En plataformas como LinkedIn, vemos que los roles vinculados a "datos"
están entre los más buscados, sobre todo los últimos cuatro años.
'Data Analyst', 'Data Scientist', 'Data Engineer', incluso roles nuevos que emergen entre la fusión de datos y alguna otra disciplina: como 'Marketing Data Analyst', 'Ecommerce Data Analyst', 'Product Analyst',etc.
Hay una razón de por qué pasó esto, y va un poco más allá de la explicación superficial "Es porque vivimos en la era del Big Data'.
Los datos, más que una 'moda', son la materia prima de las decisiones actuales.
¿De qué "decisiones" hablamos?
El objetivo de estos perfiles, es 'tomar decisiones utilizando datos confiables'. Durante mucho tiempo, esto no fue así, las decisiones empresariales (incluso las más importantes) siempre se tomaron por experiencia, intutición o por jerarquía. Pero actualmente, los mercados son dinámicos, los canales son múltiples y el comportamiento del consumidor es cambiante (y se puede ver ese cambio en tiempo real). Esto significa que la complejidad aumentó; y al aumentar, la intuición deja de ser suficientes.
Estas decisiones afectan dinero, tiempo, equipos y estrategia.
- ¿Qué segmento priorizar?
- ¿Cómo posicionarnos frente a la competencia?
- ¿Qué producto discontinuar?
- ¿Cómo será el próximo trimestre?
- ¿Qué variable explica la caída de las ventas?
- ¿Qué proceso está generando fricción?
Necesitamos datos, y los datos necesitan buenas preguntas.
Mejores decisiones, más ventaja
En un entorno incierto, quien reduce mejor la incertidumbre toma mejores decisiones
Los datos permiten:
— Detectar oportunidades antes que la competencia.
— Optimizar costos en tiempo real.
— Predecir demanda.
— Personalizar experiencias.
— Automatizar decisiones operativas.
El big bang del big data:
Todo lo que ocurre digitalmente está generando información: el clic que hiciste para entrar al artículo, el scroll que acabas de hacer, la pausa que le pusiste a la canción para concentrar tu lectura, el tiempo que permaneces mirando un reel, etc. Y todo eso, alimenta a algún 'modelo': un 'algoritmo' que está constantemente aprendiendo para mejorar (en otro artículo detallaremos esto)
La 'Industria 4.0' consolidó este fenómeno de explosión de información con sensores, sistemas integrados, plataformas en la nube, automatización conectada.
Entonces, la falta de información ya no es el problema, sino, la capacidad de estructurarla, interpretarla y convertirla en decisiones.
Y como imaginarás, aca entra el trabajo de los profesionales que hablamos al principio.
No todos los roles en datos hacen lo mismo:
El crecimiento de la demanda, también responde a la especialización, porque el ecosistema de datos no cumple una sola función, por el contrario, se trata de un sistema.
- Data Architect define la estructura global del ecosistema de datos de una organización.
- Data Engineer diseña y mantiene la infraestructura que permite que los datos estén siempre disponibles.
- Data Scientist construye modelos predictivos. Trabaja con machine learning, experimentación y estadística avanzada.
- Data Scientist: traduce datos en información accionable. Analiza métricas, construye reportes y detecta patrones.
Sin Arquitectura > no hay calidad
Sin calidad > no hay modelo
Sin modelo > no hay ventaja competitiva
¿Qué buscan las empresas hoy?
Al principio el trabajo con datos estaba asociado a utilizar herramientas básicas y hacer reportes descriptivos: qué pasó, cuánto se vendió, cual fue el costo. Pero, al crecer la demanda, también creció la oferta (ya hay muchos perfiles en 'data'), y quienes los buscan, más que un soporte operativo, esperan una mente estratégica. Alguien capaz de resolver problemas, hacer buenas preguntas, tener mirada sistémica y analítica.
Las nuevas herramientas, los datos, incluso la IA, necesita criterio humano.