La sabiduría popular lo tiene claro, un científico de datos (un data scientist) es "un estadístico que trabaja en San Francisco". Y es que, desde hace unos años, esta profesión está de moda gracias, en parte, al mundo startupil. Pero la ciencia de datos va mucho más allá y está convirtiéndose en una de las profesiones más prometedoras de hoy en día.
La fiebre de los datos ha hecho que empecemos a escuchar hablar de esta disciplina por todos lados. Pero, no podemos dejar de preguntarnos si es una moda pasajera o los científicos de datos han venido para quedarse. Repasamos qué es exactamente eso de la data science, sus oportunidades laborales y las posibilidades que existen para formarse.
¿Qué es un científico de datos?
Otra forma de verlo es la de Josh Wills. Wills usa otra definición que me parece mucho más acertada e intuitiva: "Científico de datos (n): Persona que sabe más de estadística que cualquier programador y que a la vez sabe más de programación que cualquier estadístico". Un poco más en serio, un científico de datos es sencillamente un profesional dedicado a analizar e interpretar grandes bases de datos. O lo que es lo mismo, uno de los profesionales más importantes en cualquier empresa de internet hoy en día.
¿Por qué se ha puesto de moda?
La respuesta nos la daba Javi Pastor: la tecnología actual no solo necesita del mejor talento sino de datos, mucho datos. Muchos. Es decir, que la moda por lo abierto y el giro hacia los datos no es más que la enésima máscara del mismo espíritu corporativo de siempre buscando el próximo yacimiento. Y lo que vale para los entornos de inteligencia artificial y de machine learning, vale para casi cualquier tecnología.
Lo curioso es que este gran valor de los datos contrasta con que precisamente los datos son el recurso más abundante del planeta. Se calcula que la cantidad de datos que había en el mundo a principios de este 2020 era de aproximadamente 44 zettabytes. Es decir, que el número de bytes en el universo digital era 40 veces mayor que el número de estrellas en el universo observable. No parecen cosas fáciles de compatibilizar. ¿Cómo es posible que algo tan abundante sea tan valioso? Aunque fuera por pura oferta y demanda, acumular datos debería ser algo trivial. Y lo es, lo complejo es procesarlos.
Hasta hace relativamente poco sencillamente no podíamos hacerlo. A finales de los años 90, el campo del machine learning (aprendizaje automático) empezó a tomar entidad autónoma, nuestra capacidad de trabajar con cantidades inmensas de datos se abarató y la irrupción social de internet hizo el resto. Desde hace unos años nos encontramos ante la primera gran 'democratización' de estas técnicas. Y, con ello, el boom de los científicos de datos: nadie quiere tener una mina de oro sin aprovechar.
En busca de un científico de datos
El problema es que todo esto ha conllevado que surgiera una gran demanda de un perfil que hasta hace no mucho prácticamente no existía. Recordemos que se precisan conocimientos estadísticos que un programador no suele tener y conocimientos informáticos que un estadístico no suele ni siquiera imaginar.
La mayor parte de las veces se ha solucionado con formación autodidacta que completa las habilidades básicas que debería tener programa formativo pero no tiene. Por eso, hoy por hoy, podemos encontrar una gran diversidad de perfiles profesionales en el mundo de la ciencia de datos.
Si analizamos los datos del portal de empleo Indeed, los científicos de datos provienen de los campos de estudio más diversos (los ingenieros de software estarían justo en el extremo opuesto). La mayoría, eso sí, tienen una formación eminentemente técnica, aunque hay un 5% de ellos que provienen de las ciencias sociales. Además, llama la atención que ya hay un 9% de científicos de datos que provienen de estudios específicos en la materia. Algo que sorprende puesto que, hasta hace no mucho, no había programas universitarios de ciencia de datos.
Según estos mismos números, los científicos de datos son los profesionales que más estudios de doctorado suelen tener, aunque no sea algo necesario: uno de cada 5 científico de datos tiene una titulación de este rango.
