Estas son preguntas muy actuales, y para ello no hay una respuesta absoluta, aunque podemos plantear un marco para que después cada quien lo adapte a su necesidad:

1. ¿Cuál es mi problema? Este enfoque lo hemos reiterado muchas veces, pero por no por ello pierde validez. Si no sabemos adónde vamos, cualquier camino es bueno

2. ¿Qué recursos tengo a mi disposición? Si no sé de dónde parto, puedo elegir caminos que no conducen a mi meta

Estas dos preguntas son críticas para el líder de negocio, dado que por un punto pasan infinitas rectas, pero sólo cuando tengo 2 puntos obtengo una única solución. Y si queremos ser más puristas, sólo con 3 puntos obtengo un único plano. Por ello planteamos una tercera pregunta:

3. ¿Realmente lo necesito? No son pocas las veces que usamos el término Data Scientist por razones de interés personal, político o para “marear la perdiz”. Eso lo vemos con los proveedores de consultoría: conforme más ininteligible es su discurso de ventas o si ya dicen “Kubernetes”, ¡apaga y vámonos!

Pero empecemos por el final para buscar responder las tres preguntas previas ¿Qué es un Data Scientist (DS)? Para ello, retomo el diagrama de Venn creado por Drew Conway:

Lo que se plantea en el diagrama es que un DS requiere tres grupos de habilidades, cuyo dominio le permiten considerarse un verdadero Data Scientist:

• Estadística y matemáticas.
• Conocimientos de programación (lo prefiero a ‘Hacking’).
• Conocimiento del negocio.

Esto no es sencillo, ni barato de obtener. Ser un actuario no es suficiente para saber de matemáticas, ni ser informático le da las capacidades de programación que buscamos. Personalmente he presenciado hojas de Excel con puras reglas de 3, alguna macro, algún error, sin mucho sentido de negocio, aunque, eso sí, con una leyenda que dice: “Elaborado por la Gerente de Data Scientist”.

Siguiendo con el diagrama, en él se definen 3 subáreas, donde el profesional sólo dispone 2 de las 3 habilidades mencionadas:

1. Matemático + Programación = Machine Learning: Útil, pero sin foco por sí mismo, y para eso está el manager o el business translator ¿no?
2. Matemático + Conocimiento de negocio = Investigación tradicional: Válido, pero muy teórico y poco accionable. Con poco espacio en el mundo empresarial. Si hablamos de Data Scientist, aún sin llegar a Big Data, estamos hablando de necesidades de datos relevantes, así como de limitantes de tiempo para desplegar y ganar dinero, que un proceso de investigación tradicional no cubrirá, sin la musculatura de las técnicas de datos actuales.
3. Programación + Conocimiento de negocio = ¡¡PELIGRO!! à Para algunos, esto sería más peligroso que un mono con un cuchillo, ya que las conclusiones fáciles pueden carecer de sustento, aunque parezcan prometedoras. Es muy normal cuando se deja a un líder gestor/administrador tomar proyectos de crecimiento. Piensan con las tijeras de “cuanto ahorraré” o con el cronograma antes que con la realidad. Ahí la mítica frase de “Un project manager es el que cree que poniendo 9 mujeres, los bebés llegan en 1 mes”.
   Valga decir que este es el perfil más sencillo de encontrar, nuestro estadístico de empresa, el director que tomó un curso de R o el profesional que tiene una formación técnica sólida y años en el sector (de nuevo un consultor aplicaría aquí).

Con todo lo anterior en mente, volvamos al principio:

1º. ¿Cuál es mi problema?

Consideremos realmente la naturaleza de nuestro problema y qué requiero para alcanzar la solución. Aunque hace un momento hice burla del Excel de reglas de 3, lo hice por el título nobiliario, pero al final resolvía el problema, que es lo que como líderes del negocio queremos, y personalmente soy un defensor de la regla de 3 en muchos casos. Entonces… ¿necesito una persona con las 3 habilidades o sólo que sepa defenderse técnicamente y hacía donde apuntar? No nos compliquemos donde no lo necesitamos, la opción B funciona.

¿Queremos entender la respuesta de nuestro consumidor digital mediante sus reacciones en Twitter? Ese es otro asunto. Quizás sí necesitemos la opción A, aunque con guía.

¿Queremos hacer un buen forecast con fuentes de información complejas, internas y externas, para redefinir la estrategia de portafolio, acceso al consumidor y la mezcla de despliegue de canales? Entonces lo que usted necesita no es sólo un Data Scientist, sino un equipo que ayude a crecer a la compañía, porque aquél, pensándolo fríamente, es sólo un recurso, y los recursos por sí mismos no ganan batallas.

2º. ¿Qué recursos tengo a mi disposición?

¿Cuál es mi presupuesto para personal? ¿Qué equipo tengo hoy? ¿De qué datos y herramientas dispongo? ¿Cuál es la situación del proyecto o necesidad? Aquí cada empresa, líder y proyecto es un mundo, pero si hay que sacrificar una habilidad, la última es el conocimiento del negocio, dado que las habilidades duras son relativamente fáciles de adquirir e incluso se pueden subcontratar.

Como comentario colateral, invertir en la formación de nuestros equipos siempre será una sabia decisión.

3º. ¿Realmente lo necesito?

Esta se retroalimenta con la 2ª pregunta. Si invertimos un poco, ¿puedo lograrlo con mis equipos? ¿Qué necesitaría hacer con ellos? ¿Qué les falta? A golpe de billetes, todo se puede, pero tras un año de pandemia, dudo muchas empresas tengan la intención de despilfarrar o usar la estrategia de “pagar por ver”.

Y sólo nos queda la pregunta final: ¿Dónde lo pongo? Un DS debe incorporarse a los equipos de negocio y crecimiento, no a los centros de costos, ya que se trata de recursos caros y escasos que deben demostrar su ROI por encima de otras posiciones. Tienen el privilegio de brillar por encima de los demás, pero si los eliminas, la compañía seguirá funcionando.

Dando cierre a esta reflexión

No hay una respuesta única a qué es un Data Scientist, dónde posicionarlo y cómo aprovechar sus conocimientos, aunque sí podemos disponer de algunas guías que nos permitan decidir si realmente vamos a invertir nuestro presupuesto en ellos. Una cosa es clara para todos: el mundo actual no tiene marcha atrás, y las nuevas habilidades y técnicas son de los pocos elementos que darán a las compañías la oportunidad de obtener una ventaja competitiva.

_____________________

El autor de este artículo, Jordi Rodríguez Oliver, es Director de Inteligencia & Analytics de GEPP. Síguelo en @JordiRoOl o escríbele a Jordi.ro.ol.gemba@gmail.com