Continua Leyendo...
Por Redacción - 30 Enero 2018
Uno de los profesionales de moda es el data scientist. El data scientist es un intérprete de la información, el profesional capaz de hacer que el big data tenga sentido y el que sabe leer de todos esos datos las cosas que resultan relevantes y que importan. Es el que es capaz de coger la gran masa de información y extraer de ella conclusiones valiosas para la empresa. Por ello, las compañías se han lanzado a su fichaje y estos profesionales se han convertido en estrellas emergentes en el mercado.
Pero los data scientists no son personajes milagrosos que pueden solucionar todos los problemas o que pueden encontrar la clave para todas las cuestiones que la marca necesita si no tienen el entorno y las condiciones de trabajo favorables para ello. De hecho, no vale con simplemente contratar a un equipo de data scientists y esperar que hagan su magia. Hay que trabajar de forma mucho más amplia para conseguir los buenos resultados asociados.
¿Qué es lo que puede empujar a estos profesionales directamente al fracaso y lo que puede hacer que, a pesar de las elevadas expectativas de las marcas y empresas, no consigan los resultados esperados? La clave puede estar en la gestión del trabajo, como recuerdan en un análisis en Harvard Business Review. Los responsables seniors no logran organizar bien el trabajo de sus data scientists y comprender bien qué es lo que deben hacer estos profesionales y lo que se debe esperar de ellos.
Así, no crean un programa específico, no posicionan bien el talento, descuidan la parte de negocio frente a la tecnológica o, simplemente, no han asumido antes de empezar lo difícil que es para las empresas asumir los cambios (y por tanto lo que les costará asumir el papel de los data scientists).
Cualquiera de estos errores o todos ellos de forma combinada tienen un efecto directo en la actividad de los data scientists y a la hora de lograr conseguir resultados.
Por ello, la incorporación de los data scientist a la compañía tiene que contar detrás con una cierta armazón. La empresa tiene que saber qué querrá de ellos y cómo piensa lograrlo y debe contar con unas guías claras y una estructura de trabajo eficiente. En realidad, la clave para no fallar en este terreno es similar a la que se aplica para no fallar de forma generalizada cuando se incorporan cosas nuevas a la compañía. No vale con simplemente sumar cosas y pensar que con eso ya está el trabajo hecho, sino que hay que hacer las cosas con una razón de por medio.
El primer punto que hay que establecer cuando se incorpora un data scientist o un equipo de los mismos es escoger bien dónde se integrará. Hay que integrarlos en el equipo y hacerlo en el punto correcto, no simplemente meterlos en TI o en marketing y esperar que ya ellos se hagan con su hueco. Por tanto, hay que pensar en lo que se va a buscar de ellos y ubicarlos allí donde más convenga para ello.
Después, hay que hacer que estén bien metidos en el negocio, esto es, hay que hacer que comprendan bien la estrategia a seguir y la filosofía de la empresa. Esto es importante porque modificará cómo leen los datos y sobre todo las conclusiones que sacan de ellos. Por ello tampoco es sorprendente que el siguiente punto a tener en cuenta es de la calidad y los resultados de negocio. Su trabajo tiene que aportar algo a la compañía y tiene que servir para mejorar la estrategia de negocio.
Y, finalmente, aunque se tenga claro por qué se ha fichado a uno de estos profesionales y qué se espera de ellos no hay que limitar lo que hacen y su potencial capacidad innovadora y creativa. Hay que darles margen para que sigan también sus propios hilos.