Cómo formarse
Grados
A día de hoy, algunas unviersidades ofrecen ya grados de titulación para ser un científico de datos, como Grado de Ciencia de Datos Aplicada/Applied Data Science de la Universitat Oberta de Catalunya, Grado en Ciencia de Datos de la Politécnica de Valencia, Grado en Ciencia de Datos de la Universidad de Valencia o Grado en Ciencia de Datos de la Universidad Europea.
Existen algunos grados dobles en ingeniería informática y matemáticas (Autónoma de Madrid, Granada, Politécnica de Cataluña, Complutense, Murcia Autónoma de Barcelona) o en informática y estadística (Universidad de Valladolid).
Posgrados
El de los posgrados es un mundo muy diverso. Podemos encontrar posgrados, másteres o cursos de especialización en casi todas las universidades y una oferta privada realmente desmesurada. Por poner algunos ejemplos tenemos posgrados en la UAB, la UPM o la Pompeu Fabra. De todas formas, en posgrados es más difícil recomendar un curso en concreto. La clave está en buscar complementar nuestra formación previa y, en ese sentido, la diversidad es una buena noticia.
Cabe recordar, además, que en la formación de posgrado se prima mucho el componente de 'orientación de negocio' que a veces escasea en las titulaciones universitarias. No debemos olvidar que la mayor parte del trabajo de los científicos de datos está en empresas que buscan rentabilizar sus bases de datos, porque lo que la orientación al mercado es algo muy recomendable. De hecho, muchos de los másteres en 'big data' lo ofrecen escuelas de negocios como OEI o Instituto Empresa.
MOOCS
Uno de los recursos más interesantes que podréis encontrar son los moocs (ya sabéis, los cursos abiertos masivos online). De hecho hace poco, vimos que esta opción autoformativa podía tener mucho futuro. Empezando por el programa de especialización en big data de Coursera, podemos encontrar cursos online de las mejores universidades del mundo. Todo esto sin hablar de las numerosas herramientas para aprender lenguajes como Python o R.
Certificados y otras opciones
También existen una serie de certificados o acreditaciones que permiten avalar nuestros conocimientos en ciencia de datos: el Certified Analytics Professional (CAP), Cloudera Certified Professional: Data Scientist (CCP:DS), el Open Certified Data Scientist (Open CDS) o los que ofrecen algunas empresas, como EMC: Data Science Associate (EMCDSA), los de SAS, el de Google Certified Professional Data Engineer, el IBM Data Science Professional Certificate (disponible en Coursera) o el de Microsoft Certified Azure Data Scientist Associate. Algunos de estos certificados tienen unos requisitos muy duros pero son una buena alternativa si hemos estado trabajando en este campo con anterioridad.
Otros recursos interesantes son las asociaciones (como R Hispano o Python España) y los grupos informales tipo Databeers que tanto éxito están teniendo por todo el país. Además, basta buscar en MeetUp para darse cuenta de la diversidad de eventos y reuniones en data science que hay creados.
¿Qué lenguajes hay que aprender?
En realidad, como cualquier iniciado sabe, en programación la elección de un lenguaje u otro siempre es complicada. En esta elección intervienen desde factores técnicos o formativos a simples preferencias personales.Lo que sí está claro es que hay algunos lenguajes más populares que otros y que estos también van cambiando con el tiempo y según avanza esta ciencia de datos.
Los tres mosqueteros de la Ciencia de Datos
Un estudio de Kaggle de 2018 reveló que Python, SQL y R son los lenguajes de programación más populares. El de más aceptación, con diferencia, fue Python (el 83% de los encuestados lo usaban). Además, 3 de cada 4 profesionales de datos recomendaron que los aspirantes a científicos de datos aprendan Python primero.
Un insustituible
- SQL: El 44% de los científicos de datos usan SQL y si incluyéramos a todas las bases de datos, completaríamos casi el 100 por 100 de los encuestados. Es algo necesario no sólo por la inmensa cantidad de datos de los que hablamos sino porque la mayor parte de los datos que usa un científico de datos profesional provienen de internet.
