Llegamos a ustedes gracias a:



Reportajes y análisis

Cómo construir un programa de capacitación en ciencia de datos

[16/01/2021] Los profesionales de la tecnología que saben cómo ayudar a las organizaciones a sacar el máximo provecho de sus recursos de información -los científicos de datos, en particular- son altamente demandados, pero escasos.

Algunas empresas están tomando el asunto por sus propias manos, creando programas de formación en ciencia de datos para mejorar la capacitación o entrenar a los empleados para que sean científicos de datos.

La ciencia de datos es todavía un territorio nuevo para muchas empresas, y la creación y el mantenimiento de un programa de este tipo puede venir con desafíos. Aquí hay algunos consejos sobre cómo volver a capacitar a sus empleados para que desempeñen con éxito las funciones de la ciencia de datos.

Crear una cultura de la ciencia de datos

Las organizaciones deberían adoptar la idea de que cualquiera puede llegar a ser un científico de datos, y es importante crear una cultura que apoye esa premisa.

"Lo más importante es determinar que necesitamos cambiar toda una cultura hacia los datos en lugar de tener un conjunto específico de personas", señala Frank Vanderwall, científico de datos principal de Hiebing, una agencia de desarrollo de marcas y comunicaciones de marketing.

"Un paralelo que usamos sería lo digital en la década del 90", anota Vanderwall. "En ese momento, se tenía un equipo digital dentro de organizaciones como la nuestra. Era una disciplina que un puñado de personas dominaba. Hoy en día, nuestra expectativa es que todos los equipos sean digitales. Eso aceleró la transición y la fluidez en toda la organización, en lugar de solo poner la carga en pocas personas".

Elegir el momento oportuno para realizar a transición hacia la ciencia de datos dependerá de cada organización, añade Vanderwall, "y aunque no estamos todavía en esa coyuntura crítica, ese momento está llegando".

Parte del cambio cultural implica el uso de un lenguaje que prácticamente cualquiera puede entender. "Esto parece básico, pero es fácil pasarlo por alto, especialmente para los entrenadores que están profundamente inmersos en una forma de pensar", indica Vanderwall. "Tenemos que empezar con una comprensión compartida del lenguaje. Los científicos de datos se sienten muy cómodos usando ciertos términos, pero estos pueden ser intimidantes para otros hasta que los descompongamos en un entendimiento común".

A veces es cuestión de asegurarse de que todos entienden la terminología. Otras veces significa reemplazar la terminología con un lenguaje más accesible. "Los entrenadores necesitan entender la mentalidad de las personas a las que están entrenando, tanto como las personas que están aprendiendo necesitan entender el nuevo contenido", indica Vanderwall. "Con demasiada frecuencia el enfoque es solo en el estudiante y no en el profesor".

También es importante para la construcción de una cultura de la ciencia de datos la continua transmisión de conocimientos.

"Es crítico que nuestros científicos de datos estén dando poder a otros para crear valor a partir de los datos por sí mismos, no solo haciéndolo por ellos", indica Vanderwall. "También es fundamental que aquellos que están entrenados, estén capacitados para entrenar a otros de una manera similar. Este enfoque hace proliferar el conocimiento y las habilidades a través de la organización más rápidamente y a un nivel más alto de perspicacia. Crea una verdadera cultura basada en los datos".

Hiebing primero construyó un equipo de ciencia del marketing responsable de entender las preguntas correctas que se deben hacer sobre los datos, y de usar los mejores métodos disponibles para interpretar los resultados de manera apropiada.

"El siguiente reto, sin embargo, ha sido extender eso al resto de la organización, porque nuestro equipo de ciencia del marketing no puede estar íntimamente involucrado en todos los proyectos que tenemos en marcha", anota Vanderwall. "Necesitamos entrenar a otros en la organización para poder aplicar los datos de manera consistente en todos los proyectos".

