La ciencia de datos se considera una disciplina, mientras que los científicos de datos son los profesionales dentro de ese campo. Los científicos de datos no son necesariamente responsables directos de todos los procesos implicados en el ciclo de vida de la ciencia de datos. Por ejemplo, los ingenieros de datos suelen encargarse de las canalizaciones de datos, pero el científico de datos puede hacer recomendaciones sobre qué tipo de datos son útiles o necesarios. Aunque los científicos de datos pueden crear modelos de machine learning, la ampliación de estos esfuerzos a un nivel mayor requiere más conocimientos de ingeniería de software para optimizar un programa de modo que se ejecute más rápidamente. Como resultado, es habitual que un científico de datos se asocie con ingenieros de machine learning para escalar los modelos de machine learning.

Las responsabilidades de los científicos de datos suelen solaparse con las de los analistas de datos, sobre todo en lo que respecta al análisis exploratorio y la visualización de datos. Sin embargo, las competencias de un científico de datos suelen ser más amplias que las del analista de datos medio. Comparativamente, los científicos de datos aprovechan lenguajes de programación comunes, como R y Python, para realizar más inferencia estadística y visualización de datos.

Para realizar estas tareas, los científicos de datos requieren conocimientos informáticos y de ciencias puras que van más allá de los de un analista de negocio o un analista de datos típico. El científico de datos también debe comprender las particularidades de la empresa, como la fabricación de automóviles, el comercio electrónico o la atención sanitaria.

En resumen, un científico de datos debe ser capaz de:

• Conocer la empresa lo suficiente como para hacer las preguntas pertinentes e identificar los puntos débiles.
• Aplicar la estadística y la informática, junto con la perspicacia empresarial, al análisis de datos.
• Utilizar una amplia gama de herramientas y técnicas para preparar y extraer datos: desde bases de datos y SQL hasta minería de datos y métodos de integración de datos.
• Extraer información de big data mediante análisis predictivos e inteligencia artificial (IA), incluidos modelos de machine learning, procesamiento del lenguaje natural y deep learning.
• Escribir programas que automaticen el tratamiento de datos y los cálculos.
• Contar e ilustrar historias que transmitan claramente el significado de los resultados a los responsables de la toma de decisiones y a las partes interesadas en todos los niveles de comprensión técnica.
• Explicar cómo pueden utilizarse los resultados para resolver problemas empresariales.
• Colaborar con otros miembros del equipo de ciencia de datos, como analistas de datos y de negocio, arquitectos de TI, ingenieros de datos y desarrolladores de aplicaciones.

Estas habilidades tienen una gran demanda y, como resultado, muchas personas que se inician en una carrera de ciencia de datos exploran una variedad de programas de ciencia de datos, como programas de certificación, cursos de ciencia de datos y programas de grado ofrecidos por instituciones educativas.

Puede ser fácil confundir los términos "ciencia de datos" e "inteligencia empresarial" (BI, por sus siglas en inglés) porque ambos se refieren a los datos de una organización y al análisis de esos datos, pero difieren en su enfoque.

Inteligencia empresarial (BI) suele ser un término genérico que engloba la tecnología que permite la preparación, la minería, la gestión y la visualización de datos. Las herramientas y procesos de inteligencia empresarial permiten a los usuarios finales identificar información procesable a partir de datos sin procesar, facilitando la toma de decisiones basada en datos dentro de organizaciones de diversos sectores. Aunque las herramientas de ciencia de datos coinciden en gran parte de este aspecto, la inteligencia empresarial se centra más en los datos del pasado, y los conocimientos de las herramientas de BI son de naturaleza más descriptiva. Utiliza los datos para comprender lo que ha sucedido antes e informar sobre una línea de actuación. El BI está orientado a datos estáticos (inmutables) que suelen estar estructurados. Aunque la ciencia de datos utiliza datos descriptivos, suele emplearlos para determinar variables predictivas, que luego se utilizan para categorizar datos o hacer previsiones.

La ciencia de los datos y el BI no son mutuamente excluyentes: las organizaciones digitalmente inteligentes utilizan ambos para comprender plenamente y extraer valor de sus datos.

Los científicos de datos se basan en lenguajes de programación populares para realizar análisis exploratorios de datos y regresión estadística. Estas herramientas de código abierto admiten capacidades prediseñadas de modelado estadístico, machine learning y gráficos. Entre estos lenguajes se incluyen los siguientes (lea más en "Python vs. R: ¿Cuál es la diferencia?"):

• R Studio: lenguaje de programación y entorno de código abierto para el desarrollo de gráficos e informática estadística.
• Python: lenguaje de programación dinámico y flexible. Python incluye numerosas bibliotecas, como NumPy, Pandas o Matplotlib, para analizar datos rápidamente.

Para facilitar el intercambio de código y otra información, los científicos de datos pueden utilizar GitHub y Jupyter Notebook.

Algunos científicos de datos pueden preferir una interfaz de usuario, y dos herramientas empresariales comunes para el análisis estadístico incluyen:

• SAS: un completo conjunto de herramientas, incluidas visualizaciones y paneles de control interactivos, para el análisis, la elaboración de informes, la extracción de datos y la creación de modelos predictivos.
• IBM SPSS: ofrece análisis estadísticos avanzados, una amplia biblioteca de algoritmos de machine learning, análisis de texto, extensibilidad de código abierto, integración con big data e implementación fluida en aplicaciones.

