Big Data

Las empresas ya saben cómo salir de la crisis: buscan empleados "sexys" que cobran $ 200.000

Los científicos de datos son capaces de nadar en grandes volúmenes de información y tienen injerencia en la toma de decisiones. Qué hacen en las principales empresas de la Argentina y por qué son valiosos.

El trabajo más sexy dentro de los próximos años será el de los científicos de datos, presagió Hal Varian, el jefe del sector financiero de Google y economista estadounidense. Según la revista de negocios Harvard Business Review, el término "sexy" refiere a tener cualidades muy demandadas por el mercado.

En la Argentina el puesto de científico de datos es el segundo mejor pago: de acuerdo al relevamiento anual de la comunidad sysarmy, un científico de datos junior gana alrededor de $104.000 al mes mientras que el salario de un profesional semisenior y senior oscila entre $170.000 y $200.000.

Pero no todo es color de rosas: la falta de científicos de datos se está convirtiendo en una seria restricción en algunos sectores. En el último tiempo, los puestos más buscados por las empresas argentinas -y a la vez los más difíciles de cubrir- fueron los de ciencia de datos e ingenieros de datos.

Según la Cámara de la Industria Argentina del Software (Cessi), el déficit de empleados especializados en tecnología -como programadores, desarrolladores, expertos en machine learning, data scientist, entre otros- no baja de los 5.000 anuales hace por lo menos cinco años. Entonces, la escasez es una característica que atraviesa a todo el sector IT.

En el caso de los científicos de datos, Harvard los considera "caros de contratar y difíciles de retener" porque "simplemente no hay mucha gente como ellos". Infotechnology se puso en contacto con algunas de las principales empresas del país para entender cómo su rol impacta en su modelo de negocios.

Nadar en datos

El rol de los científicos de datos es imprescindible tanto en grandes como en pequeñas y medianas empresas. Su aparición en el mundo de los negocios es importante ya que "luchan" con grandes volúmenes de información con lenguajes de programación como Python (para explotar datos) y SQL (un lenguaje de consultas).

Los expertos de Harvard comparan a estos profesionales con "surfistas": "Más que nada, lo que hacen los científicos de datos es hacer descubrimientos mientras nadan en datos. El avance del Big Data no muestra signos de desaceleración por eso hay que pensar el Big Data como olas gigantes empezando a formarse. Para atravesar la marea se necesitan científicos de datos que puedan surfear", explican.

Los científicos de datos se distinguen por las siguientes tres características: en primer lugar, deben saber de negocios; en segundo lugar, saben de estadística y matemática; y en último lugar, tienen conocimiento de informática.

  1. Nicolás Nuño, director de Data y Analytics (D&A) en KPMG Argentina.

"Hay que saber Python y SQL como se sabe hablar. En cuanto a tercer uso tenemos a R pero la diferencia que tiene R es que es más utilizado en el ámbito de la ciencia, por ejemplo, para la bioquímica. Python es escalable y tiene muchos beneficios: es flexible, tiene APIs para utilizar e invocar", argumenta Nicolás Nuño, director de Data y Analítica en KPMG Argentina.

Por otro lado, Romina Méndez, científica de datos y líder de investigación en Ualá, explica cómo el equipo de la fintech tiene impacto en las decisiones de negocios: "Los científicos de datos en Ualá trabajamos desarrollando en R, Python y JavaScript y nos enfocamos en resolver problemáticas de negocio. Es necesario que un científico de datos pueda desarrollar habilidades para poder explicar los resultados de un modelo. Para lograr esto último, aplicamos técnicas de storytelling y visualizaciones interactivas".

En esta misma línea, un experto en datos no solo eficientiza procesos en empresas de tecnología de servicios financieros sino que también en áreas de salud, gobierno, seguros, empresas de telecomunicaciones y más.

Victoria Martínez, gerente de Desarrollo de Negocios e Inteligencia Artificial en Red Hat.

