La mejor contratación de trofeos en la ciencia de datos es difícil de alcanzar, y no es de extrañar: un científico de datos «full stack» tiene dominio del aprendizaje automático, las estadísticas y los análisis. Cuando los equipos no pueden conseguir un polímata tres en uno, se fijaron en atraer al premio más impresionante entre los especialistas de origen único. ¿Cuál de esas habilidades obtiene el pedestal?

La moda actual en la ciencia de datos favorece la sofisticación llamativa con un toque de ciencia ficción, haciendo que la IA y el aprendizaje automático sean los más queridos del mercado laboral. Los desafiantes alternativos para el punto alfa provienen de las estadísticas, gracias a una reputación centenaria de rigor y superioridad matemática. ¿Qué hay de los analistas?

Analytics como ciudadano de segunda clase

Si su habilidad principal es el análisis (o la minería de datos o la inteligencia empresarial), lo más probable es que su confianza en sí mismo haya recibido una paliza, ya que el aprendizaje automático y las estadísticas se han vuelto apreciadas dentro de las empresas, el mercado laboral y los medios de comunicación.

Pero lo que los no iniciados rara vez entienden es que las tres profesiones bajo el paraguas de la ciencia de datos son completamente diferentes entre sí. Pueden usar algunos de los mismos métodos y ecuaciones, pero ahí es donde termina la similitud. Lejos de ser una versión menor de las otras razas de la ciencia de datos, los buenos analistas son un requisito previo para la eficacia en sus esfuerzos de datos. Es peligroso que renuncien a ti, pero eso es exactamente lo que harán si no lo aprecias.

En lugar de pedirle a un analista que desarrolle sus estadísticas o habilidades de aprendizaje automático, considere alentarlos a buscar primero las alturas de su propia disciplina. En la ciencia de datos, la excelencia en un área supera a la mediocridad en dos. Por lo tanto, examinemos lo que significa ser verdaderamente excelente en cada una de las disciplinas de la ciencia de datos, qué valor aportan y qué rasgos de personalidad se requieren para sobrevivir a cada trabajo. Hacerlo ayudará a explicar por qué los analistas son valiosos y cómo las organizaciones deben usarlos.

Excelencia en estadística: rigor

Los estadísticos son especialistas en llegar a conclusiones más allá de sus datos de forma segura: son su mejor protección contra engañarse en un mundo incierto. Para ellos, inferir algo descuidado es un pecado mayor que dejar tu mente en blanco, así que espera que un buen estadístico ponga freno a tu exuberancia. Se preocupan profundamente por si los métodos aplicados son adecuados para el problema y agonizan sobre qué inferencias son válidas de la información en cuestión.

¿El resultado? Una perspectiva que ayuda a los líderes a tomar decisiones importantes de una manera controlada por el riesgo. En otras palabras, usan datos para minimizar la posibilidad de que llegue a una conclusión imprudente.

Excelencia en el aprendizaje automático: rendimiento

Puede ser un ingeniero de aprendizaje automático/IA aplicado si su respuesta a «Apuesto a que no podría construir un modelo que pase las pruebas con una precisión del 99,99999%» es «Mírame». Con las chuletas de codificación para construir prototipos y sistemas de producción que funcionen y la resistencia obstinada a fallar cada hora durante varios años si eso es lo que se necesita, los especialistas en aprendizaje automático saben que no encontrarán la solución perfecta en un libro de texto. En su lugar, estarán involucrados en una maratón de prueba y error. Tener una gran intuición por cuánto tiempo les llevará probar cada nueva opción es una gran ventaja y es más valioso que un conocimiento íntimo de cómo funcionan los algoritmos (aunque es bueno tener ambos). El rendimiento significa algo más que borrar una métrica; también significa modelos fiables, escalables y fáciles de mantener que funcionan bien en producción. La excelencia en ingeniería es una necesidad.

¿El resultado? Un sistema que automatiza una tarea complicada lo suficientemente bien como para pasar la estricta barra de pruebas de su estadístico y ofrecer el rendimiento audaz que un líder empresarial exigió.