La empresa está en proceso de construir un marco que combina la formación formal externa, como los cursos en línea de ciencia de datos de los ciudadanos -que tienden a ser de naturaleza técnica- junto con seminarios internos que tienden a ser más contextuales, señala Vanderwall. Este programa se está implementando en toda la organización.

Asociarse con los colegios y universidades

Muchas instituciones de enseñanza superior han puesto en marcha programas de ciencia de datos en los últimos años, recursos que pueden ser excelentes socios en el establecimiento de programas de capacitación para su organización.

Jabil, un proveedor de soluciones de fabricación, ha desarrollado un programa de formación en ciencia de datos en colaboración con las universidades locales, comenta

May Yap, vicepresidente senior y CIO afirma que el programa se esfuerza por capacitar a los profesionales de negocios en análisis estadístico, matemáticas computacionales y resolución de problemas con datos específicos del dominio, agrega.

"Creemos que, al igual que otras metodologías como Lean o Six Sigma, estas habilidades técnicas deben estar dispersas en todas las unidades de negocio, ya que permitirán avanzar hacia el objetivo y la visión de Jabil", sostiene Yap.

Las asociaciones con colegios y universidades son un componente clave del programa. Pero no puede ser cualquier institución la que se convierta en un socio adecuado para tal programa.

"Elija sus socios universitarios sabiamente, identificando a los que hayan invertido en programas y departamentos de ciencia de datos", indica Yap. "También, elija socios que estén abiertos a alinearse con la industria en la que su compañía se encuentra".

Aprovechar a los socios de la educación formal es una buena idea por dos razones, anota Yap. Primero, no tendrán un sesgo con respecto a la tecnología, y permitirán que el programa evolucione con el tiempo a medida que las aplicaciones y herramientas analíticas avancen; y segundo, trabajar con instituciones crea un grupo de reclutamiento para la organización.

El programa de ciencia de datos de Jabil ha logrado capacitar a unos 200 empleados en todo el mundo, y ha proporcionado a la empresa una visión predictiva que deriva en mayores ahorros, y brinda un mayor valor a sus clientes gracias al aumento de la velocidad de fabricación, la calidad del producto y la innovación.

Entre los proyectos que han emprendido los empleados se encuentran el reemplazo predictivo de las herramientas, la reducción de los desechos y el costo de fabricación, y la optimización de los precios de las piezas mecánicas.

Centrarse en la mejora continua

El programa de formación en ciencia de datos debe hacer hincapié en la mejora continua y el desarrollo de talentos, de lo contrario hay una mayor probabilidad de que los científicos de datos existentes se vayan.

"Asegúrese de tener un proceso intencional de retención de los mejores científicos de datos, que tienden a aburrirse y/o buscar desafíos alternativos en otros lugares para mantenerse 'frescos'", anota Anthony Scriffignano, científico de datos principal de Dun & Bradstreet, que proporciona datos comerciales, analítica y perspectivas para las empresas.

Para ilustrar este punto, Scriffignano relata una experiencia que tuvo mientras trabajaba en una organización que estaba pasando por una transformación masiva de TI.

"Un alto directivo planteó una cuestión relacionada con la formación de un grupo de trabajadores que tradicionalmente no necesitaban utilizar ningún conocimiento informático para hacer su trabajo", indica Scriffignano. El plan consistía en preparar e impartir unas cuatro horas de formación para varios miles de personas en todo el mundo y en varios idiomas.

Garantizar la coherencia de la formación y entregarla a tiempo dentro de los tiempos del calendario del proyecto no fue una tarea fácil, aunque el compromiso individual de quienes necesitaban capacitación era pequeño, indica Scriffignano.

A medida que la discusión sobre el costo se fue intensificando, el gerente que originalmente planteó la necesidad de la capacitación comenzó a presionar sobre la necesidad de no entregarla. "Exasperado, la persona que dirigía la reunión preguntó por qué el gerente había planteado la necesidad de la capacitación y, sin embargo, más tarde parecía retroceder en el deseo de ejecutarla", señala Scriffignano.

