Recuerda mi amigo, el conocimiento es más fuerte que la memoria y no debemos confiar en lo débil

Hola, soy analista y me encanta mi trabajo, pero necesito ir más allá. ¿Cómo lo hago?

Esta afirmación cada vez la escucho más en el ámbito del análisis digital. Y no es para menos ya que el abanico de especialidades dónde puede desarrollar su carrera un analista es muy amplio. Y aún hay más. Cuando decides ser analista, sabes que vas a tener que estar al día en herramientas, modelos y conocimientos. En otras palabras, estar en un modo “aprendizaje on” constante. Ante este paradigma, ¿cómo es el modus operandi de un analista digital para estar al día sin morir en el intento?

El comienzo de todo analista es muy parecido: empiezas analizando datos de una sola fuente, por ejemplo de Google Analytics o Adobe. Pero un día necesitas profundizar más, es decir, buscas sacar todo el jugo a los datos. Para ello, no sólo es suficiente querer ser mejor, sino que significa tienes que adquirir:

• El conocimiento global de la empresa y del negocio. Es vital saber qué es lo que estás analizando para que tus recomendaciones estén basadas en datos reales. Y por eso es muy importante conocer el negocio.
• El conocimiento sobre las herramientas técnicas para poder realizar un buen tratamiento de los datos. No puedes limitar tus análisis de datos a una única herramienta, porque no tendrías una visión completa. Tienes que saber cómo incorporar nuevos datos a los ya obtenidos con el fin de conseguir una visión más cercana a la realidad.

Teóricamente todo esto está muy bien. Pero en la práctica, ¿cómo pasa el analista de ser un traductor de la herramienta a convertirse en un punto de intersección de datos, información y conocimiento del negocio?

Al principio, cuando necesitas incluir datos de fuentes externas de tu herramienta, (como datos offline o transaccionales); la primera opción a la que recurrir es Excel. Es muy útil para saber qué ocurre con los datos, pero no llega a ser suficientemente incisiva como para responder a cuestiones más profundas. Entonces investigas y descubres términos como data science, R y Python, modelaje de datos… y entras en un mundo del que no puedes (ni quieres) salir.

En esta etapa de desarrollo de nuevas aptitudes y conocimientos, existen vías indispensables para formarse. Una de éstas son los portales MOOC como Coursera, que aunque sus niveles entre módulos pueden estar un poco desajustados, ofrecen cursos especializados a un módico precio. Es un aprendizaje muy exigente ya que tienes que invertir mucho tiempo y esfuerzo, pero al final cuando eres capaz de hacer cosas como modelaje de datos y correlaciones, te das cuenta que merece la pena.

A partir de aquí descubres que la figura del analista puede ir mucho más allá y que puede aprender otros lenguajes, como R, sin miedo a lo que la estadística en sí implica. Y es que R es una buena solución para el analista. Es cierto que al principio no es una herramienta atractiva, con una apariencia bastante retro y una curva de aprendizaje difícil, pero cuando avanzas en su funcionamiento te das cuenta que vale la pena, ya que ofrece una flexibilidad en el tratamiento de datos que Excel no da. Cuando te implicas con este lenguaje, cada vez que realizas un análisis completo es imposible no hacerlo sin él. Y no sólo en el de tratamiento de los datos, sino también en el modelado, la visualización, etc…

Otra de las vías en las que poder desarrollar conocimientos es en las clases presenciales y en los libros. Uno muy recomendable para analistas y científicos de datos es Data Science For Business, que además de abordar la ciencia de datos aplicada al negocio; también da a conocer los tipos de algoritmos que hay, cómo funcionan, los tipos de aprendizaje, etc… Y todo ello sin mostrar líneas de código.

En definitiva, poder diseñar uno mismo dónde focalizar sus esfuerzos para el desarrollo de una carrera profesional, es la mayor ventaja que ofrece la analítica. No existe una única ruta a seguir, sino que hay tantas vías como disciplinas. Además, gracias a internet se puede encontrar mucho de lo que necesita el analista, pero siempre con precaución e informándose bien. Para no caer en cursos que a corto plazo no merecen la pena, es importante marcarse un objetivo. Así disminuyes el peligro de invertir mal tu tiempo.

El analista y el científico de datos

Desde el punto de vista profesional, es bueno que el analista incorpore a su conocimiento ciertos elementos para tener una visión más completa de la analítica digital, pero no es necesario que tenga que convertirse en un data scientist.

Ambos forman parte del engranaje de la empresa, y todo el equipo (analíticos, big data, data scientist) tienen que dar respuesta a sus requerimientos. Ya no hay límites entre la analítica digital y el data scientist, aunque hay mucho miedo a este término, aunque lo único que hace es impedir al analista digital ir más allá. Esto es un error. No se trata de ser una cosa u otra, sino de ir avanzando poco a poco para seguir adquiriendo conocimiento y facilitar la comunicación entre profesionales.

Aunque los límites entre el trabajo del analista y del data scientist cada vez son más difusos y las tareas se entremezclan entre sí, son roles diferentes. Al data scientist, por ejemplo, se le asemeja con la figura del unicornio ya que tiene que tener conocimiento de muchos campos. El analista no tiene que llegar hasta ahí, pero si necesita tener la inquietud de seguir avanzando con los datos, que unida a cierta dosis de creatividad, crea la fórmula perfecta que le hará plantearse ideas y modelos que, aunque no pueda resolver como analista, sí le servirán de ayuda para trasladar sus necesidades a las personas indicadas.

El futuro de la analítica

El día a día nos deja poco tiempo para la investigación, pero se está avanzando a pasos agigantados en todos los campos. Como por ejemplo, en todo lo relacionado con redes neuronales e inteligencia artificial, que gracias a los nuevos avances en machine learning, está en el punto de mira de la innovación.

En el ámbito empresarial también hay áreas de investigación, como en el desarrollo de sistemas de recomendación enfocados a cliente y que sean capaces de combinar métricas más avanzadas que ayuden a saber qué es lo que verdaderamente es importante.

Tampoco hay que olvidarse de las herramientas de blockchain analytics y todas sus aplicaciones, donde todavía hay un mundo por descubrir.

Ante tanto avance y nuevas ramas de desarrollo, es imposible para cualquier profesional abarcar todos los campos con profundidad. Incluso intentar saber de todo se convierte en un handicap dentro de una carrera profesional. Pero es recomendable contar con un background general como punto de partida.

Aquí te dejamos un listado de libros y cursos que te serán de mucha ayuda para avanzar en tu carrera profesional:

Libros:

Data Science For Business. Foster Provost y Tom Fawcett

R For Data Science. Garrett Grolemund & Hadley Wickham

An Introduction To Statistical Learning. Gareth James, Daniela Witten, Trevor Hastie & Robert Tibshirani.

Applied Predictive Modeling. Max Kuhn & Kjell Johnson. 

Machine Learning for Hackers: Case Studies and Algorithms to Get You Started. Drew Conway & John Myles White. 

Cursos:

Programa especializado Data Science – Coursera

Machine Learning Engineer Nanodegree – Udacity

Si quieres saber más de cómo seguir avanzando en la analítica digital, escucha este episodio con el que comparto mesa con dos grandes amigos: José Luis Loren, Digital Analytics Lead de Amway y José Ramón Cajide, Data Scientist de El Arte de Medir.