En esta noticia
Astronauta, futbolista, veterinaria, bombero. Durante generaciones, esas fueron algunas de las respuestas más habituales a la pregunta de “¿qué querés ser cuando seas grande?”. Internet sumó una nueva posibilidad, aunque en forma de meme: una gorra con la inscripción “Desde chico soñé con transformar datos no estructurados en insights accionables para el negocio”.
El chiste funciona porque nadie jamás soñó con eso durante su infancia. Sin embargo, el Foro Económico Mundial ubica a los especialistas en big data en el primer puesto de los empleos con mayor crecimiento proyectado hacia 2030.
Lo interesante es que esta transformación ya no ocurre únicamente en las empresas tecnológicas, las fintech o Silicon Valley. También atraviesa industrias tan diversas como la publicidad, la cosmética y la educación, ámbitos en los que durante décadas las decisiones estuvieron asociadas al olfato comercial, la experiencia y las grandes ideas.
De Don Draper al dashboard
Quien haya visto Mad Men (2007-2015) recuerda cómo se ganaba una cuenta en la Madison Avenue de los años sesenta. Don Draper entraba a una sala, apagaba las luces y convencía al cliente con una historia sobre la nostalgia, el deseo o las aspiraciones humanas. Todo, probablemente, después de unos cuantos Old Fashioned a las diez de la mañana.
Nadie le pedía un tablero de métricas ni cuestionaba demasiado su aliento a licor. El talento estaba en la intuición, y la intuición no se auditaba.
Durante décadas, esa forma de entender la publicidad convivió con la frase de John Wanamaker: “La mitad del dinero que gasto en publicidad se desperdicia; el problema es que no sé cuál mitad”. La incertidumbre era parte del negocio y, en buena medida, se aceptaba como inevitable.
Hoy existen herramientas que permiten acercarse mucho más a una respuesta. Aunque medir no siempre significa comprender. “El clic indica qué hizo una persona antes de comprar, pero no si hubiera comprado de todos modos”, explican desde ABN, el grupo que integra medios, analítica, automatización e inteligencia artificial.
Para resolver esa incógnita, las empresas recurren a los tests de incrementalidad, que permiten comparar regiones similares en las que se mantiene o suspende la publicidad y medir el impacto de esa diferencia. También utilizan modelos de Marketing Mix Modeling, que analizan varios años de inversión y ventas para estimar cuánto aporta cada canal y en qué momento deja de resultar rentable aumentar el presupuesto. La sofisticación de estas herramientas introdujo un problema que antes tenía consecuencias mucho más limitadas: “Los datos siempre fueron estratégicos. Lo que cambió es el costo de medir mal”, señalan desde ABN.
En el pasado, una medición equivocada podía terminar en un informe poco preciso. Ahora, esa misma información alimenta algoritmos que distribuyen presupuestos publicitarios y sistemas de inteligencia artificial que responden consultas o participan en la toma de decisiones. En sus auditorías, ABN encuentra con frecuencia compras contabilizadas dos veces, visitas a páginas registradas como conversiones o montos que mezclan pesos y dólares. Errores que pueden parecer administrativos, pero que terminan modificando decisiones comerciales.
“Una decisión basada en datos mal medidos es peor que una decisión intuitiva. Quien decide por intuición sabe que está asumiendo un riesgo; quien decide a partir de un tablero confía en él”.
Dicho de otro modo, Don Draper al menos sabía que estaba apostando. Por eso, el grupo sostiene una condición para trabajar con sus clientes: deben permitirle auditar sus sistemas de seguimiento y construir un data warehouse propio, un repositorio que centraliza la información necesaria para analizar el negocio.
Más allá del manual de Kotler
Generaciones de profesionales aprendieron marketing a través de Dirección de Marketing, de Philip Kotler. Segmentar el mercado, identificar al público objetivo y construir un posicionamiento eran, y siguen siendo, algunas de sus principales enseñanzas.
Lo que cambió es la capacidad de observar al consumidor, identificar comportamientos emergentes y contrastar esas señales antes de convertirlas en una estrategia comercial. Un ejemplo aparece en la industria cosmética, donde Natura detectó un cambio en la manera en que las personas entienden el cuidado del cabello. Los consumidores comenzaron a trasladar la lógica del skincare, tradicionalmente asociada al rostro, a sus rutinas capilares.
“Pasamos de una lógica más reactiva, de actuar cuando aparece un problema, a una mirada mucho más preventiva, consciente e integral”, explica Florencia Violini, gerenta de Marketing de Natura Mercado Sur.
“Ya no alcanza con que el pelo simplemente se vea bien: las personas buscan entender qué necesita y elegir productos con beneficios concretos y respaldo científico”. De esa lectura del mercado nació Lumina Antiseñales, una propuesta que busca responder a las nuevas preocupaciones sobre el envejecimiento capilar.
