Usted y yo sabemos que el dato se ha convertido en el nuevo activo de la economía digital y su explotación inteligente es el reto de todo tipo de organizaciones. Proyectos reales en productivo hay muy pocos. Escasez de talento es una de las principales razones.
El pasado mes de mayo, la Universidad Nacional Autónoma de México (UNAM) difundió un boletín oficial en el que anunciaba la creación de la licenciatura en Ciencias de datos, dependiente del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS), con lo que se convierte en la única institución pública en ofrecerla a nivel centro y norte del país.
De acuerdo con el comunicado, la licenciatura en Ciencias de datos será de acceso indirecto. Podrán cursarla alumnos que acrediten los primeros cuatro semestres en carreras afines en la Universidad como Actuaría, Ciencias de la Computación, Ingeniería en Computación, Matemáticas Aplicadas y Computación.
El acceso al plan de estudios será a partir del quinto semestre para cubrir un total de ocho semestres durante los que estudiarán 24 asignaturas –20 obligatorias y cuatro optativas–, constituyendo un total de 186 créditos.
Si conoce algún joven que aún no se haya enterado de que ser un profesional en Ciencias de datos (y poseer habilidades de analítica y machine learning), le puede representar un sueldo inicial anual de unos $18,000 dólares, ¿qué espera para compartirle este artículo?
Se desconoce la demanda potencial de este tipo de profesionistas en México, pues la propia UNAM cita un estudio del Business Higher Education Forum y PWC con datos solo para Estados Unidos, donde en 2015 las ofertas de trabajo ascendían a 2.3 millones para gente con habilidades de analítica de datos.
También del vecino país del norte, un estudio de Indeed encontró que la demanda ha crecido en 334% de 2013 a la fecha, mientras que en términos de déficit de habilidades, big data y analítica son la número uno en la lista, de acuerdo con la encuesta Harvey Nash/KMPG CIO Survey 2019. Casi la mitad de los CIO encuestados dijeron que hay escasez de esas competencias en la fuerza laboral, además de un déficit en habilidades en inteligencia artificial (AI).
¿Cómo hacen analítica de datos entonces?
IDC estima que el mercado de AI y machine learning (ML) crecerá a la friolera de $57,600 millones de dólares para el 2020 a nivel mundial. Por su parte, un estudio de Univa reportó a finales de 2018 que 98% de los proyectos de ML estarían en producción para el 2020.
Entre las aplicaciones más populares de la analítica de datos y la AI está el análisis del consumo del cliente, la detección de fraudes y la predicción de pérdida de usuarios.
Sin embargo, algunos especialistas señalan que México no está muy avanzado en este terreno, a pesar del crecimiento del mercado IT en general, por lo que la demanda de profesionistas todavía no es tan importante como, digamos, en Brasil.
No es para alarmarse. Un nuevo reporte elaborado por Dimensional Research, encontró que ocho de cada 10 organizaciones estadounidenses que están embarcadas en proyectos de AI y ML se han estancado, y 96% de dichas compañías se han encontrado con problemas de calidad de los datos, el etiquetado requerido para entrenar AI y construir modelos confiables.
Organizaciones con más de 100,000 empleados son las que típicamente adoptan estrategias de AI, pero solo la mitad tienen una en marcha actualmente, según un documento publicado por MIT Sloan Management Review. El estudio reveló que AI es todavía una tendencia naciente en las empresas: 70% reportó que su inversión en AI/ML se hizo en los últimos 24 meses; poco más de la mitad de las organizaciones reportó que ha emprendido menos de cuatro proyectos del género; solo la mitad de los respondientes han liberado proyectos de AI/ML a producción.
¡Está difícil!
Armar un buen equipo de profesionales para tomar ventaja de la analítica de datos y AI no es tarea fácil. Más de la mitad de las organizaciones están construyendo sus propias plataformas de datos o están evaluando herramientas de ciencias de datos pre-configuradas. Además de estar a la caza de talento en este campo, los IT Masters tienen claro que deben planear inversiones en analítica y herramientas de automatización de AI.
Uno de los primeros problemas que enfrentan es la calidad de los datos y su dispersión a lo largo de divisiones independientes de la organización, bajo diferentes sistemas de categorización, gobernanza y liderazgo. Así que el primer reto de los CIO y sus equipos de científicos es obtener y accesar datos relevantes de distintas fuentes. Ya sea a mano o con sistemas de automatización, IT debe liderar el esfuerzo para que los datos estén listos para su análisis. Superar los riesgos de la privacidad, la seguridad y la integración del dato permitirá acelerar los proyectos de analítica.
En cuanto a la escasez de talento, no pretendo que espere cuatro años a los graduados de la UNAM. Existen ya varias maestrías en Ciencias de datos en universidades privadas del país. No es raro que, debido a la complejidad del reto, en Estados Unidos 88% de los graduados tienen una maestría y 46% un doctorado.
La forma de mitigar la falta de talento disponible es a través de las nuevas tecnologías para automatizar y acelerar los proyectos de ciencia de datos.
Una vez resuelto lo anterior, la siguiente recomendación es acelerar la prueba de las hipótesis generadas y su valor para el negocio. Es decir, generar múltiples iteraciones de prueba y error, con la cooperación de las unidades de negocio.
A propósito del negocio, la transparencia y la comunicación son fundamentales para generar confianza en proyectos de AI, mismos que requerirán de continuas revisiones y ajustes una vez entrados en producción.
Competir en la nueva economía de la inteligencia artificial requiere superar todos esos obstáculos. Usted ¿ya comenzó?
