Data Science: ¿por qué nos creemos tan modernos?

Desde hace ya un tiempo ha surgido en el mercado el rol del Data Scientist, entendido como el gurú de los datos, el experto en la nueva corriente del Data Science, pero ¿de dónde surge esta nueva posición? Hasta que han llegado, ¿nadie analizaba datos? ¿Nadie les sacaba valor para el negocio?

La “nueva” disciplina del Data Science fue nombrada por primera vez por el científico danés Peter Naur en 1974 en el libro Concise Survey of Computer Method**s. A partir de los años noventa empieza a tener cada vez más auge, definiendo dicha ciencia como la trilogía formada por la recolección de los datos, su análisis y modelado, y la toma de decisiones.

A principios del siglo XXI se empezó la publicación del Data Science Journal y The Journal of Data Science, revistas enfocadas en los avances en este ámbito y a que los profesionales empezaran a compartir sus ideas.

En el año 2012, en un influyente artículo de la Harvard Business Review se publicó que científico de datos era la profesión más “sexy” del mundo y en 2014 se inició la primera conferencia de IEEE International Conference on Data Science and Advance Analytics*.*

Si intentamos definir a las personas que se dedican al Data Science serían una mezcla entre estadísticos, computólogos y pensadores creativos. El proceso que realiza un Data Scientist se puede resumir en los siguientes 5 pasos:

• Extraer los datos, independientemente de donde procedan y su volumen.
• Limpiarlos, quitando las distorsiones.
• Procesarlos usando diferentes métodos estadísticos y matemáticos.
• Diseñar nuevos experimentos en caso de ser necesario.
• Visualizar gráficamente los datos.

Siendo esta una definición general de sus tareas, ¿qué hay de las profesiones que ya tienen dichos skills, pero que negamos que sean Data Scientists? ¿Son “old” Data Scientists? Veamos algunos ejemplos de dichas profesiones serias.

Actuario

Un actuario es un profesional de la ciencia actuarial que se ocupa de las repercusiones financieras de riesgo e incertidumbre. Estos profesionales deben tener sólidos conocimientos en matemáticas, economía, finanzas, demografía, probabilidad y estadística.

Además, deben tener conocimientos en programación para implementar modelos matemáticos para la toma de decisiones y la simulación de los riesgos.

Quant

Un analista cuantitativo o quant es un profesional que diseña e implementa complejos modelos matemáticos que permiten a las firmas financieras operar con valores de inversión.

Normalmente deben tener grandes conocimientos en conceptos matemáticos, como el cálculo, álgebra, ecuaciones diferenciales, probabilidad y estadística. También en finanzas, como teoría del portfolio, productos de riesgo y derivados de tipo de interés y capital.

Además, las habilidades de software son críticas, usando técnicas Monte Carlo y Machine Learning.

Analista de marketing

Un analista de marketing es un profesional que investiga cuáles son los factores que el cliente considera a la hora de comprar un producto o servicio. Los resultados ayudan a las empresas a desarrollar nuevos productos o modificar los actuales.

Estos profesionales deben ser capaces de comprender e interpretar grandes cantidades de datos, por lo que tienen que tener conocimientos en estadística, matemáticas y computación. Para comunicar sus resultados, convierten los datos en tablas, gráficos e informes.

Otros perfiles

Hay otras muchas profesiones con las mismas características, como los meteorólogos que crean modelos de predicción del clima; los desarrolladores de sistemas críticos; los que desarrollan sistemas complejos de control aéreo o de señalización ferroviaria; los consultores estratégicos, que diseñan redes neuronales para modelizar las preferencias de sus clientes…

Al ver estos empleos, que ya existían previamente en el mercado, creo que la pregunta clave que debiéramos hacernos es: **¿**qué le falta a la definición de Data Scientist para que quiera decir lo que entendemos?

Estamos hablando de que utilicen Big Data, de las últimas tendencias de Inteligencia Artificial, que sean capaces de recoger datos de IoT y utilicen las herramientas más novedosas del mercado de visualización.

Es decir, si queremos un Data Scientist, que haya sido previamente Data Engineer, que actualice su conocimiento tecnológico constantemente y que, para poder sacarle el máximo jugo a las conclusiones, quizá debiera saber de negocio… ¿buscamos un unicornio?