Los científicos de datos también adquieren destreza en el uso de plataformas de procesamiento de macrodatos, como Apache Spark, el marco de código abierto Apache Hadoop y las bases de datos NoSQL. También dominan una amplia gama de herramientas de visualización de datos, como las sencillas herramientas gráficas incluidas en las aplicaciones empresariales de presentación y hojas de cálculo (como Microsoft Excel), herramientas comerciales de visualización creadas a medida como Tableau e IBM Cognos, y herramientas de código abierto como D3.js (una biblioteca de JavaScript para crear visualizaciones de datos interactivas) y RAW Graphs. Para crear modelos de machine learning, los científicos de datos suelen recurrir a varios marcos como PyTorch, TensorFlow, MXNet y Spark MLib.

Dada la pronunciada curva de aprendizaje de la ciencia de datos, muchas empresas buscan acelerar el retorno de la inversión en proyectos de IA; a menudo tienen dificultades para contratar el talento necesario para aprovechar todo el potencial de los proyectos de ciencia de datos. Para subsanar esta carencia, están recurriendo a plataformas multipersona de ciencia de datos y machine learning (DSML), dando lugar al papel de "científico de datos ciudadano".

Las plataformas multipersona DSML utilizan la automatización, los portales de autoservicio y las interfaces de usuario low-code/no-code para que las personas con poca o ninguna experiencia en tecnología digital o expertos en ciencia de datos puedan crear valor empresarial utilizando la ciencia de datos y el machine learning. Estas plataformas también sirven de apoyo a los científicos de datos expertos, ya que también ofrecen una interfaz más técnica. El uso de una plataforma DSML multipersona fomenta la colaboración en toda la empresa.

El cloud computing escala la ciencia de datos proporcionando acceso a más potencia de procesamiento, almacenamiento y otras herramientas necesarias para los proyectos de ciencia de datos.

Dado que la ciencia de datos suele aprovechar grandes conjuntos de datos, es muy importante disponer de herramientas que puedan adaptarse al tamaño de los datos, sobre todo en proyectos urgentes. Las soluciones de almacenamiento en la nube, como los data lakes, proporcionan acceso a infraestructuras de almacenamiento capaces de ingerir y procesar grandes volúmenes de datos con facilidad. Estos sistemas de almacenamiento proporcionan flexibilidad a los usuarios finales, permitiéndoles crear grandes clústeres según sus necesidades. También pueden añadir nodos de cálculo incrementales para acelerar los trabajos de proceso de datos, lo que permite a la empresa hacer concesiones a corto plazo para obtener un resultado mayor a largo plazo. Las plataformas en la nube suelen tener diferentes modelos de precios, como por uso o por suscripción, para satisfacer las necesidades de su usuario final, ya sea una gran empresa o una pequeña startup.

Las tecnologías de código abierto se utilizan ampliamente en los conjuntos de herramientas de la ciencia de datos. Cuando están alojados en la nube, los equipos no necesitan instalarlos, configurarlos, mantenerlos o actualizarlos localmente. Varios proveedores de servicios en la nube, como IBM Cloud, ofrecen también kits de herramientas preempaquetados que permiten a los científicos de datos crear modelos sin necesidad de codificar, lo que democratiza aún más el acceso a las innovaciones tecnológicas y a la información sobre datos. 

Las empresas pueden desbloquear numerosos beneficios de la ciencia de datos. Los casos de uso más comunes incluyen la optimización de procesos mediante la automatización inteligente y la mejora de la orientación y la personalización para mejorar la experiencia del cliente (CX). Sin embargo, hay ejemplos más concretos:

He aquí algunos casos de uso representativos de la ciencia de datos y la inteligencia artificial:

• Un banco internacional ofrece servicios de préstamo más rápidos con una aplicación móvil que utiliza modelos de riesgo crediticios basados en machine learning y una arquitectura de hybrid cloud computing que es potente y segura.
• Una empresa de electrónica está desarrollando sensores ultrapotentes impresos en 3D para guiar los vehículos sin conductor del futuro. La solución se basa en herramientas analíticas y de ciencia de datos para mejorar su capacidad de detección de objetos en tiempo real.
• Un proveedor de soluciones de automatización robótica de procesos (RPA) desarrolló una solución cognitiva de minería de procesos de negocio que reduce los tiempos de gestión de incidencias entre el 15 % y el 95 % para sus empresas clientes. La solución está capacitada para comprender el contenido y el sentimiento de los correos electrónicos de los clientes, dirigiendo a los equipos de servicio para que den prioridad a los más relevantes y urgentes.
• Una empresa de tecnología de medios digitales creó una plataforma de análisis de audiencias que permite a sus clientes ver qué atrae a los telespectadores cuando se les ofrece una gama cada vez mayor de canales digitales. La solución emplea análisis profundos y machine learning para obtener información en tiempo real sobre el comportamiento de los espectadores.
• Un departamento de policía urbano creó herramientas de análisis estadístico de incidentes para ayudar a los funcionarios a entender cuándo y dónde implementar recursos para evitar delitos. La solución basada en datos crea informes y paneles de control para aumentar el conocimiento de la situación por parte de los agentes sobre el terreno.
• Shanghai Changjiang Science and Technology Development utilizó la tecnología IBM watsonx para crear una plataforma de evaluación médica basada en IA que puede analizar los registros médicos existentes para categorizar a los pacientes en función del riesgo de sufrir un accidente cerebrovascular y que puede predecir la tasa de éxito de diferentes tratamientos.