- ¿Se dedica a la recolección de datos?
- ¿Es un experto de Python y modelos de Machine Learning?
- ¿Gana más de €40k anuales?
Si has jugado alguna vez al “Quién es Quién” ya sabes a dónde conducen estas preguntas.
Si no lo has hecho aún, hoy ha llegado el día… ¡Te presento el Quién es quién del mundo de los datos!
Las empresas llevan unos pocos años conformando sus equipos de datos. Pero aún hoy, la frontera entre cada uno de los perfiles profesionales de Big Data está un poco borrosa. Hay ofertas de empleo que piden que la misma persona sepa hacer de todo con 10 años de experiencia.
Ya sabes de qué hablo...
En el post de hoy veremos quién hace qué en un equipo de datos. Exploraremos los distintos perfiles profesionales relacionados con Big Data y analizaremos qué habilidades tiene cada uno de los roles dentro del equipo.
Y también hablaremos de dinero.
Hablaremos de cuánto gana en España cada perfil profesional Big Data.
Científico de Datos (Data Scientist)
Los científicos de datos, los trabajadores más sexis del siglo XXI entero.
Así los describieron en 2012 en la revista Harvard Business Review y con esta descripción se han quedado hasta hoy.
Pero...
¿Quieres saber quiénes son estas personas tan sexis?
En este artículo te cuento qué es la Ciencia de Datos y qué habilidades adquirir para convertirte en un data scientist.
¿Cuánto gana un científico de datos?
No hay muchos científicos de datos en el mercado todavía, las universidades empezaron a ofrecer estos grados hace menos de diez años.
Por otro lado, las empresas son cada vez más conscientes de los beneficios de tener una estrategia basada en datos.
Si unimos las dos cosas, nos encontramos con que los perfiles profesionales de data science tienen una tasa de paro muy reducida.
Ley de oferta y demanda.
¿Cuánto gana un científico de datos en Estados Unidos?
Según datos de LinkedIn, en Estados Unidos un perfil de Data Science tiene un sueldo de entre $70k y $110k anuales que, por supuesto, depende de la experiencia en el puesto, nivel de estudios y la industria entre otras cosas. Esta horquilla tiene su mediana en $105k anuales de sueldo base.
Empresas como Airbnb, Facebook, Apple, Google y Uber son las más implicadas con sus departamentos de datos, ofreciendo unos sueldos más elevados a sus científicos de datos.
En cuanto al sector, el científico de datos puede elegir prácticamente cualquier sector. En Estados Unidos los sectores más rentables económicamente para ser científico de datos son el entretenimiento y el sector de bienes de consumo. También quedan muy arriba en el ranking el sector inmobiliario y la industria del fitness.
¿Cuánto cobra un científico de datos en España?
El hype de la profesión más sexi del siglo XXI pincha un poco al viajar hasta España.
Al menos en cuanto a sueldo se refiere...
Según LinkedIn, la horquilla de salario de un Data Scientist en España va desde los 18700€ hasta los 48000€, quedando la mediana en 31000 € anuales.
La industria más generosa en términos de salario con sus data scientists es la de bienes de consumo con un sueldo medio de €46k anuales, seguida por el sector del turismo con €42k y la banca con €35k al año.
Los perfiles senior de científicos de datos alcanzan salarios más elevados de hasta €57k anuales aunque la mediana se encuentra en los 44000€ anuales.
Analista de Datos
Dentro de los perfiles profesionales de Big Data, podemos considerar al Analista de Datos como un detective. Siempre en busca de la pista que le han dejado los datos, es el encargado de los primeros pasos en el proceso de extraer valor de éstos.
Se responsabiliza de recolectar, procesar y realizar análisis estadísticos de los datos. Es capaz de encontrar patrones y tendencias en los datos y producir informes de calidad para transmitir estos hallazgos al resto del equipo.
Además, es un crack de las Hojas de Cálculo y también maneja bases de datos y herramientas de visualización como Tableau o Power BI.
¿Cuánto gana un Data Analyst?
En España, el sueldo de un Data Analyst ronda los €26k aunque puede alcanzar €58k anuales con un nivel de puesto Senior.
Los sueldos para analistas de datos son ligeramente más elevados en el campo de las finanzas y en el sector de fabricación.
Especialista en Machine Learning
El especialista en Machine Learning se encarga del desarrollo de los modelos de Inteligencia Artificial aplicados en el negocio. Estos modelos resuelven problemas concretos de la empresa como predecir la posibilidad de churn de un determinado cliente o detectar productos defectuosos en una línea de producción.