Por esta razón, Victoria Martínez, gerente de Desarrollo de Negocios e Inteligencia Artificial en Red Hat, destaca el impacto de su rol en cualquier tipo de organización: "Un equipo de científicos de datos puede desarrollar diferentes modelos y resolver diversas problemáticas porque descubren lo que dicen los datos. El acceso y la cantidad de datos que dispone cada negocio cada vez es mayor, por eso el entendimiento de los mismos para anticiparnos, para entender comportamientos, para evitar fallas, para desarrollar nuevos productos es parte vital del core de ese negocio, aquí ayudan los científicos de datos".

Por último, Nuño de KPMG reflexiona sobre la toma de decisiones basadas en datos de los ejecutivos: "Quizás un director no conoce o lo ve como una caja negra y hay cierta incertidumbre a basarse en los resultados que te arroja un modelo complejo. Por eso, la confianza de los directivos sobre estos modelos es clave pero cada vez que ven resultados positivos tienen más confianza", concluye.

Lo que no se mide no se puede mejorar

Los entrevistados coinciden que el aprendizaje automático y el aprendizaje profundo se posicionan como dos grandes tendencias en el mundo de los datos. Dentro del mercado local ya fueron desarrollados productos y servicios con estas tecnologías.

En resumidas cuentas, el aprendizaje automático (o machine learning, en inglés) permite entrenar modelos con datos, algoritmos, estadística y matemática mientras que el aprendizaje profundo (o deep learning) utiliza redes neuronales y machine learning para aprender información e identificar objetos, zonas o personas.

Por ejemplo, en Ualá utilizan machine learning y deep learning para brindar soluciones que mejoran la experiencia de los usuarios en la plataforma. "Algunos de nuestros desarrollos con aprendizaje automático requieren más de 180 millones de datos y los mismos se van incrementando a medida que se incorporan nuevos servicios y productos a Ualá. Investigamos con machine learning y la nube para recomendar nuevos productos, optimizar procesos y resolver problemas de nuestros clientes o generar modelos de scoring para otorgamientos de créditos", detalla Méndez.

En segundo lugar, en KPMG utilizan machine learning, inteligencia artificial y procesamiento de lenguaje natural para dar servicios a otras empresas: "En KPMG damos un servicio que está relacionado al uso de machine learning e inteligencia artificial para hacer procesamientos cognitivos de archivos o grabaciones de audios. En otras palabras, es un algoritmo que procesa audios y las interpreta mediante técnicas de lenguaje natural", cuenta por su parte Nuño, director de Data en la empresa.

La historia detrás de la profesión

En un artículo de la revista Harvard Business Review, dos profesores de la universidad cuentan cómo Jonathan Goldman, un doctor en física que comenzó a trabajar en LinkedIn en 2006, cambió el modelo de negocios de la red social.

Jonathan Goldman.

En ese entonces, LinkedIn tenía alrededor de ocho millones de usuarios registrados y para Goldman los datos todavía estaban desordenados y eran difíciles de manejar. Por esta razón, exploró las conexiones para conectar a personas que, por contactos en común, podrían conocerse.

Goldman consultó con Reid Holffan, en ese entonces CEO de LinkedIn y actual director ejecutivo de la compañía, y decidieron lanzar un anuncio personalizado que mostraba las tres mejores coincidencias para cada usuario en función de sus amistades, trabajo y habilidades. En consecuencia, la tasa de clics subió exponencialmente.

En definitiva, Goldman aplicó Big Data para generar un algoritmo sugerencias de contactos. Esta característica existe y sigue funcionando hasta hoy en día.

En la actualidad, Goldman trabaja como vicepresidente de Datos en la organización Chan Zuckerberg, conformada por el fundador de Facebook Mark Zuckerberg y su esposa Priscilla Chan. Es decir, Goldman es el encargado de manejar el 99% de la riqueza de la pareja ya que desde 2015 decidieron invertirlo todo en la entidad.

Temas relacionados
Más noticias de Científicos de datos

Compartí tus comentarios

¿Querés dejar tu opinión? Registrate para comentar este artículo.