Pero la identificación de esa oportunidad no dependió exclusivamente de una corazonada. Para estudiar los cambios en el consumo, Natura combina investigaciones propias sobre hábitos y cultura, estudios de mercado, información de sus canales comerciales y datos de consultoras externas como Nielsen, Kantar y Scentia.
A esas fuentes agrega un activo particularmente valioso: su red de Consultoras de Belleza. “La riqueza está en cruzar esas dos dimensiones, la escala que nos dan los datos y la investigación con la cercanía de una red que está en contacto permanente con el consumidor”, señala Violini. Esa combinación también ayuda a resolver una de las dificultades del marketing para distinguir una tendencia duradera de una moda pasajera. “Una moda puede generar mucho ruido en poco tiempo; una tendencia modifica comportamientos”, sostiene la ejecutiva.
El proceso no termina con la detección de una oportunidad. También exige comprobar que la respuesta desarrollada por la empresa cumpla con lo que promete. En ese terreno, Natura realizó un estudio de seis meses sobre su tecnología ProMelanina, con participantes de entre 30 y 70 años que tenían entre un 25% y un 50% de canas.
La evaluación incluyó análisis instrumentales, fotografías de alta definición y microimágenes obtenidas mediante Trichoscan.
“No se trata solamente de comunicar una promesa, sino de poder demostrarla”
¿Y la creatividad?
Si los datos permiten identificar tendencias, medir resultados y anticipar comportamientos, surge una pregunta inevitable para quienes trabajan en disciplinas creativas: ¿qué lugar queda para las ideas? La respuesta que ofrecen ABN y Natura apunta en la misma dirección. La información no necesariamente reemplaza la creatividad, pero sí modifica la manera de desarrollarla, evaluarla y llevarla al mercado.
En ABN conviven distintas unidades especializadas: Studio, enfocada en producción; Digital, dedicada a la planificación y optimización de medios; y Hike y Detrics, orientadas a la medición y automatización. La inteligencia artificial permite que una misma idea se transforme en decenas de piezas adaptadas a diferentes formatos, públicos y mercados. Cada versión puede probarse, medir sus resultados y ajustar la inversión en pocos días. “Eso le da al equipo creativo más margen para experimentar”.
Hoy, Google y Meta optimizan la distribución de anuncios a partir de las señales de conversión que reciben. El problema aparece cuando esas señales no representan el objetivo real del negocio. Si una empresa registra como conversión la acción de agregar un producto al carrito, el sistema puede priorizar usuarios propensos a hacerlo, aunque nunca concreten la compra.
Algo similar ocurre cuando se premia el clic en lugar de la venta. El algoritmo favorece las piezas que generan más interacciones, el equipo creativo interpreta que ese contenido funciona y la marca termina concentrando sus esfuerzos en una audiencia que participa, pero no necesariamente compra. La consecuencia es una paradoja: una campaña puede mostrar indicadores cada vez mejores y, al mismo tiempo, alejarse de sus objetivos comerciales. “Cuando la medición es correcta, el equipo creativo recibe un feedback confiable sobre su trabajo. Cuando no lo es, ese feedback lo lleva en la dirección contraria”, advierten desde ABN.
En Natura, la incorporación de tecnología también alcanza la relación directa con los consumidores. Su Diagnóstico Capilar Natura Lumina es una herramienta digital que identifica necesidades del cabello y recomienda una rutina de cuidado específica. “La tecnología nos permite personalizar a escala; el diferencial sigue estando en cómo la usamos para entender y acompañar mejor a las personas”, explica Violini y agrega una frase que podría haber firmado cualquier creativo de la vieja escuela: “Detrás de cada dato hay una persona”
La carrera que viene: de especialidad tecnológica a conocimiento transversal
En 2012, Harvard Business Review calificó al científico de datos como “el trabajo más sexy del siglo XXI”. La frase buscaba describir una profesión que comenzaba a ganar protagonismo en las grandes empresas tecnológicas. Más de una década después, las proyecciones laborales muestran que aquella definición no era simplemente una provocación editorial.
El Foro Económico Mundial, en su informe Future of Jobs 2025, ubica a los especialistas en big data en el primer puesto entre los empleos de mayor crecimiento previsto hacia 2030. Los especialistas en inteligencia artificial y machine learning aparecen en el tercero.
La Argentina muestra señales de esa valorización. Según la Encuesta de Sueldos de SysArmy de enero de 2026, un perfil semisenior en ciencia de datos registra una mediana salarial mensual de $4.800.000 entre quienes perciben remuneraciones dolarizadas y de $4.000.000 entre quienes cobran en pesos. Para el mismo nivel de experiencia, los perfiles de desarrollo de software presentan medianas de $3.200.000 y $2.500.000, respectivamente.
