Descubre el Data Science y trabaja remoto como científico de datos

¿Has escuchado hablar de data science? Cada vez que navegamos por internet, hacemos scroll en Instagram o Twitter, o simplemente compramos en alguna tienda virtual, dejamos una huella digital. No importa cuántas verificaciones de privacidad actives, siempre sucede y es inevitable.

Esa huella es la base del data science, que se encarga de recogerla y agruparla junto con las de millones de personas más. Todo eso se convierte en información que vale oro puro para las empresas, pues las ayuda a optimizar sus procesos y tomar mejores con base en la actividad de los internautas. ¡Nosotros!

En un mercado que se vuelve cada vez más competitivo, los negocios no pueden darse el lujo de ir haciendo pruebas de ensayo y error. En cambio, necesitan basar sus decisiones en datos reales que se puedan medir, comprobar y comparar. Es por eso que el data science ha subido como la espuma hasta convertirse en una de las profesiones mejor pagadas del mundo digital. 

A pesar de su auge, aún existen muchos mitos respecto al data science. De hecho, está la creencia general de que se trata de algo extremadamente complejo y solo genios y frikis de los números y la programación pueden dedicarse a esto, pero no es así. Claro, tampoco te diré que con unas horas de curso y un par de días de práctica estarás listo para trabajar en este campo, pues hace falta bastante preparación. Sin embargo, es una profesión accesible a todo aquel que quiera dedicarse a ella y esté dispuesto a invertir algo de tiempo y esfuerzo.

En este post te voy a contar todo sobre el data science, desde sus elementos básicos y el ciclo de trabajo hasta los sectores que más lo utilizan y en los que puedes insertarte en el mundo laboral. También te hablaré sobre la formación, habilidades, salarios y oportunidades de empleo desde casa. En palabras simples, una guía con todo lo que necesitas saber para trabajar remoto en data science. 

Si te gusta investigar, te llevas bien con los números o simplemente te llama la atención esta profesión que viene sonando tan fuerte, te interesa seguir leyendo. ¡Ponte cómodo!

Qué es data science o ciencia de datos

El data science es una disciplina que tiene por objetivo recopilar, organizar y analizar enormes cantidades de datos, con el fin de convertirlos en información que ayude a empresas y negocios a tomar mejores decisiones. Por supuesto, ningún estudio o investigación de mercado por sí solo puede garantizar el éxito, pero al usar data science se ponen las probabilidades a favor. 

Los datos utilizados provienen de fuentes muy diversas, aunque todas ellas tienen en común que se encuentran disponibles en internet. Dichos datos se organizan en bases especiales para que sea más fácil acceder a ellos y extraer solo lo necesario en el momento preciso. Porque, como ya te dije, ¡son toneladas!

Conceptos esenciales del data science

Aunque la recopilación de datos antes de tomar decisiones no es nada reciente, el data science, tal como lo conocemos ahora, sí que es relativamente novedoso. Para ayudar a que comprendas un poco mejor, vamos a ver cinco conceptos que son básicos en la profesión. Verás que algunos de ellos están en inglés (igual que el mismo término data science) porque esto es un poco como el marketing y se combinan expresiones en un idioma y otro. ¡Aquí se habla spanglish!

• Datos: son la mínima unidad de información que se utiliza en data science. De forma aislada no dicen mucho, pero cuando se juntan, se analizan y se ponen en contexto resultan valiosos. De ahí es de donde viene todo.

• Bases de datos: se trata de una especie de almacén digital que tiene cantidades gigantes de datos ordenados y clasificados de acuerdo con varios criterios. De esta manera, cuando un profesional del data quiere extraerlos, solo necesita aplicar ciertos filtros para sacar justo eso que está buscando, sin perder demasiado tiempo.

• SQL: es un lenguaje de computación que agrupa los datos de acuerdo con las relaciones que existen entre ellos, haciendo más fácil el acceso. Es el más común en data science y muchas veces se habla de bases de datos SQL. Por cierto, las siglas corresponden a structured query language, es decir, lenguaje de consulta estructurada.

• NoSQL: como debes imaginarte, se refiere a toda aquella agrupación de datos que no siga los criterios de los SQL.

• Data mining: comprende todas las técnicas y procedimientos que se utilizan para recorrer las bases de datos y extraer información de ellas.