El gerente expresó su preocupación de que los trabajadores se capacitaran en una nueva área, y que este aumento de las habilidades pudiera causar problemas con sus compensaciones y contratos. "También había una frustrada preocupación por la retención: '¿Qué pasa si los entrenamos y luego se van?'", señala Scriffignano. "La respuesta fue perfecta: '¿Qué pasa si no los entrenan y se quedan?' El punto se hizo fuerte y claro: la capacitación y la mejora continua son [esenciales] frente a la innovación tecnológica".

Aprovechar los problemas y desafíos reales de los negocios

Los ejemplos teóricos están bien como parte de un programa de entrenamiento, pero los estudiantes también necesitan saber cómo poner en práctica la ciencia de datos en el "mundo real".

El programa de Jabil toma un enfoque de entrenamiento "basado en escenarios", comenta Yap. "Se forman grupos de tres o cuatro empleados para trabajar colectivamente en el problema, mientras se les educa en el proceso, las técnicas y las prácticas", agrega. "Cada problema debe tener un patrocinador empresarial, y al menos uno de los estudiantes debe tener conocimientos especializados en el área empresarial en la que se centra el problema".

Otra parte crucial del programa de la empresa es sembrarlo con profesionales técnicos de la organización que sirvan como asistentes de enseñanza. "El papel de este sería muy similar a cómo se siembran los entrenadores de cinturón negro dentro de una organización para apoyar las iniciativas Lean o Six Sigma", indica Yap.

Educar a los ejecutivos

Jabil también ofrece una clase de Executive Data Science, que va desde medio día a un día completo. Éstas están diseñadas para ayudar a los ejecutivos a entender la teoría de la ciencia de datos y la terminología común utilizada por los científicos de datos, al tiempo que los guía sobre cómo entender los proyectos para que puedan abogar por ellos de manera eficaz.

La empresa de atención sanitaria GSK también hace hincapié en educar a los ejecutivos. "El conocimiento de la ciencia de datos no es solo para el científico de datos", indica Nicky Walker, director senior de GSK. "Es tan importante educar a los líderes y gerentes para que sepan leer, escribir y dominar la ciencia de datos, como construir una profunda experiencia en las disciplinas de ésta".

Educar a muchos con conocimientos de ciencia de datos crea confianza en los algoritmos, para que los administradores puedan tomar decisiones con confianza basadas en el análisis. "Ser bueno contando historias sobre dónde la ciencia de datos proporciona valor crea la atracción para más ciencia de datos y la incorpora en el ADN de la empresa", señala Walker. "Este es un componente crítico del programa de ciencia de datos. Sabemos que nuestros expertos en ciencia de datos se sienten valorados y recompensados cuando la respuesta de sus socios comerciales se basa en la comprensión".

Destacar el hecho de que la experiencia en ciencia de datos es iterativa

Los estudiantes y profesionales de negocios que participan en la capacitación en ciencia de datos deberían encontrarse yendo y viniendo entre una serie de pasos, comenta Yap. Estos incluyen la comprensión de problemas, la comprensión de datos, la preparación de datos, el modelado y la evaluación de resultados.

"Deberían utilizar el proceso para refinar el problema empresarial, generar nuevas ideas e iterar a lo largo de ellas para identificar las percepciones u otras lagunas empresariales que puedan necesitar ser resueltas para impulsar las percepciones predictivas esperadas", indica Yap.

Es muy probable que algunas de estas lagunas incluyan la variación de los datos, el acceso a los mismos, la calidad de los datos y, en algunos casos, la falta de la tecnología necesaria para automatizar el análisis o gestionar grandes conjuntos de datos, señala Yap.

"Esto podría ser tan simple como aplicar tecnologías de inteligencia artificial/aprendizaje automático para identificar anomalías o [construir] modelos de clasificación que se utilizarán para mejorar los datos y la comprensión", finaliza.

Primer Contacto

Más »

Casos de éxito

Más »