Analista de datos vs. científico de datos: ¿en qué son diferentes estas profesiones?

En este artículo exploramos cómo son similares estas profesiones, por qué no confundirlas, y cuál elegir para iniciar una carrera de datos.

La esencia de la analítica es visualizar datos y sacar conclusiones basadas en ellos. La ciencia de datos incluye ambas etapas, más el Machine Learning y el Deep Learning. Con estas herramientas, los especialistas construyen y ejecutan modelos para generar predicciones.

Ambos campos intentan predecir cómo los datos afectarán los números de una empresa y proponer mejores hipótesis sobre cómo ajustar el comportamiento del usuario para lograr resultados. El análisis de datos y la ciencia de datos son diferentes etapas de un mismo proceso.

El análisis de datos se centra en interpretar los hallazgos, mientras que la ciencia de datos se ocupa de las correlaciones entre grandes conjuntos de datos.

Los científicos de datos pasan la mayor parte de su tiempo limpiando datos: es decir, los preparan para modelos y algoritmos que descubrirán patrones ocultos que los humanos no pueden detectar. Por ejemplo, qué presupuesto destinar a la producción de una nueva línea de productos, qué porcentaje de ingresos recibirá la empresa por una venta, y durante cuánto tiempo, etc.

La principal diferencia entre un analista de datos y un científico de datos es que el analista no tiene habilidades de Machine Learning, por lo que él mismo procesa los datos. Por ejemplo, un analista de datos recopila todos los datos sobre los clientes de la empresa y segmenta a los usuarios por edad, sexo, ubicación y preferencias. Luego identifica patrones en los datos y la influencia de los parámetros entre sí.

El analista se dedica al retroanálisis, es decir, al análisis del comportamiento pasado de los usuarios. A partir de ello busca conexiones entre los datos sobre el desempeño de la empresa, y ofrece recomendaciones.

El análisis y la ciencia de datos ayudan a tomar decisiones de forma rápida y correcta. Pero, para poder combinar herramientas de aprendizaje automático con una comprensión de las relaciones de causa y efecto detrás de los datos, el científico de datos necesita comprender cómo las decisiones afectan los resultados.

Tanto el científico de datos como el analista de datos tienen diferentes métodos y enfoques para resolver un mismo problema: influir correctamente en una decisión de gestión para aumentar las ventas. Por ejemplo, para predecir la demanda estacional de bienes producida por el cliente, el analista realiza un análisis retrospectivo de las ventas para trazar una curva estacional, mientras que el científico de datos analiza la frecuencia de las consultas en el núcleo semántico para producir otra curva estacional.

Estos datos serán diferentes porque el algoritmo a menudo encuentra patrones mejor que un humano manualmente, y recopila los datos más rápido. Un analista podrá no encontrar la correlación entre los datos que encuentra un científico de datos porque no tiene las herramientas para ello.

Según los datos que se utilicen, pueden tomarse diferentes decisiones comerciales. Por ejemplo, es posible mejorar la usabilidad de un sitio web a partir de datos sobre el comportamiento de los usuarios.

El analista y el científico de datos tienen enfoques diferentes. Un analista necesita más habilidades interpersonales que un especialista en ciencia de datos. Por ejemplo, para analizar los resultados de una campaña de marketing, el analista de datos necesita recopilar y procesar sus datos, que luego compilará en un informe y presentará a la gerencia para tomar una decisión.

En la etapa de recopilación de datos, el científico de datos también recurrirá a otros departamentos para obtener los datos, pero después el 60% del tiempo lo dedicará a programar y trabajar con datos, no con personas.

Estos ejemplos son típicos ejemplos de pequeñas empresas o startups. En las grandes empresas, los científicos de datos trabajan en equipos multifuncionales que incluyen un ingeniero de aprendizaje automático, un científico de datos y un analista de datos.

Ambos, el analista de datos y el científico de datos, necesitan conocimientos de matemáticas, mas no precisamente contar con una carrera técnica. La diferencia radica en que el analista debe tener un conocimiento más profundo de los datos que procesa e interpreta él mismo, mientras que el científico de datos debe conocer lenguajes de programación para poder entrenar algoritmos.

Otra de las principales diferencias entre ambas carreras es que para los científicos de datos es posible adquirir experiencia en hackatones y cursos online; para los analistas de datos, hay modelos tradicionales de educación y trabajo directo en el campo, ya que hay pocos eventos y competencias en las que se pueda entrenar la resolución de problemas de análisis de datos.

Según la plataforma de empleo Glassdoor, la carrera de análisis de datos paga entre 9 mil y 16 mil pesos (MXN) menos que la carrera de ciencia de datos. La cantidad que ganan los especialistas está más influenciada por la experiencia y el nivel: en el caso de los analistas de datos, al pasar de junior a middle, el salario promedio aumenta 4 mil pesos (25%); de middle a senior, 4 mil pesos (20%); pero de senior a leader, aumenta 15 mil, ya que pasa de un promedio de 24 mil pesos al mes, a 39 mil (65%).

Por otro lado, para los científicos de datos al pasar de junior a middle, el salario promedio aumenta 6 mil pesos (24%). Sin embargo, el gran salto se da al pasar de middle a senior, pues el salario promedio aumenta desde 14 hasta 19 mil pesos (es decir, entre 46 y 62%). Un Lead Data Scientist en México puede ganar desde 50 hasta 86 mil pesos al mes.

Un analista de datos puede convertirse en un científico de datos, pero esto requerirá aprender sobre aprendizaje automático, lenguajes de programación y adquirir experiencia en proyectos; o bien optar por desarrollarse en la gestión y crecer en un puesto directivo. Un científico de datos siempre puede convertirse en director o jefe de equipo.

En cada empresa, los patrones de crecimiento pueden verse diferentes. Por ejemplo, en ciertas empresas los analistas de datos y los científicos de datos pueden trabajar en diferentes departamentos, mientras que en otras se considera que un analista es el primer escalón en el camino hacia la ciencia de datos.

Si quieres convertirte en un científico de datos, pero no tienes conocimientos suficientes en lenguajes de programación o aprendizaje automático, nosotros te recomendamos empezar como analista de datos, ya que en casi todas las empresas existen puestos de trabajo similares para diferentes necesidades. Al hacer esto, podrás mejorar en tareas reales y aprender gradualmente las habilidades que necesites para crecer tu carrera profesional.

Aprende a extraer y transformar datos en SQL, realizar pruebas AB y crear paneles en el curso de analista de datos de TripleTen. O capacítate para encontrar patrones no obvios en los datos, desarrollar hipótesis y entrenar algoritmos en el curso de ciencia de datos. Empieza con una consulta profesional gratuita y prepárate para entrar en el mercado tecnológico en menos de un año.