Algunos ejemplos de data science

Yo sigo empeñada en que te familiarices bien con el data science antes de pasar a hablarte del trabajo propiamente dicho, los conocimientos necesarios o la formación disponible. Por eso, te traigo tres ejemplos sencillos de aplicaciones prácticas de esta ciencia de datos:

• Una cadena de tiendas por departamento decide abrir un nuevo local en la ciudad. Para elegir la ubicación perfecta, usa data science y toma en cuenta criterios como la cantidad de personas que pasan por distintas calles, el número de tiendas similares que hay alrededor y hasta la posición relativa de los lugares respecto a los edificios y construcciones que hay cerca.

• Una empresa de telefonía quiere ofrecer planes personalizados para sus clientes, incluida la posibilidad de cambiar a un mejor equipo. Con data science, divide a los usuarios en varios rangos considerando su edad, sus gustos, el uso que hacen de su teléfono celular y hasta la marca y el modelo que tienen. 

• Este seguro te suena más: Netflix emplea data science para evaluar el tipo de películas y series que te gusta ver. Así, cuando entras a la página de inicio, parece que todas las recomendaciones fueron hechas por alguien que te conoce perfectamente bien, y no te puedes resistir a darle play.

El trabajo de un data scientist

Creo que ahora sí debes tener una idea clara, tanto en la teoría como en la práctica, de lo que es y lo que puede hacer el data science. Ahora vamos a pasar al trabajo como tal. Por cierto, a los profesionales en esto se les llama data scientist o científicos de datos. Así te vas haciendo una idea de tu nueva presentación en caso de que decidas entrar en este mundo.

Ciclo de trabajo del data science

Para ir de los datos desordenados a la información útil, un científico de datos debe seguir una serie de pasos:

1. Investigación

Lo primero que hay que hacer es averiguar dónde se encuentran los datos necesarios para abordar el problema o tarea en cuestión. Porque sí, aunque en última instancia todo está en internet, hay que identificar a las personas o empresas responsables de suministrarlos. Entre los mayores proveedores de datos del mundo están Google (por supuesto), Microsoft, IBM, Amazon, Alibaba y Oracle.

2. Filtrado y preparación

Es momento de hacer una pequeña limpieza, pues no todos los datos serán necesarios o estarán correctos. Por ejemplo, es común que haya valores repetidos o con errores, por lo que hay que depurarlos para tener una base eficiente.

Después viene la preparación, para adaptarlos a las condiciones de las bases de datos, softwares o metodologías propias de cada empresa. Por ejemplo, puede que tengas acceso a una base noSQL, pero tú trabajas con formato SQL, así que tendrás que hacer un cambio antes de continuar.

3. Exploración

Ahora sí, datos ordenados y listos para explorar en ellos. Aquí el científico de datos comienza a aplicar data mining para hacer consultas, revisar y extraer lo que necesita en cada momento, con el fin de generar determinados indicadores. Esta fase del proceso se puede repetir tantas veces como haga falta para cumplir con los objetivos de la investigación.

4. Procesamiento científico

En ocasiones, no basta con una simple extracción manual de datos, sino que es necesario aplicar técnicas más avanzadas. El data scientist debe estar en capacidad de crear sus propios algoritmos y programas para obtener resultados muy específicos que no son posibles con los métodos tradicionales.

5. Presentación

Después de tener claros todos los indicadores, es hora de presentarlos de forma tal que sean fáciles de comprender. En esto tiene mucho peso la parte visual, pues se deben preparar gráficos, tablas y otros recursos similares que reflejen de un vistazo lo que dicen los datos. Es la faceta creativa del data science y se usan programas específicos como Tableau, Microsoft Power BI o Google Charts.

6. Análisis

En este paso lo que corresponde es evaluar toda la información recopilada hasta ahora y ponerla en contexto con la realidad de la empresa o negocio. Por ejemplo, puede que un incremento de las ventas en el mes de mayo que no diga nada por sí mismo. Sin embargo, si en esa fecha se aplicó una nueva estrategia o se implementó una campaña, entonces significa que fue algo exitoso, y es sensato continuar con la acción.

Durante la etapa de análisis también hay que hacer extrapolaciones que pueden ser de varios tipos. Algunas son predicciones, es decir, intentar adelantarse a lo que va a ocurrir en el futuro a partir de los datos del presente. Otras son regresiones, o lo que es lo mismo, ver lo que habría sucedido antes teniendo en cuenta lo que pasa ahora.

7. Reporte

Toda la información obtenida en los pasos anteriores, tanto la representación visual como los análisis, se plasman en un informe detallado y ordenado, que es lo que se le entrega al cliente o supervisor, y que lo ayudará a tomar decisiones respecto a su negocio.

