A lo largo de la última década, la Data Science ha evolucionado de ser unas pocas semillas dispersas a convertirse en un frondoso bosque. Se estima que para el año 2020, aproximadamente 1.7 megabytes de nueva información serán generados cada segundo para cada ser humano en el planeta y para 2025, se espera que el mercado de la Inteligencia Artificial (IA) supere los 100 mil millones de dólares, según datos de IDC.
Por otro lado, y por quinto año consecutivo, la profesión de Data Scientist ha sido nombrada como el mejor trabajo en Estados Unidos por Glassdoor y por el informe U.S Emerging Jobs de LinkedIn de 2019. Dicho informe también señala que es la profesión con el crecimiento más rápido, con 6.5 veces más personas que hace cinco años declarándola como su ocupación.
Este es el momento de expansión para los equipos de Data Scientists dentro de empresas de todos los sectores. Se presentan entonces dos opciones:
- El reclutamiento de personal ya capacitado, beneficiándose especialmente de la proliferación de formaciones iniciales en Data Science.
- La formación de colaboradores que ya ocupan otros cargos (actuarios, jefes de marketing, etc.).
Pero, ¿cómo decidir entre estas dos soluciones? Los equipos de DataScientest han evaluado los pros y los contras de cada opción.
El reclutamiento de Data Scientists: la elección de la simplicidad
Reclutar Data Scientists ofrece numerosas ventajas.
En primer lugar, permite centrar la búsqueda en un tipo de perfil específico. A través del reclutamiento del equipo, se podrá asignar una tarea específica a cada uno en función de su perfil académico y preferencias. El objetivo del reclutamiento es, en resumen, crear un equipo eficiente donde cada miembro tenga una misión claramente definida.
Por otro lado, los Data Scientists junior recién han terminado sus estudios. El conocimiento que necesitarán está todavía fresco y su visión del rol no será sesgada por experiencias anteriores ni factores externos. La motivación y la energía propias de la juventud de estos perfiles también se aprovecharán en su actividad, contribuyendo a obtener mejores resultados. Reclutar individuos con entre 0 y 5 años de experiencia significa contar con perfiles cómodos con las tecnologías del ecosistema de datos, con bases teóricas fuertes y habilidades en la implementación.
Con todo, el reclutamiento implica, como en cualquier puesto y especialmente en aquellos con una fuerte componente técnica, un costo significativo para la empresa. De hecho, será necesario realizar una serie de entrevistas y pruebas para integrar nuevos miembros, lo que implicará sacrificios tanto financieros como organizativos. Independientemente de si la empresa opta por externalizar el proceso o manejarlo internamente, requerirá una inversión de tiempo, dinero y energía para formar un equipo de Data Science eficaz y productivo.
Además, los perfiles en cuestión aún son escasos. Los candidatos frecuentemente poseen poca experiencia laboral (relativa al sector en el que podrían evolucionar), pero sobre todo tienen expectativas salariales elevadas debido a su formación académica: el 88% tiene una maestría y el 46% un doctorado, en programas muy selectivos, la mayoría en matemáticas y estadística, ciencias de la computación o escuelas de ingeniería de elite. Son parte de un mercado con falta de perfiles.
La formación de colaboradores ya en el puesto: ¿una apuesta segura?
Aunque el reclutamiento de Data Scientists supone un costo importante tanto financiero como organizativo, el reskilling o la capacitación de colaboradores que ya están en el puesto tendrá una implementación mucho más sencilla. De hecho, este último será en su mayoría subcontratado y la empresa no requerirá ninguna adaptación organizativa.
Además de esto, cabe añadir que este tipo de formación está ampliamente financiada por subvenciones de empresas y ya representa un costo controlado para los grupos: por ejemplo, un analista estadístico no requeriría un aumento salarial exorbitante al concluir su capacitación, mientras que reclutar a un Data Scientist puede resultar costoso.
Más allá de esta simplicidad, el reskilling de los colaboradores resultará en la integración de Data Scientists más «generalistas». Con la experiencia profesional adquirida a lo largo de sus carreras, aportarán una visión más transversal: ya conocen los datos de la empresa y, por lo tanto, serán capaces de manejarlos más adecuadamente.
Por lo general, los perfiles reentrenados son analistas estadísticos, operadores de marketing en línea o, más simplemente, actuarios, que pueden mejorar sus habilidades en 9 meses dedicando una hora al día.
En la práctica, el objetivo de la Data Science no es únicamente ejecutar. Su propósito es más bien aprender y desarrollar en profundidad nuevas capacidades profesionales. Productos algorítmicos como sistemas de recomendación, clasificación de preferencias, optimizadores logísticos, predicción de tendencias estacionales, etc., no pueden ser diseñados de antemano. Necesitan ser aprendidos. No hay un plan a seguir; son nuevas competencias llenas de incertidumbre. Los coeficientes, los modelos, los tipos de modelos, los hiperparámetros, todos los elementos necesarios deben ser precisados a través de experimentación, errores e iteraciones. Sin embargo, uno de los desafíos de esta alternativa radica en el hecho de que los perfiles en cuestión son experimentados y, por ende, a veces pueden reaccionar negativamente ante el cambio. No obstante, esto podría ser mitigado por su interés en la adquisición de nuevas habilidades.
La solución milagrosa: una elección híbrida y específica para cada empresa
Con el flujo de datos creado y recopilado aumentando año tras año, es evidente que las empresas de todos los sectores no escaparán a una reestructuración completa de sus equipos de data science.
Entonces se presentan dos opciones: reclutar a Data Scientists recién graduados, que constituirán un equipo eficaz y productivo dentro del cual cada uno será un eslabón en una cadena, o formar a colaboradores que ya están en el puesto. Menos especializados pero más transversales, serán capaces de alcanzar objetivos más ambiciosos aprendiendo e iterando a lo largo de su actividad.
Por tanto, la elección se hará en función del sector y de los objetivos de las empresas, así como del peso que quieran dar a sus equipos de Datos. Cuanto más profunda sea la reestructuración deseada, mayor será el interés en reclutar a Data Scientists ya formados.
Por el contrario, los sectores que requieren un conocimiento profesional fundamental en la gestión de proyectos preferirán recurrir primero al reskilling, antes de poder complementar sus equipos con «perlas» que aporten novedad. Este es el caso, por ejemplo, del sector de seguros.
En resumen, las empresas no deben perder de vista que la importancia de las Data Sciences está destinada a explotar en los próximos años, como lo confirman todos los estudios realizados sobre el tema (Dirección General de Empresas, informe sobre tecnologías clave realizado por el Ministerio de Economía y Finanzas, etc.). Su éxito dependerá esencialmente de su capacidad para adaptarse y de tomar las decisiones estratégicas necesarias para su supervivencia.
