Imagine la siguiente situación: desea modernizar un departamento crítico como el departamento legal en su empresa e implementar una transformación digital impactante. Este departamento legal hipotético tiene muchos documentos, estrictos requisitos de cumplimiento y acceso a un gran volumen de datos de clientes, contratos, registros financieros, datos de recursos humanos y mucho más. También hace todo manualmente y necesita automatizar procesos y aplicar inteligencia artificial a sus datos no estructurados.
Su empresa decide contratar a un científico de datos sénior con experiencia en análisis de texto y tecnologías de big data, así como en múltiples frameworks y lenguajes de programación. Después de unos meses de entrevistar a varios candidatos, uno es seleccionado y comienza a trabajar con una compensación anual 50 por ciento más alta que el promedio en el estado.
Lo que ocurre a continuación…
Seis meses después de la incorporación, el candidato ideal deja el trabajo citando:
- Demasiado tiempo trabajando con hojas de cálculo de Excel, llenando páginas de PowerPoint y copiando y pegando gráficos de Excel.
- Demasiadas reuniones escuchando a todo el mundo defendiendo su lugar y “sus datos” con poca disposición a compartir o hacer accesibles los datos.
- Manteniendo tres dashboards hechos con herramientas obsoletas.
La compensación no fue un problema, el trabajo propuesto no fue un problema y el desafío no fue un problema. El problema real era que cada vez que este científico de datos hablaba con un miembro del equipo, desde el vicepresidente hasta el gerente de operaciones, en lugar de ser tratado como un científico de datos, lo trataban como una persona que analiza datos en Excel y prepara PowerPoint, presentaciones con gráficos. Además, el director de análisis no entiende qué es una base de datos relacional y tomó decisiones de infraestructura y tecnología escuchando lo que decían otros departamentos y líderes organizacionales en lugar de lo que recomendaban los especialistas en datos.
Esta historia es real, y me pasó a mí. También es la historia de muchos colegas en el campo de la ciencia de datos y la inteligencia artificial.
Por qué abandonan los científicos de datos?
¿Sabía que la “falta de compromiso de los empleados” y “la brecha entre la realidad y las expectativas” son las dos razones principales por las que los científicos de datos abandonan las empresas?
Hay muchas razones por las que falla el compromiso de los empleados y se produce la brecha entre la realidad y las expectativas, pero según las ofertas de trabajo que recibido con cierta frecuencia y después de leer muchas descripciones de puestos solicitando ‘data scientists’, una cosa está clara: una gran cantidad de gerentes y / o responsables de contratación de personal no entienden los diferentes roles dentro del campo de datos.
Un científico de datos no es un analista de datos ni un analista de negocios; tampoco son ingenieros de datos o de inteligencia de negocios, administradores de bases de datos o arquitectos de datos. Todos trabajan con datos y a gran escala, pero todos tienen roles diferentes.
Parte del problema es la cantidad de contenido sobre big data e inteligencia artificial generado en la última década y las líneas borrosas entre los diferentes campos y especialidades cuando se trabaja con datos. Muchos roles de datos, no todos, se superponen entre sí, pero siguen siendo muy diferentes entre sí.
Las cosas empeoran cuando se habla de soluciones tecnológicas, herramientas y plataformas tecnológicas. Me explico. Los gerentes de contratación deben tener cuidado cuando ven por ejemplo “Azure” en el currículum de alguien. Un científico de datos, un ingeniero de datos o un profesional de inteligencia de negocios usa Microsoft Azure, pero cada uno de manera diferente y con diferentes aplicaciones.
Qué hacer para evitar la confusión de roles profesionales de datos?
No hay definiciones estrictas de cada rol de datos en cualquier lugar, al igual que puede encontrar con otras profesiones, como un profesional de finanzas, un profesional de marketing, un contador, un auditor o un abogado. Estos muchos roles de datos son el resultado del panorama tecnológico en constante evolución a un ritmo acelerado.
Así es como puede obtener una mejor comprensión de los roles de datos y evitar una brecha de talento de datos.
- Leer múltiples blogs. Aprenda de fuentes confiables sobre los diferentes roles en el trabajo de datos y converse con varios profesionales de datos para comprender qué hacen y cómo lo hacen. Encontrará quizás pequeñas diferencias conceptuales entre ellos, pero grandes diferencias en lo que ofrecen.
- Participar en meetups y eventos. Al asistir a reuniones y eventos de datos, encontrará una gran variedad de roles y profesionales dentro del mundo de los datos. Puede que se sorprenda lo que encuentre en cuanto a variedad y diversidad.
- Busque internamente primero. En lugar de buscar candidatos y profesionales externos, considere reeducar y mejorar las habilidades de su fuerza laboral existente. Esto tiene enormes beneficios ya que su fuerza laboral existente está familiarizada con la cultura y las operaciones de la organización, y generalmente saben cómo resolver problemas; todo lo que necesitan es educación técnica en la mayoría de los casos.
- Mejora las ofertas de trabajo. Quizás esta sea la recomendación más importante. Al publicar un trabajo de datos, describa lo que debe hacerse y cuáles son los objetivos del puesto, en lugar de describir al “candidato ideal”. Al hacer esto, en lugar de solo proporcionar una lista de verificación de requisitos educativos o de habilidades, atraerá mejor a los candidatos que entienden lo que se debe entregar.