Ancho frente a profundidad

Lo que las dos funciones anteriores tienen en común es que ambas ofrecen soluciones de gran esfuerzo a problemas específicos. Si los problemas que afrontan no valen la pena resolver, terminas perdiendo su tiempo y su dinero. Un lamento frecuente entre los líderes empresariales es: «Nuestro grupo de ciencia de datos es inútil». Y el problema generalmente radica en la ausencia de experiencia analítica.

Los estadísticos y los ingenieros de aprendizaje automático son trabajadores estrechos y profundos, la forma de un agujero de conejo, por cierto, por lo que es muy importante señalarles problemas que merecen el esfuerzo. Si sus expertos están resolviendo cuidadosamente los problemas equivocados, su inversión en la ciencia de datos sufrirá bajos rendimientos. Para asegurarse de que puede hacer un buen uso de expertos estrechos y profundos, debe asegurarse de que ya tiene el problema correcto o necesita un enfoque amplio y superficial para encontrar uno.

Excelencia en analítica: velocidad

Los mejores analistas son codificadores rápidos que pueden navegar por vastos conjuntos de datos rápidamente, encontrando y surgiendo conocimientos potenciales más rápido de lo que otros especialistas pueden decir «pizarra blanca». Su estilo de codificación semidescuidado desconcierta a los ingenieros de software tradicionales, pero los deja en el polvo. La velocidad es su virtud más alta, seguida de cerca por la capacidad de identificar gemas potencialmente útiles. Un dominio de la presentación visual de la información ayuda, también: las tramas hermosas y efectivas permiten a la mente extraer información más rápido, lo que vale la pena en el tiempo de obtención de conocimientos potenciales.

El resultado es que la empresa se pone un dedo en su pulso y los ojos en incógnitas previamente desconocidas. Esto genera la inspiración que ayuda a los tomadores de decisiones a seleccionar misiones valiosas para enviar estadísticos e ingenieros de ML, salvándolos de excavaciones matemáticamente impresionantes de agujeros de conejo inútiles.

¿Tonterías descuidadas o historias estelares?

«Pero», objetan los estadísticos, «la mayoría de sus supuestas ideas son tonterías». Por eso significan que los resultados de su exploración sólo pueden reflejar ruido. Tal vez, pero hay más en la historia.

Los analistas son narradores de datos. Su mandato consiste en resumir hechos interesantes y utilizar datos como inspiración. En algunas organizaciones esos hechos y esa inspiración se convierten en insumos para los responsables de la toma de decisiones humanas. Sin embargo, en operaciones de datos más sofisticadas, la inspiración basada en datos se marca para un seguimiento estadístico adecuado.

Los buenos analistas tienen un respeto inquebrantable por la única regla de oro de su profesión: no lleguen a conclusiones más allá de los datos (y evitar que su audiencia lo haga, también). Para ello, una forma de detectar a un buen analista es que utilizan un lenguaje suavizado y de cobertura. Por ejemplo, no «concluimos» sino «nos inspiramos a preguntarnos». También desalientan la confianza excesiva de los líderes al hacer hincapié en una multitud de posibles interpretaciones para cada visión.

Mientras los analistas se apegen a los hechos —diciendo solo «Esto es lo que está aquí— y no se tomen demasiado en serio, el peor crimen que podrían cometer es perder el tiempo de alguien cuando lo manejan.

Si bien se requieren habilidades estadísticas para probar hipótesis, los analistas son su mejor opción para elaborar esas hipótesis en primer lugar. Por ejemplo, podrían decir algo como «Es solo una correlación, pero sospecho que podría ser impulsada por…» y luego explicar por qué piensan eso. Esto requiere una fuerte intuición sobre lo que podría estar pasando más allá de los datos, y las habilidades de comunicación para transmitir las opciones al tomador de decisiones, que típicamente toma las decisiones sobre qué hipótesis (de muchas) son lo suficientemente importantes como para justificar el esfuerzo de un estadístico. A medida que los analistas maduran, comenzarán a tener el truco de juzgar lo que es importante, además de lo que es interesante, permitiendo a los tomadores de decisiones alejarse del papel de intermediarios.