Las posibilidades de aplicación de modelos de aprendizaje automático a cada empresa son infinitas y particulares a cada organización. Lo que está claro es que el especialista en Machine Learning maneja los algoritmos y modelos de aprendizaje automático con fluidez.
En la mayoría de ocasiones también se encarga del despliegue en producción y mantenimiento de dicho modelo aunque empiezan a surgir perfiles más específicos para esta tarea, especialmente en Estados Unidos, los Ingenieros MLOps.
¿Cuánto gana un especialista en machine learning?
Como un especialista dentro del campo de Data Science, el sueldo de un ingeniero de aprendizaje automático es muy similar al de un científico de datos. Se encuentra entre los €23k y los €55k anuales dependiendo de la empresa y la experiencia del especialista.
El sueldo mediano de un especialista en aprendizaje automático es de 36000€ anuales según LinkedIn y Glassdoor.
Ingeniero de Datos
El Ingeniero de Datos es el encargado de recolectar, guardar y mantener la materia prima (los datos) para que los analistas y científicos de datos puedan hacer su magia.
¿Y esto de qué va?
Pues básicamente son responsables del desarrollo de la infraestructura de datos necesaria. Realizan todas las transformaciones de los datos desde que son capturados hasta que están listos y disponibles para los científicos de datos.
👉 Si hay varias fuentes de datos, los agregarán.
👉 Si los datos son erróneos, inválidos o no están en el formato adecuado, los transformarán.
👉 Y una vez hecho esto, se encargarán de que estén disponibles, accesibles y seguros.
Para hacer todo esto, un Ingeniero de Datos viene con conocimientos de bases de datos relacionales y no relacionales bajo el brazo y el lenguaje SQL es su lengua materna.
Conoce las tecnologías distribuidas Big Data (Hadoop, Spark...) y se desenvuelve con servicios en la nube (Google Cloud, AWS, Azure...)
Sueldo de un Ingeniero de datos
Según datos de LinkedIn y Glassdoor, los sueldos de un Ingeniero de Datos en España van desde los €23k a los €50k brutos anuales.
El sueldo mediano de este tipo de perfiles se encuentra en torno a los 35000€ anuales.
Como ves, en España este perfil profesional de Big Data está ligeramente más valorado que el de Data Scientist.
Arquitecto de Datos
Podríamos decir que el Arquitecto de Datos es como un Ingeniero de Datos vitaminado. Tiene habilidades técnicas similares al Ingeniero de Datos pero un conocimiento más profundo y mayor experiencia.
El Arquitecto de Datos es el responsable del diseño de la infraestructura de datos que el equipo de Data Engineers se encargará de desarrollar y mantener.
Además de las habilidades técnicas, conoce a la perfección las características y estructuras de los datos de la industria en la que trabaja.
¿Cuánto gana un Data Architect en España?
Al igual que los Ingenieros de Datos con más experiencia, el salario de un Data Architect en España ronda los €50k anuales.
Si te fijas bien en el gráfico obtenido de LinkedIn, verás que un porcentaje de Arquitectos de Datos están bastante bien pagados rondando la horquilla de sueldo más elevada, entre los €55k y los €60k.
Data Steward
Un Data Steward se encarga de velar por la calidad, seguridad y disponibilidad de datos. Es el enlace entre el equipo de Ingenieros de Datos, que se encargan de la parte más técnica de la infraestructura de datos, y la parte de negocio de la empresa.
Por tanto, un Data Steward se encuentra entre dos mundos, negocio y técnico, y tiene habilidades de ambos.
Tiene conocimientos básicos de modelado y almacenamiento de datos, territorio de los Ingenieros de Datos, pero también se desenvuelve con facilidad con los perfiles más orientados a negocio dentro de la organización.
Es un comunicador nato y colabora con equipos de distinta naturaleza con fluidez.
Al fin y al cabo, los datos de una organización son transversales a ésta y las políticas de coordinación y manejo de datos son vitales en compañías que utilizan Big Data.
¿Y qué hace realmente un Data Steward en la empresa?
👉 Pues generalmente se encarga de asegurar la calidad de los datos y del cumplimiento de los estándares tanto definidos por la empresa como regulatorios en cuanto al Gobierno de Datos.
👉 Además, no pierde de vista el área de negocio. Se asegura de que se proponen casos de uso para los datos relevantes y alineados con los objetivos de la empresa.
👉 Ayuda a mantener la privacidad de los datos y que éstos sean accedidos por los equipos correctos en cada momento. Hay información que se corresponde con datos sensibles, privados, corporativos, etc...
En Estados Unidos, los sueldos de un Data Steward están en torno a los $69k. Por lo que podrían ser comparables a los de un Analista de Datos.
