Qué hacen los grandes analistas de datos y por qué toda organización los necesita

La contratación del mejor trofeo de la ciencia de datos es escurridiza, y no es de extrañar: un científico de datos "full-stack" domina el aprendizaje automático, la estadística y la analítica. Cuando los equipos no pueden hacerse con un polímata tres en uno, ponen sus miras en atraer al premio más impresionante entre los especialistas de un solo origen. ¿Cuál de esas habilidades se lleva el pedestal? La moda actual en la ciencia de datos favorece la sofisticación llamativa con una pizca de ciencia ficción, lo que convierte a la IA y al aprendizaje automático en los favoritos del mercado laboral. Los aspirantes alternativos al puesto alfa proceden de la estadística, gracias a una reputación centenaria de rigor y superioridad matemática. ¿Y los analistas? La analítica como ciudadana de segunda clase Si su habilidad principal es la analítica (o la minería de datos o la inteligencia empresarial), lo más probable es que su confianza en sí mismo haya recibido una paliza a medida que el aprendizaje automático y la estadística se han ido valorando dentro de las empresas, el mercado laboral y los medios de comunicación. Pero lo que los no iniciados rara vez captan es que las tres profesiones bajo el paraguas de la ciencia de datos son completamente diferentes entre sí. Puede que utilicen algunos de los mismos métodos y ecuaciones, pero ahí es donde termina la similitud. Lejos de ser una versión inferior de las otras razas de la ciencia de datos, los buenos analistas son un requisito previo para la eficacia en sus empresas de datos. Es peligroso que le abandonen, pero eso es exactamente lo que harán si les infravalora. En lugar de pedir a un analista que desarrolle sus habilidades estadísticas o de aprendizaje automático, considere la posibilidad de animarle a buscar primero las cimas de su propia disciplina. En la ciencia de datos, la excelencia en un área supera a la mediocridad en dos. Así pues, examinemos qué significa ser verdaderamente excelente en cada una de las disciplinas de la ciencia de datos, qué valor aportan y qué rasgos de personalidad se requieren para sobrevivir en cada puesto. Hacerlo ayudará a explicar por qué los analistas son valiosos y cómo deben utilizarlos las organizaciones. Excelencia en estadística: rigor Los estadísticos son especialistas en llegar a conclusiones más allá de sus datos con seguridad: son su mejor protección contra el engaño en un mundo incierto. Para ellos, inferir algo chapuceramente es un pecado mayor que dejar la mente en blanco, así que espere que un buen estadístico ponga freno a su exuberancia. Se preocupan mucho por saber si los métodos aplicados son los adecuados para el problema y agonizan sobre qué inferencias son válidas a partir de la información de que disponen. Este artículo también aparece en: Strategic Analytics: The Insights You Need de HBR Tecnología y Operaciones Libro 22.95 Añadir a la cesta Ahorre Compartir ¿El resultado? Una perspectiva que ayuda a los líderes a tomar decisiones importantes con un riesgo controlado. En otras palabras, utilizan los datos para minimizar la posibilidad de que lleguen a una conclusión imprudente. Excelencia en el aprendizaje automático: rendimiento Usted podría ser un ingeniero de aprendizaje automático/aplicado si su respuesta a "Apuesto a que no podría construir un modelo que pase las pruebas con una precisión del 99,99999%" es "Obsérveme". Con las habilidades de codificación necesarias para construir tanto prototipos como sistemas de producción que funcionen y la obstinada resistencia a fallar cada hora durante varios años si eso es lo que hace falta, los especialistas en aprendizaje automático saben que no encontrarán la solución perfecta en un libro de texto. En su lugar, se verán inmersos en un maratón de ensayo y error. Tener una gran intuición sobre el tiempo que les llevará probar cada nueva opción es una gran ventaja y es más valioso que un conocimiento íntimo de cómo funcionan los algoritmos (aunque es bueno tener ambas cosas). Rendimiento significa algo más que despejar una métrica: también significa modelos fiables, escalables y fáciles de mantener que funcionen bien en producción. La excelencia en ingeniería es imprescindible. ¿El resultado? Un sistema que automatiza una tarea complicada lo suficientemente bien como para pasar el estricto listón de pruebas de su estadístico y