De las tres razas, los analistas son los herederos más probables del trono de decisión. Debido a que la experiencia en la materia contribuye en gran medida a ayudarle a detectar patrones interesantes en sus datos con mayor rapidez, los mejores analistas se toman en serio en familiarizarse con el dominio. No hacerlo es una bandera roja. A medida que su curiosidad los empuja a desarrollar un sentido para el negocio, espere que su salida pase de un revoltijo de falsas alarmas a un conjunto sensato de ideas que los responsables de la toma de decisiones son más propensos a preocuparse.

Análisis para la toma de decisiones

Para evitar perder el tiempo, los analistas deberían exponer la historia que están tentados a contar y analizarla desde varios ángulos con investigaciones de seguimiento para ver si retiene agua antes de traerla a los responsables de la toma de decisiones. El responsable de la toma de decisiones debería funcionar como filtro entre el análisis exploratorio de datos y el rigor estadístico. Si alguien con responsabilidad de decisión encuentra que la exploración del analista promete una decisión que tiene que tomar, entonces puede firmar que un estadístico pase el tiempo para hacer un análisis más riguroso. (Este proceso indica por qué simplemente decirle a los analistas que mejoren las estadísticas pierde el punto de una manera importante. No solo están separadas las dos actividades, sino que otra persona se sienta entre ellas, lo que significa que no es necesariamente más eficiente para una persona hacer ambas cosas.)

Análisis para el aprendizaje automático y la IA

Los especialistas en aprendizaje automático ponen un montón de entradas de datos potenciales a través de algoritmos, ajustar la configuración y seguir iterando hasta que se produzcan las salidas correctas. Aunque puede parecer que no hay ningún papel para el análisis aquí, en la práctica un negocio a menudo tiene demasiados ingredientes potenciales para meter en la licuadora de una vez. Una forma de filtrar hacia abajo a un conjunto prometedor de entradas para probar es la experiencia en el dominio: pregunte a un humano con opiniones sobre cómo podrían funcionar las cosas. Otra forma es a través del análisis. Para usar la analogía de la cocina, el ingeniero de aprendizaje automático es genial retoques en la cocina, pero ahora mismo están de pie frente a un enorme almacén oscuro lleno de ingredientes potenciales. Podrían empezar a agarrarlos al azar y arrastrarlos de vuelta a sus cocinas, o podrían enviar un velocista armado con una linterna a través del almacén primero. Su analista es el velocista; su capacidad para ayudarle rápidamente a ver y resumir lo que está aquí es una superpotencia para su proceso.

Los peligros de la infravaloración de los analistas

Un excelente analista no es una versión de mala calidad del ingeniero de aprendizaje automático; su estilo de codificación está optimizado para la velocidad, a propósito. Tampoco son un mal estadístico, ya que no se ocupan en absoluto de la incertidumbre, se ocupan de los hechos. El trabajo principal del analista es decir: «Esto es lo que hay en nuestros datos. No es mi trabajo hablar de lo que significa, pero tal vez inspire al tomador de decisiones a seguir la pregunta con un estadístico».

Si enfatiza demasiado la contratación y las habilidades gratificantes en el aprendizaje automático y las estadísticas, perderá a sus analistas. ¿Quién te ayudará a averiguar qué problemas vale la pena resolver entonces? Te quedarás con un grupo de miserables expertos a los que se les pide que trabajen en proyectos inútiles o tareas analíticas para las que no se inscribieron. Sus datos serán inútiles.

En caso de duda, contrate analistas antes que otros roles. Apreciarlos y recompensarlos. Anímelos a crecer hasta las alturas de su carrera elegida (y no la de otra persona). De los personajes mencionados en esta historia, los únicos que cada empresa necesita son los responsables de la toma de decisiones y los analistas. Los otros que solo podrás usar cuando sepas exactamente para qué los necesitas. Comience con el análisis y siéntase orgulloso de su nueva capacidad para abrir los ojos a la rica y hermosa información que tiene ante sí. La inspiración basada en datos es algo poderoso.

—
Cassie Kozyrkov
Via HBR.org