Habilidades y conocimientos del data scientist

¿Qué hay que saber para ser un data scientist? Una pregunta así no es tan sencilla de responder de buenas a primeras, ya que la profesión involucra muchas áreas. No obstante, sí que hay destrezas básicas que están presentes en cualquier científico de datos. 

Si hablamos de soft skills, tenemos:

• Paciencia: para poder navegar entre ríos enormes de datos que no siempre son relevantes, hasta por fin dar con los realmente necesarios.

• Cuidado por los detalles: ya que es fácil perderse entre tanta información, por lo que hay que prestar mucha atención a lo que se hace en cada etapa del proceso.

• Organización: para no perder la cabeza al manejar varios elementos al mismo tiempo.

En cuanto a hard skills, las más relevantes son:

• Estadísticas: solo con ellas es posible gestionar grandes cantidades de datos y convertirlos en información útil mediante la aplicación de fórmulas como promedios, modas, medianas, entre otras.

• Programación: aunque no hace falta ser un experto, hay que tener nociones elementales para crear algoritmos y softwares con los cuales procesar los datos.

• Investigación: no hablo de buscar en internet y ya, sino de tener bases mínimas de investigación científica para saber dónde buscar y dónde no, qué fuentes se pueden usar y qué fuentes no, etc.

Diferencias entre data scientist, data analyst y data engineer

Estas tres disciplinas son probablemente las más famosas dentro del mundo de los datos, y muchas veces se confunden unas con otras. Por eso, te voy a aclarar con detalles el alcance de cada una para que puedas comprender sus diferencias. Sobre data science ya hemos hablado, y en comparación con las otras dos, viene a ser como un punto intermedio.

Ahora, el data analysis es el primer nivel de complejidad y se limita a ordenar y presentar los datos, así como extraer conclusiones a partir de ellos. Los analistas de datos tienen que utilizar recursos visuales para que la información obtenida sea fácil de entender por otras personas, incluso aunque no estén familiarizadas con el tema. Sin embargo, no necesitan saber programar ni crear algoritmos propios.

Por su parte, el data engineering es la profesión más técnica en lo que a datos se refiere, y se ocupa de crear las estructuras, bases de datos y procesos de recopilación, todo desde cero. Aquí es indispensable la programación, así como conocimientos muy sólidos en informática y redes digitales.

Los sectores que más contratan data scientists

Llegados a este punto, es posible que te imagines el data science como algo que solo sirve para grandes empresas tecnológicas que saben manejarlo y aplicarlo. ¡Pero no! La verdad es que hay muchos sectores del mercado que lo integran dentro de su estrategia, al igual que empresas de todos los tamaños. Por eso, a la hora de encontrar trabajo, las posibilidades son casi infinitas.

Tecnológico

Ok, te dije que no es el único, pero eso no significa que se quede por fuera. Precisamente porque el sector tech suele mantenerse muy al día con las novedades tecnológicas, ha sido de los primeros en usar data science, y lo hace con bastante intensidad. 

Financiero

Va muy de la mano con el tech, pues cuando se trata de finanzas es vital tomar decisiones basadas en datos, ya que cada error puede costar mucho dinero. Aquí el data science lo usan desde bancos hasta casas de bolsa, fondos de inversión, fondos de pensiones, entre otros.

Científico

¡Imagínate la ciencia sin datos! Cualquier nuevo avance científico que se precie ha usado data science para sustentarse, en especial las investigaciones de laboratorio en ámbitos como química, física o biología.

Sanidad

La sanidad de un país depende en gran medida de que las instituciones y las empresas privadas de salud tomen buenas decisiones para sus pacientes. El data science ayuda con esto, para ofrecer justo lo que las personas necesitan y en el momento oportuno, considerando tanto factores internos (demografía, esperanza de vida), como externos (pandemias, virus, accidentes). 

Marketing digital

Ese sector no podía faltar. Los departamentos y agencias de marketing de todo el mundo se basan en la ciencia y el análisis de datos para optimizar sus campañas y dirigirlas justo hacia las personas que podrían querer determinado producto o servicio.

Ventas minoristas

Qué vender, dónde venderlo, cuándo venderlo y a quién venderlo. Todas son preguntas que el data science responde a la perfección basándose en información de los consumidores, las tendencias y el mercado, para que los negocios de retail puedan ser más acertados con su oferta.