ofrecer el audaz rendimiento que exigía un líder empresarial. Amplio frente a profundo Lo que tienen en común las dos funciones anteriores es que ambas aportan soluciones de gran esfuerzo a problemas específicos. Si los problemas que abordan no merecen la pena ser resueltos, acaban malgastando su tiempo y su dinero. Un lamento frecuente entre los líderes empresariales es: "Nuestro grupo de ciencia de datos es inútil". Y el problema suele residir en la ausencia de conocimientos analíticos. Los estadísticos y los ingenieros de aprendizaje automático son trabajadores estrechos y profundos -la forma de una madriguera de conejo, por cierto-, por lo que es realmente importante dirigirlos hacia problemas que merezcan el esfuerzo. Si sus expertos resuelven con esmero los problemas equivocados, su inversión en ciencia de datos sufrirá un bajo rendimiento. Para asegurarse de que puede hacer un buen uso de los expertos estrechos y profundos, necesita estar seguro de que ya tiene el problema adecuado o necesita un enfoque amplio y superficial para encontrarlo. Excelencia en el análisis: velocidad Los mejores analistas son codificadores a la velocidad del rayo que pueden navegar rápidamente por vastos conjuntos de datos, encontrando y sacando a la superficie ideas potenciales más rápido de lo que los demás especialistas pueden decir "pizarra". Su estilo de codificación medio descuidado desconcierta a los ingenieros de software tradicionales, pero los deja en la cuneta. La velocidad es su mayor virtud, seguida de cerca por la capacidad de identificar gemas potencialmente útiles. El dominio de la presentación visual de la información también ayuda: los trazados bellos y eficaces permiten a la mente extraer la información más rápidamente, lo que payoff en tiempo-a-potencial-insights. El resultado es que la empresa toma el pulso y pone los ojos en incógnitas hasta entonces desconocidas. Esto genera la inspiración que ayuda a los responsables de la toma de decisiones a seleccionar búsquedas valiosas a las que enviar a los estadísticos e ingenieros de ML, ahorrándoles excavaciones matemáticamente impresionantes de madrigueras de conejo inútiles. ¿Tonterías descuidadas o narración estelar? "Pero", objetan los estadísticos, "la mayoría de sus supuestos insights son tonterías". Con ello quieren decir que los resultados de su exploración pueden reflejar sólo ruido. Tal vez, pero hay algo más en la historia. Los analistas son narradores de datos. Su mandato es resumir hechos interesantes y utilizar los datos para inspirarse. En algunas organizaciones, esos hechos y esa inspiración se convierten en aportaciones para los responsables humanos de la toma de decisiones. Pero en las operaciones de datos más sofisticadas, la inspiración impulsada por los datos se marca para un seguimiento estadístico adecuado. Los buenos analistas respetan a rajatabla la única regla de oro de su profesión: no saque conclusiones más allá de los datos (y evite que su público también lo haga). Con este fin, una forma de detectar a un buen analista es que utilice un lenguaje suavizado, de coberturas. Por ejemplo, no "sacamos conclusiones" sino "nos inspira dudas". También desalientan el exceso de confianza de los dirigentes haciendo hincapié en la multitud de interpretaciones posibles para cada conclusión. Siempre que los analistas se ciñan a los hechos - diciendo sólo "Esto es lo que hay". - y no se tomen a sí mismos demasiado en serio, el peor delito que pueden cometer es hacer perder el tiempo a alguien cuando se lo plantean. Aunque se requieren conocimientos estadísticos para comprobar las hipótesis, los analistas son su mejor baza para plantear esas hipótesis en primer lugar. Por ejemplo, podrían decir algo como "Es sólo una correlación, pero sospecho que podría deberse a..." y luego explicar por qué piensan eso. Esto requiere una fuerte intuición sobre lo que podría estar ocurriendo más allá de los datos, y la capacidad de comunicación para transmitir las opciones al responsable de la toma de decisiones, que normalmente es quien decide qué hipótesis (de entre muchas) son lo suficientemente importantes como para justificar el esfuerzo de un estadístico. A medida que los analistas maduren, empezarán a cogerle el truco a juzgar lo que es importante además de lo que es interesante, lo que permitirá a los responsables de la toma de decisiones alejarse del papel de intermediarios. De las tres razas, los analistas