Imagine la siguiente situación: Se pretende modernizar un departamento crítico como Operaciones Legales en su empresa e implementar una transformación digital impactante. Un departamento con un gran volumen de documentos, requisitos de cumplimiento legal muy estrictos y que accede a un gran volumen de datos de la empresa sobre clientes, contratos, registros financieros, datos de recursos humanos y mucho más. Un departamento que habitualmente lo ha hecho todo de forma muy manual y con una gran necesidad de automatizar muchos procesos internos, y con la gran necesidad de aplicar los beneficios de la inteligencia artificial a gran parte de los datos no estructurados a los que tienen acceso.
Para hacerlo, el departamento necesita contratar a un científico de datos sénior con experiencia en análisis de texto y tecnologías de big data, así como en múltiples lenguajes y marcos de programación. Después de varios meses de entrevistar a múltiples candidatos, se selecciona a uno de los interesados y se inicia el trabajo, con una compensación anual que es 50% superior al promedio en la región.
Seis meses después de la incorporación del nuevo científico de datos sénior, el candidato ideal deja el trabajo porque:
- Pasa el tiempo trabajando con hojas de cálculo de Excel, llenando páginas de power point copiando y pegando gráficos hechos en Excel
- Asiste a un gran número de reuniones escuchando cómo todos defienden su lugar y ‘sus datos’ con poca disposición a compartirlos o hacerlos accesibles
- Mantiene 3 tableros de mando antiguos hechos con una herramienta obsoleta
La compensación no fue un problema, la propuesta de trabajo no fue un problema y el desafío no fue un problema. El verdadero problema era que cada vez que este científico de datos habla con cada miembro del equipo, desde el vicepresidente hasta el gerente de operaciones, cada persona identifica a un científico de datos con una persona que analiza datos en Excel y prepara presentaciones de PowerPoint con gráficos. Además, el director de análisis de datos es alguien que no sabe qué es una base de datos relacional y toma decisiones de infraestructura y tecnología escuchando más lo que dicen otros departamentos y líderes de la organización que lo que recomiendan los propios especialistas de datos.
Esta historia es real y me sucedió en mi carrera reciente, y también es la historia de muchos colegas en el campo de la ciencia de datos y la inteligencia artificial que son contratados por equipos que no tienen muy claro los distintos roles del amplio campo de los datos.
¿Sabía que la falta de compromiso de los empleados y la brecha entre la realidad y las expectativas son las 2 razones principales por las que los científicos de datos dejan las empresas?
Hay muchas razones por las que se produce esta falta de compromiso de los empleados y la brecha entre la realidad y las expectativas, pero según las muchas ofertas de trabajo que recibo y después de leer las descripciones de muchos de los puestos ofertados, es obvio que existe una clara falta de comprensión entre los gerentes de contratación sobre los muchos roles dentro de el campo de datos.
Un científico de datos no es un analista de datos o un analista de negocios, lo cual es diferente a lo que es un ingeniero de inteligencia de negocios o de datos. O quizás un administrador de base de datos o un arquitecto de datos. Todos ellos trabajan con datos y a escala, pero todos son especialidades distintas.
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, por no decir todos, se superponen entre sí, pero son muy diferentes en esencia.
Las cosas se complica cuando se habla de herramientas y plataformas tecnológicas. Me explico. Si necesita un profesional de datos que tenga experiencia trabajando con Microsof Azure -por ejemplo-, tenga cuidado cuando un responsable de contratación vea “Azure” en el currículum de alguien. Un Data Scientist, un Data Engineer o un profesional de Business Intelligence utiliza Microsoft Azure, pero cada uno de ellos de forma diferente y con distintas aplicaciones.
Qué se puede hacer para facilitar la situación
Desafortunadamente, no existe una definición estricta de todos y cada uno de los roles de datos aplicable en cualquier lugar o entorno, como puede encontrar en otras profesiones -como un profesional de finanzas, un profesional de marketing, un contador, un auditor o un abogado; solo por mencionar algunos-, ya que esos muchos roles de datos son el resultado de la rápida evolución de la tecnología centrada en datos.
Dicho esto, aquí están mis recomendaciones.
- Lea múltiples blogs de fuentes confiables sobre los diferentes roles que trabajan con datos y dialoge con múltiples profesionales de datos para comprender qué hacen y cómo lo hacen. Encontrará quizás pequeñas diferencias conceptuales entre ellos, pero grandes diferencias en lo que generan y producen.
- Participe en reuniones y eventos de datos y aprenda sobre la gran variedad de roles y profesionales dentro del mundo de los datos. Puede que se sorprenda de lo que encuentre.
- 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 de trabajo actual está familiarizada con el funcionamiento y la cultura de la organización y, por lo general, saben cómo resolver problemas; todo lo que necesitan es educación técnica en la mayoría de los casos.
- Quizás esto sea la más importante recomendación de todas. Al publicar una oferta laboral [de datos], describa lo que debe hacerse y cuáles son los objetivos del puesto que está ofertando, en lugar de describir al “candidato ideal”. Al hacer esto, atraerá a los candidatos que entienden lo que se debe entregar más que una lista de verificación de requisitos educativos o de habilidades.