Urbanismo inteligente

Los smart buildings o construcciones inteligentes son vistos como el futuro de la arquitectura y la ingeniería, y todos los proyectos que se han implementado hasta ahora utilizan ciencia de datos. 

Cómo aprender data science

“Ok, Carla. Lo del data science suena maravilloso. ¿Cómo puedo aprenderlo?”

Tranquilo, no te voy a dejar con toda esta información y sin opciones para aprender. Ya sabes que lo mío es la vida remota, así que todos los cursos, másters y demás alternativas que voy a darte las puedes ver de manera cien por ciento online.

YouTube (para entrar en materia)

• Curso de Data Science en Python Desde Cero – The PyCoach
• Introducción a Data Science – AfiEscuela

Cursos

• Curso Completo de Data Science en Python Desde Cero – Udemy
• Experto Universitario en Data Science – Universidad Europea
• Certificado profesional de Análisis de datos de Google – Coursera

Másters

• Máster en Data Science y Big Data – IEBS School

Bootcamps

• Bootcamp en Análisis de Datos – IronHack
• Bootcamp de Data Science – Hack a Boss

Carreras digitales

• Data Scientist- Platzi
• Especialidad en Ciencia de Datos – Código Facilito

Cuánto gana un data scientist

El salario de un data science varía considerablemente según sus años de experiencia, además del lugar en el que se encuentre la empresa con la que trabaja. Por ejemplo, puedes estar en México y trabajar para una compañía estadounidense ganando más de $90 000 al año, o hacerlo para una empresa española y ganar 30 000 €.

Voy a darte los sueldos anuales promedio en algunos países, pero recuerda que son precisamente eso: el punto medio entre los más altos y los más bajos. Si estás comenzando, tienes que esperar menos, y a medida que avances y ganes experiencia, podrás optar a mucho más.

• España: 35 000 €
• Estados Unidos: $96 000
• Canadá: $80 000
• Francia: 46 000 €
• Alemania: 55 000 €
• Singapur: $93 000

Dónde conseguir empleo como data scientist

Con sueldos tan atractivos, seguro que te preguntas dónde puedes encontrar vacantes disponibles sin moverte de casa, ¿verdad? Te doy un pequeño listado con las mejores alternativas de plataformas en las que sí o sí debes darte de alta, pues se especializan en trabajos tech:

• LinkedIn
• Stackoverflow
• Tic Job
• Remote Ok
• Talent Hackers
• Tecnoempleo

No te olvides de las páginas de trabajo freelance como Freelancer y Fiverr, además de la sección de empleos de Google, en la que se suelen recopilar ofertas de todo tipo de portales.

También te puede interesar: Las 17 Mejores Plataformas Para Buscar Trabajos Remotos En 2022

Data science: una profesión digital para trabajar por el mundo (y con todo el mundo)

Ya lo viste. El data science no solo está teniendo mucho auge en el presente, sino que las expectativas a futuro son muy positivas. Y es que, si te detienes a pensar en ello, analizar datos es algo sumamente útil en cualquier sector, sin importar la época. Ya sabes lo que dicen, información es poder.

Avances tan prometedores y con tanto potencial como el internet de las cosas o la inteligencia artificial dependen directamente del data science, e incluso se habla de ciudades inteligentes completas, todo con base en datos. Por eso, en verdad creo que aprender data science hoy es una inversión para el futuro.

Ahora, lo mejor de todo esto es que es una profesión que puedes estudiar, aprender y ejercer de manera completamente remota. Una vez que tengas los conocimientos, todo lo que necesitarás es una computadora y acceso a internet, y puedes colaborar con empresas de cualquier parte del mundo, mientras tú estás viajando y descubriendo.

Si sientes que quieres ir poco a poco con esto de trabajar por internet, mi curso de trabajo remoto sin experiencia puede ayudarte. Allí te cuento todo lo que necesitas saber aunque estés en cero y no tengas ninguna habilidad especial, así que es un primer paso estupendo.

¿Qué dices? ¿Te animas a convertirte en data scientist y trabajar en remoto? ¿Habías escuchado hablar de esto? Quiero leer tus impresiones en los comentarios, porque se trata de algo que no mucha gente conoce, pero que va a ser indispensable en unos poquitos años. ¡Te acordarás de mí!

Por lo pronto, llegamos al final, no sin invitarte a seguirme en mi Instagram, Twitter y mi canal de YouTube, para que sigamos compartiendo sobre temas de trabajo remoto, nomadismo digital y emprendimiento. ¡Ahí nos vemos!