son los herederos más probables del trono de la decisión. Dado que la experiencia en la materia contribuye en gran medida a detectar con mayor rapidez patrones interesantes en los datos, los mejores analistas se toman en serio la tarea de familiarizarse con el dominio. No hacerlo es una señal de alarma. A medida que su curiosidad les empuje a desarrollar un sentido del negocio, espere que sus resultados pasen de ser un revoltijo de falsas alarmas a un conjunto de percepciones sensatamente seleccionadas que probablemente interesen más a los responsables de la toma de decisiones. Análisis para la toma de decisiones Para evitar la pérdida de tiempo, los analistas deben exponer la historia que están tentados a contar y hurgar en ella desde varios ángulos con investigaciones de seguimiento para ver si se sostiene antes de presentarla a los responsables de la toma de decisiones. El responsable de la toma de decisiones debería funcionar entonces como un filtro entre el análisis exploratorio de los datos y el rigor estadístico. Si alguien con responsabilidad de decisión considera que la exploración del analista es prometedora para una decisión que tiene que tomar, entonces puede dar el visto bueno a que un estadístico dedique tiempo a hacer un análisis más riguroso. (Este proceso indica por qué limitarse a decir a los analistas que mejoren en estadística es errar el tiro de manera importante. No sólo las dos actividades están separadas, sino que otra persona se interpone entre ellas, lo que significa que no es necesariamente más eficiente que una persona haga las dos cosas). Analítica para el aprendizaje automático y la IA Los especialistas en aprendizaje automático someten un montón de entradas de datos potenciales a algoritmos, ajustan la configuración y siguen iterando hasta obtener los resultados adecuados. Aunque pueda parecer que la analítica no tiene nada que hacer aquí, en la práctica una empresa suele tener demasiados ingredientes potenciales para meterlos todos a la vez en la batidora. Una forma de filtrar hasta llegar a un conjunto prometedor de entradas para probar es la experiencia en el dominio: preguntar a un humano con opiniones sobre cómo podrían funcionar las cosas. Otra forma es a través de la analítica. Utilizando la analogía de la cocina, el ingeniero de aprendizaje automático es muy bueno trasteando en la cocina, pero ahora mismo se encuentra ante un almacén enorme y oscuro lleno de ingredientes potenciales. Podrían empezar a cogerlos al azar y arrastrarlos hasta sus cocinas, o podrían enviar primero a un velocista armado con una linterna a través del almacén. Su analista es el velocista; su capacidad para ayudarle rápidamente a ver y resumir lo que hay aquí es un superpoder para su proceso. Los peligros de infravalorar a los analistas Un analista excelente no es una versión chapucera del ingeniero de aprendizaje automático; su estilo de codificación está optimizado para la velocidad, a propósito. Tampoco es un mal estadístico, ya que no se ocupa en absoluto de la incertidumbre, sino de los hechos. El trabajo principal del analista es decir: "Esto es lo que hay en nuestros datos. No es mi trabajo hablar de lo que significa, pero quizá inspire al responsable de la toma de decisiones a seguir la cuestión con un estadístico". Si pone demasiado énfasis en contratar y recompensar las habilidades en aprendizaje automático y estadística, perderá a sus analistas. ¿Quién le ayudará entonces a averiguar qué problemas merece la pena resolver? Se quedará con un grupo de expertos miserables a los que se les sigue pidiendo que trabajen en proyectos inútiles o en tareas de análisis para las que no se apuntaron. Sus datos yacerán por ahí inservibles. En caso de duda, contrate analistas antes que otras funciones. Aprécielos y recompénselos. Anímeles a crecer hasta las alturas de su carrera elegida (y no la de otra persona). Del elenco de personajes mencionados en esta historia, los únicos que toda empresa necesita son los responsables de la toma de decisiones y los analistas. Los demás sólo podrá utilizarlos cuando sepa exactamente para qué los necesita. Empiece por los analistas y siéntase orgulloso de su recién descubierta capacidad para abrir los ojos a la rica y hermosa información que tiene ante usted. La inspiración basada en los datos es algo poderoso.

Qué hacen los grandes analistas de datos y por qué toda organización los necesita

Resumen.

Partner Center