Científico de datos · Encuentra patrones y construye modelos predictivos a partir de datos: un título laboral de 2008 asentado sobre tres siglos de contar, contrastar y visualizar evidencia.
La imagen popular de un científico de datos construyendo modelos predictivos ingeniosos es real pero incompleta. Las encuestas a profesionales y los relatos de primera mano describen de forma consistente un trabajo en el que encontrar, limpiar y reestructurar datos desordenados consume más horas que el paso de modelado que la mayoría imagina.
El oficio que se transmite dentro del campo tiene menos que ver con memorizar un algoritmo concreto y más con un escepticismo disciplinado: mirar los datos antes de confiar en cualquier modelo de ellos, comprobar si un patrón se sostiene dentro de subgrupos, y saber cuándo la respuesta honesta a la pregunta de un interlocutor es que los datos no pueden respaldar una.
Contraste de hipótesis, regresión y entender qué afirma realmente un p-valor o un intervalo de confianza: la base inferencial sobre la que se asienta todo lo demás del trabajo.
Escribir código lo bastante fluido como para sacar, limpiar y transformar datos a escala, no solo prototipar un análisis en un cuaderno que no tiene que volver a ejecutarse.
Convertir datos reales, desordenados e inconsistentes —valores faltantes, registros duplicados, formatos que no coinciden— en algo que un modelo o un gráfico pueda usar de verdad.
Elegir, entrenar y validar un modelo adecuado al problema, y saber cuándo una regresión simple gana a una red neuronal elaborada.
Traducir un resultado estadístico a un gráfico, un memorándum o una recomendación sobre la que un ejecutivo no técnico pueda actuar, sin simplificar en exceso ni enterrar la incertidumbre real.
Entender qué significa realmente una métrica dentro de un negocio o campo científico concreto, para que un análisis responda a la pregunta que se hizo de verdad.
Revisar las ejecuciones nocturnas de pipelines y los paneles de métricas clave, y una breve sincronización con el equipo sobre las prioridades del día.
Escribir consultas SQL contra un almacén de datos, unir y reestructurar tablas, y tratar valores faltantes o inconsistentes: a menudo el bloque más grande de un día de trabajo.
Una pausa genuina, y a menudo un entorno informal donde los problemas entre equipos se plantean antes de llegar a una reunión programada.
Construir o refinar un modelo estadístico, ejecutar la prueba de significación de un experimento, o indagar por qué se movió una métrica.
Presentar hallazgos a un equipo de producto o de negocio, revisar los resultados de una prueba A/B, o defender los supuestos de un análisis bajo cuestionamiento.
Tiempo personal, excepto en torno a un lanzamiento de producto o una revisión trimestral de negocio, cuando las tardes pueden absorber peticiones de análisis de última hora.
Conocimiento de oficio que se transmite de verdad — no motivación vacía.
Traza las distribuciones en bruto, los diagramas de dispersión y los resúmenes simples antes de ajustar nada: un hábito que detecta datos rotos, errores de unidades y valores atípicos que un modelo absorbería y ocultaría en silencio.
Una tendencia agregada puede invertirse por completo una vez que los datos se dividen por una categoría relevante: un patrón conocido como la paradoja de Simpson, nombrada por un artículo de 1951 del estadístico Edward H. Simpson.
Comprobar repetidamente el rendimiento contra los mismos datos retenidos y luego ajustar el modelo filtra en silencio información de esos datos hacia el modelo: tocarlo solo una vez es lo que mantiene honesto un resultado final.
Los proyectos reales se acercan de forma consistente a un 80% de preparación de datos y un 20% de modelado más que al revés: planificar un calendario en torno al supuesto contrario es una forma habitual de que los proyectos se retrasen.
Una línea base —a veces solo una regla o un modelo lineal— aclara cuánto añade realmente un modelo más complejo, y a menudo es lo bastante buena para entregarse por sí sola.
Una correlación sorprendente es más a menudo un artefacto de una tercera variable oculta que un descubrimiento genuino: busca activamente qué más podría explicarla antes de presentar un resultado.
El lenguaje dominante para la manipulación de datos y el aprendizaje automático clásico, con pandas para datos tabulares y scikit-learn para algoritmos de modelado estándar.
El lenguaje de consulta para sacar datos de los almacenes de datos relacionales y en la nube —Snowflake, BigQuery, Redshift— donde viven realmente los datos de la mayoría de las empresas.
El entorno interactivo estándar para el análisis exploratorio, que permite a un científico de datos ejecutar código, ver un gráfico y tomar notas en el mismo documento.
Herramientas de paneles de inteligencia de negocio usadas para convertir un análisis terminado en algo que un interlocutor no técnico pueda explorar y monitorizar sin escribir código.
Control de versiones para el código y, cada vez más, para los modelos, junto a la infraestructura en la nube que almacena datos y ejecuta trabajos de entrenamiento a una escala que un portátil no puede manejar.
Ejecutar muchas comparaciones estadísticas e informar solo de la que cruza un umbral de significación produce falsos descubrimientos que no se replicarán: un modo de fallo bien documentado conocido como p-hacking.
Incluir accidentalmente una característica que codifica el resultado que se predice produce resultados offline irrealmente fuertes que se derrumban cuando el modelo corre sobre datos de producción genuinamente no vistos.
Un modelo de aprendizaje automático cuidadosamente afinado que resuelve un problema que una consulta SQL simple o una fórmula de hoja de cálculo habrían respondido igual de bien malgasta esfuerzo y puede perder la pregunta de negocio real.
Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.
El guardián de los libros: heredero de un oficio tan antiguo que inventó la propia escritura, negociando ahora con el software construido para automatizarlo.
Resistente a la IA 35 🗺️Decide qué debe construir la empresa a continuación, y por qué, convirtiendo necesidades de clientes, objetivos de negocio y límites técnicos en un plan compartido que nadie más termina de poseer del todo.
Resistente a la IA 50 💻Escribe, prueba y mantiene el código que sostiene la vida moderna — y es una de las primeras profesiones que ve cómo la IA automatiza su propio trabajo diario.
Resistente a la IA 35 📣El profesional que crea la demanda — de las paredes pintadas de Pompeya y el memorando del "brand man" de P&G de 1931 a los feeds gobernados por subastas de la era digital.
Resistente a la IA 38 🦾Diseña las máquinas que perciben, deciden y actúan en el mundo físico, donde el problema difícil nunca fue la inteligencia sino el mundo mismo.
Resistente a la IA 65 💊El experto en medicamentos detrás de cada receta — desde las primeras tiendas de fármacos de Bagdad y el mortero del boticario hasta la morfina, la artemisinina y la farmacia moderna.
Resistente a la IA 58Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.
Resistente a la IA 65 🧬El científico que estudia la vida misma, desde Linneo nombrando especies a mano hasta editar genomas con CRISPR, aún contrastando cada idea con un organismo vivo.
Resistente a la IA 64 🧪El científico que fabrica y mide la materia misma — del alambique de perfume de Tapputi en Babilonia a los laboratorios robotizados de hoy, sigue siendo quien decide qué significa el espectro.
Resistente a la IA 70 🔭El científico que mide el universo, desde las tablillas de arcilla babilónicas hasta los telescopios espaciales, aún decidiendo qué parpadeo en los datos es un descubrimiento.
Resistente a la IA 70 🧮De los escribas babilonios a los medallistas Fields y la demostración asistida por IA: la profesión que convierte preguntas difíciles en certeza permanente, teorema a teorema.
Resistente a la IA 70