Data Artist
Otro perfil profesional Big Data que surgió hace unos años pero que se ha visto absorbido por Científicos de Datos es el de Data Artist.
Se trata de un Data Scientist especializado en visualización y representación de datos.
Podríamos decir que se trata de un Científico de Datos especialmente creativo y con un don para representar los descubrimientos obtenidos a través de los datos de una manera visual, sencilla y eficiente.
¿Quiénes son estos seres mitad científicos y mitad artistas?
👉 Identifican los resultados relevantes y consiguen que los datos cuenten una historia digerible y que tenga sentido, transmitiendo estos resultados eficazmente.
👉 Manejan las herramientas de visualización como Picasso manejaba sus pinceles.
👉 A través de la representación visual de los datos consiguen tender puentes y facilitar la comunicación entre los equipos más técnicos y la parte de negocio de la empresa.
Desde luego, lo que es indiscutible es que la visualización de datos y la comunicación de resultados desde el equipo de Datos al resto de la organización es clave dentro del éxito de la estrategia de Big Data en cualquier organización.
Por tanto, un perfil de este tipo nunca viene mal en un equipo de Big Data 🙂
Citizen Data Scientist
En 2016 y ante la falta de Científicos de Datos, Gartner acuñó el término Citizen Data Scientist (que no tengo claro cómo traducirlo al Español… 😅) para definir a aquellos trabajadores que ya estaban en la empresa realizando una función pero que empezaban a manejar cantidades de datos más grandes en su día a día, a aplicar técnicas básicas análisis de datos y a manejar herramientas relacionadas con Data Science.
En realidad, un Citizen Data Scientist no es un rol como tal. Probablemente no encontrarás ofertas de trabajo bajo el título de “Citizen Data Scientist”. Se trata, más bien, de una serie de funciones y tareas que la empresa necesita cubrir relacionadas con el manejo de datos. Pero no se ha decidido aún a contratar un Científico de Datos o tal vez no lo haya encontrado todavía.
La empresa Sears, una cadena estadounidense de grandes almacenes, formó a 400 trabajadores del equipo de Inteligencia de Negocio en técnicas de Big Data y Ciencia de Datos en el año 2016.
En lugar de crear un equipo de datos formado por Analistas y Científicos de Datos desde cero, decidió crear una legión de Citizen Data Scientist a partir de los trabajadores que ya tenía y que ya conocían el negocio.
Gracias a esta estrategia, Sears consiguió unas eficiencias en costes de cientos de miles de dólares.
Tal vez ya eres un Citizen Data Scientist en tu empresa y no lo sabías.
Director de Datos (Chief Data Officer)
También conocido como el Gran Jefe, el Director de Datos tiene gran conocimiento del negocio y mucha experiencia en estrategias de Big Data.
Es el máximo responsable de todos los campos relacionados con el manejo de los datos en la organización.
Desde la calidad de los datos hasta la análitica del negocio.
Todo.
Tareas relacionadas con el Gobierno del Dato o asegurarse de que los datos estén disponibles y puedan ser utilizados de manera eficiente por los equipos de Data Science forman parte de su día a día. Además, es el encargado de definir la estrategia para conseguir generación de ingresos y reducción de costes gracias a la información obtenida a partir de los datos.
A partir de su equipo de Datos está siempre al corriente de lo que la analítica de datos cuenta sobre el negocio, los productos, las operaciones, los clientes y los mercados.
Como ves, un gran poder conlleva una gran responsabilidad y en el caso del CDO, también un sueldo de entre €70k y €100k anuales según Glassdoor.
Quizás has llegado hasta aquí porque últimamente oyes hablar de Big Data por todas partes. De cómo el Big Data va a cambiar el mundo tal y cómo lo conocemos.
... y en realidad tú no sabes muy bien de qué va eso del Big Data.
¿Es un invento revolucionario?
¿Es una tecnología extraterrestre?
¿Es magia negra?
Vamos a empezar por descartar el primero. Aunque el término “Big Data” comenzó a usarse a principios de los noventa, los seres humanos llevamos almacenando datos y tomando decisiones a partir de ellos desde tiempos inmemoriales.
En cualquier banco se apuntaba en cuadernos los datos sobre gastos, ingresos y créditos de los clientes y se decidía si prestarle o no más dinero a un cliente concreto a partir de esos datos.
Nada nuevo.
Sin embargo, el avance de la tecnología ha permitido que cada día se generen, procesen y se puedan almacenar más cantidad de datos porque, en principio (y solo en principio) cuantos más datos tengamos más informada será nuestra decisión en prácticamente cualquier campo.