La gran división
- R: En torno a un 36% de los dateros usan R para su trabajo usual. Tiene a su favor que ha sido el lenguaje estadístico por excelencia durante muchos años y podemos encontrar códigos y paquetes para casi cualquier cosa que se nos ocurra. Tiene en su contra que su sintaxis es más antigua, compleja y fea que otros lenguajes más modernos que empujan fuertes. Es el lenguaje de los que se acercan desde un background científico.
- Python: El 83% por ciento de los dateros usan Python de forma habitual. Es la némesis de R en este caso: tiene una sintaxis muy buena y moderna pero aún queda mucho por trabajo por hacer desarrollando su ecosistema. No obstante, para ser justos, Python cada vez es más competitivo y iniciativas como SciPy están poniéndole las cosas muy difíciles a R. Es el lenguaje de los que se acercan desde un background informático.
Aunque el sentido común nos dice que cada uno de los lenguajes es mejor para determinadas cosas, en la práctica hay cierta rivalidad. Personalmente, uso R pero suelo recomendar Python. No sólo porque es más bonito, sino porque es multipropósito y eso siempre es una ventaja.
El pequeño D'Artagnan
- Julia: Julia es la esperanza blanca de la ciencia de datos (aunque conforme pasan los años, parece que ha perdido su gran oportunidad). Un lenguaje diseñado para conservar la potencia de lenguajes como fortran o C combinado con las facilidad de sintaxis de los nuevos lenguajes. Si tuviera que apostar, a día de hoy, no lo haría por Julia. Le queda mucho trabajo si quiere ser algo más que el refugio de los fortraneros más abiertos al cambio.
Otras herramientas
Un incombustible
- Excel: No es un lenguaje y no suele gustar a aquellos que trabajan con datos a nivel profesional. O eso dicen cuando se les pregunta porque las encuestas dicen lo contrario: Un 59% por ciento de los encuestados usan habitualmente excel. Así que, en fin, la aplicación de hojas de cálculo de Office sigue dando mucha guerra.
El hermano corporativo y otros lenguajes y programas
Algunos lenguajes o entornos gozan de cierto éxito empujados por la inercia corporativa: es el caso del clásico Matlab pero ha ido oscilando su uso y ahora está en el 14%.
Si examinamos las encuestas podemos encontrar muchos más lenguajes que obedecen a necesidades más particulares de la práctica de los científicos de datos (o de los programas que usan): Scala (17%), Slack (10%), Perl (12%), C# (6%), Mahout (3%), Apache Hadoop (13%) o Java (23%).
También, aunque es posible que debiéramos hablar de ellos por separado, hay muchos programas específicos (libres o privativos) que se usan en la ciencia de datos con distintos usos. Por poner algún ejemplo, podríamos hablar de Tableau, RapidMiner o de Weka.
El mercado laboral: sueldos y oportunidades
Los sueldos, como en general en el mundo del desarrollo de software, cambian mucho dependiendo del lugar, las funciones y el empleador. Según Glassdor, el sueldo base para un Data Scientist en España se sitúa, de media, en los 35.394 euros al año. Una cifra similar a la que también ofrece PayScale, que lo sitúa en so 35.925 euros.
En Estados Unidos la cifra es mucho más abultada: 124.251 dólares al año, según Indeed.
No obstante, estos sueldos medios hay que tomarlas con mucha prudencia. Mientras el salario medio en Estados Unidos es de 50.965 euros al año (4.247 euros al mes), el salario medio español se sitúa en 1.658 euros brutos mensuales, según Adecco Institute.
Puede que el mercado haya ido madurando y, por tanto, los salarios también se hayan ido reajustando a la oferta y la demanda. Pero también parece que en el futuro se seguirán necesitando científicos de datos que sean capaces de extraer el valor de toda la información que estamos generando.
Imágenes | Jer Thorp, Alan Levine, Opensource, Tax Credits, yaph
Ver todos los comentarios en https://www.xataka.com
VER 41 Comentarios