La demanda de estos perfiles ya se refleja en los programas de ingreso de empresas como YPF. En el Talent Summit del Instituto Tecnológico de Buenos Aires (ITBA), Florencia Tiscornia, vicepresidenta de Personas y Cultura de la petrolera, contó que la compañía sumó búsquedas de jóvenes profesionales en tecnología y datos a sus programas tradicionales, antes centrados en ingenierías como petróleo, química, mecánica y eléctrica, además de geociencias. “Algo que sí nos está pasando es la abundancia de datos que tenemos”, señaló. El desafío, explicó, es interpretar qué muestran esos datos y decidir cómo actuar a partir de ellos.
En la banca, el cambio también pasa por lo que se espera de cada especialista. En el mismo panel, Verónica Climent, directora de People, Culture & Organization de Santander Argentina, explicó que el banco busca profesionales que puedan identificar un problema del negocio y elegir qué herramientas usar para resolverlo. En la práctica, eso implica evaluar cómo una solución puede mejorar la experiencia del cliente, simplificar un proceso interno o reducir costos.
Así, la formación universitaria acompaña el interés por esta especialidad. La Licenciatura en Ciencia de Datos de la Universidad de Buenos Aires reúne 331 estudiantes, de los cuales el 32% son mujeres. Aún así el cambio más importante no se limita a la aparición de nuevas oportunidades laborales. También alcanza a profesionales que nunca imaginaron que necesitarían incorporar conocimientos de estadística, programación o inteligencia artificial.
Sergio Sirotinsky, profesor de inteligencia artificial en grado y posgrado de la Universidad del CEMA (UCEMA), observa esa transformación en la composición de sus aulas. “Antes eran disciplinas que parecían reservadas a especialistas en tecnología, matemática, estadística o informática. Hoy vemos un interés mucho más amplio, que atraviesa prácticamente todas las profesiones”.
Para Sirotinsky, esta expansión obliga a distinguir entre dos niveles de formación. Por un lado, la alfabetización en datos, una competencia transversal que permite interpretar información, formular preguntas relevantes, comprender indicadores y utilizar herramientas tecnológicas con criterio. Por otro, la formación de especialistas en ciencia de datos, estadística, machine learning e inteligencia artificial, capaces de diseñar, entrenar y validar modelos, además de reconocer sus limitaciones.
La diferencia es importante porque el acceso a herramientas cada vez más sencillas puede generar la impresión de que ya no hace falta comprender los procesos que ocurren detrás de ellas. “Que la ciencia de datos sea más accesible no significa que se haya vuelto una disciplina sencilla”, advierte Sirotinsky.
La inteligencia artificial generativa permite consultar grandes volúmenes de información mediante instrucciones en lenguaje natural, sin necesidad de escribir código. Esto amplía las posibilidades de uso, pero también exige nuevas precauciones. “Que una herramienta nos entregue una respuesta no significa necesariamente que esa respuesta sea correcta, ni que sepamos interpretarla adecuadamente”.
La masificación de las computadoras en los 90s permitió que millones de personas utilizaran tecnología sin conocer su funcionamiento interno, pero no volvió innecesarios a los ingenieros. “Lo que se ve es sólo la punta del iceberg; la complejidad que está debajo de la superficie no desapareció”.
La pregunta de Wanamaker, más vigente que nunca
La revolución de los datos no eliminó a Don Draper ni volvió obsoleto el manual de Kotler. Cambió las herramientas con las que se toman decisiones y, sobre todo, la posibilidad de comprobar sus resultados. Hoy, una empresa de cosmética puede identificar nuevas necesidades a partir de múltiples fuentes y contrastarlas con investigaciones científicas.
Una agencia publicitaria puede estimar cuánto de sus ventas se debe realmente a una campaña. Y una universidad puede formar a abogados, contadores, publicistas y profesionales de otras disciplinas para que aprendan a trabajar con información que antes parecía ajena.
“La ciencia de datos dejó de ser exclusiva de las empresas tecnológicas porque hoy todas las organizaciones necesitan tomar mejores decisiones, y prácticamente todas esas decisiones pueden enriquecerse con datos”,
Quizás dentro de algunos años la gorra del meme ya no cause tanta gracia. Transformar datos en decisiones podría convertirse en una aspiración tan habitual como aquellas profesiones que durante generaciones encabezaron las respuestas infantiles. Por ahora, la discusión puede resumirse en una frase de James Barksdale, ex CEO de Netscape, y que hoy es la biblia de los buenos CEO: “Si tenemos datos, miremos los datos. Si todo lo que tenemos son opiniones, quedémonos con la mía”.
Don Draper probablemente habría estado de acuerdo. Al menos con la segunda parte.