Entonces… ¿Qué es el Big Data?
Definición de Big Data
El Big Data es el ecosistema que permite manejar volúmenes muy grandes de datos, tan grandes que tienen que repartirse entre varios ordenadores.
Además, los datos no paran de generarse y se tienen que poder tratar o almacenar a una velocidad alta.
Y, por si fuera poco, los datos que llegan no son todos iguales, algunos son registros con información estructurada, archivos de correo electrónico, imágenes, vídeos… son variados.
Volviendo al ejemplo del banco, imagínate a un empleado del banco del que hablaba antes tomando la decisión de conceder o no un préstamo a un cliente.
Sin embargo, esta vez no solo va a basar su decisión en los movimientos financieros de éste sino en todos los datos sobre la situación de todos los clientes de ese banco hasta ese mismo instante. Seguramente tomará una mejor decisión pero… ¿será capaz de tomarla por sí mismo?
Características principales del Big Data
De la definición seguro que intuyes varias características de un ecosistema de Big Data, conocidas también como las 3 Vs de Big Data:
- Volumen: el volumen de los datos que tenemos es lo suficientemente grande como para que no podamos almacenarlos en una sola máquina ¡Y además no paran de crecer!
- Velocidad: El procesamiento y el análisis de los datos se tiene que poder hacer en un tiempo razonable. Si Google tardara media hora en ofrecerme el resultado en el buscador, cambiaría de buscador 🧐
- Variedad: Los datos pueden ser de todo tipo.
A lo largo de los años se han ido añadiendo otras Vs (si haces una búsqueda rápida en Google podrás llegar a encontrar hasta 10 Vs) pero para entender el concepto de Big Data las más importantes son Volumen, Velocidad y Variedad.
Analítica de datos y Big Data
Habíamos dejado a nuestro banquero agobiado analizando todos los datos históricos del banco. Tiene que entregarle la decisión sobre la solvencia de un cliente a su jefe hoy (...cosas de jefes) y, aunque tiene la experiencia suficiente en el sector como para poder formarse una opinión sobre un cliente a partir de algunos datos concretos, encontrar todos los patrones que llevan a un cliente a ser solvente o no en esa cantidad de datos en poco tiempo es imposible.
Las técnicas de análisis de datos (Data Analytics) permiten detectar patrones en los datos y así poder obtener soluciones a problemas concretos.
En este caso, saber si un cliente del banco es solvente o no.
No es necesario estar en un ecosistema de Big Data para realizar análisis de datos. Es decir, para aplicar Data Analytics no necesito muchísimos datos, simplemente necesito datos.
Recuerda que nuestro banquero, llamemosle Paco, ya hacía su trabajo cuando únicamente tenía registros en cuadernos.
Sin embargo, la posibilidad de disponer de muchos más datos y ser capaces de procesarlos vitamina ese análisis, resultando en una decisión más informada sobre cómo solucionar un problema concreto.
Inteligencia de Negocio y Big Data
Otro campo que suele mezclarse en el ecosistema de Big Data es la Inteligencia de Negocio (Business Intelligence).
En este caso, se utilizan los datos para conocer el estado actual de un negocio en particular y asistir en la toma de decisiones estratégicas sobre el mismo. Es una manera de asistir a los responsables de la toma de decisiones a la hora de realizar su trabajo pero no predice que va a suceder, ni indica la decisión a tomar.
La Inteligencia de Negocio es descriptiva.
Es por ello que las herramientas de Inteligencia de Negocio están muy relacionadas con la visualización de los datos.
Paco recibe una visita.
Margarita tiene que preparar los resultados de la situación actual del banco para que el comité ejecutivo decida la estrategia a seguir para seguir creciendo y necesita datos. Margarita está a cargo de elaborar la Inteligencia de Negocio.
Como sucedía con la Analítica de datos, la Inteligencia de Negocio existe sin Big Data ya que solo es necesario ser capaz de representar el estado del negocio a partir de lo que muestran los datos almacenados sobre el mismo.
Peeero, si se combina la Inteligencia de Negocio con el Big Data, los resultados que se obtienen son mucho más poderosos.
Y un gran poder conlleva una gran responsabilidad.
¿Para qué sirve el Big Data?
Hasta ahora, hemos visto como almacenar un montón de datos variados e intentar procesarlos para obtener resultados en un tiempo lo suficientemente bajo como para que Paco y Margarita no pierdan sus trabajos. De momento el Big Data sirve para complicar un poco la vida de Paco y Margarita.
