una persona que quiera dedicarse al análisis de datos?

Siempre se ha dicho, y creo que con sentido, que tres: estadística, informática y conocimiento del negocio.

¿El manejo eficiente de datos masivos es uno de los secretos del éxito de Google o Facebook?

No diré que el único, pero sí que es importante. De todos modos, no todos tenemos que ser o podemos ser Google o Facebook. Cada industria es como es. En muchas el factor humano es fundamental.

¿Como sociedad cuándo crees que comenzaremos a hablar de manejo de datos sin caer en generar alarmas?

Hace poco leía lo fácil que resultaba a los primeros hackers de España hacerse con contraseñas a todo tipo de (los primeros) servidores. Llamaban por teléfono a la central diciendo que eran Paco, el de mantenimiento de Huesca, que tenía una avería, y se la daban. Hoy en día eso parece prehistórico y hemos aprendido a proteger el acceso a nuestros sistemas. De la misma manera, dentro de no mucho, aprenderemos también a gestionar qué es público, qué es privado, qué se puede compartir y qué no. Qué papel tiene la minería de datos y cuál no. Creo que entonces tendremos un debate más sosegado sobre el asunto, sin los alarmismos a los que te refieres. Irá sucediendo. Nos haremos a ello.

¿Cuáles son las industrias que más se pueden beneficiar de un Data Scientist?

Pues.. aquellas donde existen. Banca, finanzas, etc. ya están en ese punto. Se oye hablar de contadores inteligentes, del internet de las cosas, etc. Pueden generar incrementos de productividad. Pero hay que tener en cuenta que la ley de los incrementos decrecientes rige: dos veces más información no significa dos veces más productividad o beneficio. Habrá ámbitos en los que, simplemente, no valga la pena incurrir en los costes que implica la recogida masiva de información. Pongo un ejemplo: nuestra compañía eléctrica mide nuestro gasto de electricidad una vez al mes (o cada dos). Eso le permite emitir facturas, etc. Puede que pronto pueda realizar mediciones, por ejemplo, cada diez minutos. Me cuesta cierto esfuerzo imaginar cuanto dinero puede generar mi compañía eléctrica sabiendo lo que consumo con esa frecuencia.

Puedes recomendar 3 blogs sobre Data Science

¡Sigo demasiados! Obviamente, el mío datanalytics.com. También me gusta mucho el de Andrew Gelman, un estadístico bayesiano y, para los interesados en las aplicaciones al marketing, «Engaging Market Research».

Y recomendarnos 3 libros para quienes comienzan a interesarse por esta disciplina

«An Introduction to Statistical Learning», de Hastie, Tibshirani et al.,, «Bayesian Data Analysis» de Gelman et al., y, un poco más ligero, «Beautiful Data» (obra colectiva).