El data scientist, uno de los perfiles profesionales más demandados en la actualidad por las grandes compañías y que, dado su alto grado de especialización y la novedosa disciplina que supone, brilla aún por su ausencia.

La mayoría de ellos aún están formándose en universidades o escuelas de negocios y los que ya trabajan como analistas de datos son mayoritariamente matemáticos, estadistas o informáticos, pero no suelen tener formación específica en el área de negocio que les incumbe.

Por eso, el New York Times ya la ha definido como “la profesión más sexy del siglo XXI” y quienes ahora mismo se están dedicando a esta disciplina, basada en generar valor a partir de los datos para una adecuada toma de decisiones en los negocios, se afanan por aunar, en su persona y en su currículum, conocimientos avanzados sobre analítica y negocios con la intención de ayudar a las compañías a crecer y ahorrar costes.

Según ha explicado el CEO de NBT, Borja Torres, durante un taller práctico sobre data science, celebrado este lunes junto con VASS, “la falta de este perfil profesional está ocasionando carencias importantes en todas las compañías”, ya que no tienen la capacidad de utilizar en su propio beneficio todos los datos que ya poseen de sus clientes.

La realidad es que, en los últimos 20 años, el número de datos que las personas generamos se ha multiplicado por miles de millones y, pese a que existe tecnología para tratarlos y procesarlos, “lo que falta son personas que sean capaces de sacar provecho de ellos”. Baste una cifra para advertir que esta tendencia no irá sino a más en las próximas décadas: en 2006 se cifraron en 0,16 zettabytes (1 zettabyte equivale a un trillón de gigabytes) los datos generados en todo el mundo y se prevé que en 2020 este volumen crezca exponencialmente hasta los 40 zettabytes.

La pregunta es entonces, ¿qué hacer con tantos datos y cómo usarlos? Torres lo tiene claro: predecir comportamientos de los clientes para que las compañías puedan crecer y, sobre todo, ahorrar costes.

Esto es especialmente útil para las empresas del sector bancario, asegurador y también para las Administraciones Públicas (AAPP), ya que si se saben convertir los datos en conocimiento y, de ahí, a información de valor, se tomarán decisiones estratégicas con una probabilidad de acierto cercana al 100%.

Por ejemplo, un banco tiene en su histórico cifras acerca de cuántos clientes tienen una hipoteca y cuántos han dejado de pagar la cuota mensual en alguna ocasión. Si esos datos se cruzan con la cuantía de la nómina, la contratación de otros productos bancarios y otros factores socio-económicos, se podrá hacer un listado de perfiles de clientes “gemelos” que podrían comportarse de manera similar en un futuro no muy lejano. Teniéndolos identificados, pues, se les puede ofrecer de forma proactiva por parte del banco algún tipo de servicio personalizado que evite estos impagos.

Las posibilidades, sin embargo, son infinitas. Si sabemos qué movimientos hace a diario un cliente y en qué tiendas compra, ¿por qué no llegar a acuerdos con esos comercios para ofrecerles promociones o descuentos en exclusiva al pagar con una determinada tarjeta?

En el sector de las aseguradoras pasa absolutamente lo mismo. Haciendo un buen análisis de los datos, se podrían prevenir fraudes en los siniestros o bajas laborales, predecir cancelaciones de productos y hasta saber qué nuevo servicio están demandando nuestros clientes.

Las AAPP también son grandes beneficiadas del auge del data science porque pueden conocer, entre otras muchas variables, qué perfil de estudiantes tiene más riesgo de fracaso escolar, cuántos contribuyentes han cometido errores en sus declaraciones de la renta y cómo pueden ayudarlos a prevenirlos, e incluso solventar crisis como las aglomeraciones de pacientes en hospitales en épocas de alta estacionalidad de gripe, al dimensionar bien los equipos de médicos.

El principal problema en el caso de las AAPP, como ha advertido Torres, es que algunos de los datos necesarios para hacer estos análisis y predicciones son de carácter privado y, por lo tanto, pueden entrar en conflicto con la Ley de Protección de Datos. Pese a ello, ya existe normativa europea al respecto y se está legislando para evitar los conflictos con medidas como la anonimización de las cuestiones que pueden ser más conflictivas, como la confesión religiosa o la sexualidad de cada individuo.