La cuestión es… ¿servirá para algo más tener acceso a una cantidad tan brutal de datos? 🤔
Pues bien, cuando es posible acceder a la cantidad de datos necesaria como para encontrarnos en un entorno de Big Data, el valor añadido por este ecosistema podría compararse a intentar buscar la solución a un problema en un libro...
...o buscar en una biblioteca entera.
¿Y por qué no se ha construido esa “biblioteca de soluciones” hasta ahora si ya éramos conscientes del valor de los datos?
Básicamente, el coste de adquirir los sistemas de almacenamiento para guardar grandes cantidades de datos ha sido demasiado elevado.
Además, la tecnología disponible no era capaz de procesar volúmenes de información tan grandes a la velocidad adecuada y las soluciones para integrar los datos, mantenerlos actualizados y realizar copias de seguridad eran demasiado complejas.
Por suerte, esto ha ido cambiando en los últimos años 😊
Las herramientas Big Data y, por extensión, los ingenieros de Big Data, facilitan el trabajo de analistas de datos y consultores de Business Intelligence y aumentan la capacidad de gestionar cada vez cantidades más ingentes de datos.
Es decir, se encargan de mantener en orden y a punto los datos para que sea posible trabajar con ellos.
Aplicaciones de Big Data
Llegados a este punto parece que una aplicación clara de Big Data es en el campo de la Banca ¿verdad? 😬
Banca y Finanzas
Pues sí, una de las primeras industrias en adoptar soluciones Big Data ha sido la Banca. Disponen de muchos datos de sus clientes y de los medios para implementar Big Data.
A partir de la información demográfica de sus clientes, los movimientos bancarios, los productos bancarios que cada cliente adopta o rechaza, el banco es capaz de crear un perfil de cliente, conocer las relaciones entre sus clientes y ofrecer productos más adaptados a ese perfil que presentan mejores resultados de adopción.
Además, gracias a la implementación de Big Data, los bancos tienen la posibilidad de monitorizar la salud financiera de sus clientes e implementar mecanismos de detección de fraude y de blanqueo de capitales.
Marketing
Un modelo claro de explotación de Big Data en marketing es Facebook.
La red social dispone de una gran cantidad de datos sobre sus usuarios. A partir de estos datos los segmenta y ofrece a las empresas la posibilidad de dirigir sus anuncios a sus potenciales clientes. Clientes que realmente están interesados en sus productos y que tienen más posibilidades de acabar adquiriendo el producto o servicio anunciado.
Por ello, el objetivo principal de Facebook es que estés en Facebook. Cuanto más tiempo utilices la red social, más preciso será el perfil de cliente que tiene Facebook sobre ti, más anuncios verás y, por tanto, más dinero podrá facturar proveniente de los anuncios que te muestra.
En 2018, obtuvo un retorno por cada usuario europeo de 8,82 dólares y 27,61 dólares por cada usuario americano.
Es decir, aunque para el usuario Facebook sea una aplicación gratuita, obtiene ingresos a partir de sus datos, de ahí la famosa cita
“Cuando un producto es gratis es porque el producto eres tú”
Deporte
La industria del fútbol presenta varios casos de uso de Big Data. Durante los entrenamientos, es posible observar que los jugadores llevan chalecos con dispositivos que recogen información sobre su estado físico, posición GPS y una infinidad de datos más.
Prevención de lesiones
A partir de esos datos es posible conocer el estado físico del jugador y predecir futuras lesiones y, por tanto, actuar a tiempo.
Análisis de estrategia
Combinando los datos obtenidos a través de los dispositivos que llevan los jugadores con las imágenes tomadas por las cámaras en el campo es posible obtener una visión precisa de los movimientos de los jugadores y de las estrategias más eficaces para ganar un partido.
Fichajes
El estudio de los datos de rendimiento de los jugadores, el análisis de estrategia del equipo y la observación de los movimientos de los jugadores por el campo resalta las posibles mejoras de resultados que podría aportar fichar a un determinado jugador.
Y, por lo tanto, la conformación de las plantillas se lleva a cabo de una manera mucho más eficiente.
Salud
El último ejemplo que traigo hoy es Big Data aplicado en el campo de la salud.
¡Las aplicaciones son de todo tipo!
La asistencia en la detección de cáncer a partir del entrenamiento de algoritmos de aprendizaje automático que diferencian imágenes de células normales de otras con células cancerosas. Por ejemplo, Google está trabajando en una aplicación que diferencia lunares benignos de los que tienen posibilidades de ser malignos utilizando únicamente el teléfono móvil.
El diagnóstico predictivo de enfermedades basado en el historial del paciente, datos socioeconómicos, etc…Como ves, la explotación de grandes cantidades de datos tiene cabida en prácticamente todas las industrias 🙂