Cómo atraer talento para la ciencia de datos

Si bien muchas empresas están contratando científicos de datos y otro tipo de elementos dedicados a la analítica y la Inteligencia Artificial (IA), no hay un consenso definido al interior del ámbito empresarial sobre cuáles son las cualidades que requieren dichos elementos. El término científico de datos puede referirse a un puesto con gran énfasis en estadísticas, programación de código abierto o resolución de problemas con ejecutivos mediante el uso de datos y análisis. La idea de encontrar científicos de datos “unicornio”, quienes tengan desarrolladas todas estas habilidades, nunca fue muy realista.

A medida que esos puestos se han vuelto más populares y solicitados, un mayor número de profesionales ha comenzado a utilizarlo para describir sus funciones. Los colegios y universidades también han respondido a esta demanda, ofreciendo cientos de programas nuevos sobre ciencia de datos y analítica. Pero las habilidades que se enseñan en estos programas varían ampliamente y algunas universidades ofrecen múltiples programas con diferentes énfasis. Tanto para los empleados recién contratados como para los experimentados, es probable que descripciones como científico de datos y analista cuantitativo no sean un buen parámetro para medir sus capacidades reales.

Es cierto que existen iniciativas para estandarizar los diferentes roles del análisis de datos y las habilidades necesarias para cada empresa, aunque la mayoría se encuentra en etapas iniciales. La idea que da origen a estas iniciativas es excelente, pero el desarrollo de nuevos estándares suele tardar muchos años.

Mientras tanto, las compañías deben dedicar buena parte de su atención a clasificar y certificar los diferentes tipos de trabajos analíticos que tienen y necesitan; también se beneficiarían al extender sus bancos de talento, trabajando con universidades directamente en programas educativos, y construyendo y nutriendo comunidades al interior de las empresas para desarrollar las habilidades de los empleados y enfocarlas en mejorar los equipos de datos. Estos pasos son esenciales para los corporativos que buscan utilizar la analítica y desean mejorar tanto las operaciones como las oportunidades de innovación digital, como TD Bank Group.

Comprende los roles que requiere la analítica de datos

El talento de la IA y la analítica es un recurso escaso y valioso para cualquier empresa, pero sobre todo para aquellas que desean basar su estrategia en el manejo de datos. Precisamente eso ocurre con TD Bank Group, un gran banco norteamericano (el más grande por activos de Canadá). TD decidió utilizar sus grandes cantidades de datos con el fin de generar nuevas experiencias para sus clientes y mejorar sus procesos internos. Para hacerlo, implementó el análisis de datos y el uso de Inteligencia Artificial; y así, creó la necesidad de nutrir el talento que haría uso de tales herramientas en los distintos departamentos de la firma.

Los ejecutivos de TD realizaron una serie de inversiones internas fundamentales para evaluar, contratar y motivar al personal con talento. Peter Husar, vicepresidente de estrategia y planificación de analítica empresarial, me dijo que él y sus compañeros consideraron la oportunidad de extender el papel de la ciencia de datos, aportando primero coherencia a las definiciones de puestos y puestos relacionados con la analítica de datos que existían en todo el banco.

Husar y su equipo se enfocaron en comprender quién pertenecía a su comunidad de analítica para para brindar una imagen clara del panorama de talentos. Trabajaron rápidamente en crear grupos y clasificaciones de trabajos estándar; para ello, identificaron siete familias de puestos laborales (roles que se centran en análisis avanzados, administración de aplicaciones comerciales, administración de información, insights, inteligencia comercial y generación de informes, gobernanza de datos y visualización).

Dentro de cada familia de puestos laborales, se definieron en detalle plazas específicas: en total, 65 funciones diferentes en siete familias. Para cada rol, se describieron varias cualidades, entre ellas su función principal, sus responsabilidades clave, su amplitud y profundidad, y la experiencia y formación educativa necesarias para desempeñarlo. Se identificaron las cualidades a nivel individual y también a nivel gerencial; además, se les otorgó un nombre a las competencias adicionales en todas las clasificaciones, junto con las evaluaciones de dichas competencias y un proceso de autoevaluación.

Con este nuevo marco, los empleados de TD, especializados en este ámbito, fueron asignados a sus respectivas familias y puestos de trabajo específicos; inlcuso, TD tiene una oficina para el director de datos, quien supervisa la gestión de datos, la analítica y el uso de Inteligencia Artificial empresariales.

Aunque la mayoría no tienen la escala y el alcance del talento analítico de TD, muchas empresas medianas y grandes tienen algunos científicos de datos y analistas cuantitativos. Para que sus proyectos tengan éxito, es importante crear al menos una clasificación simple de sus capacidades. ¿Están orientados principalmente al análisis y modelado estadísticos, a la codificación de soluciones de TI o a la traducción de problemas comerciales en soluciones de análisis y datos? Los proyectos pueden requerir estas tres habilidades, pero es poco probable que las tenga una sola persona.

Consigue y retén nuevos talentos

Además de gestionar de forma más eficaz los datos y el talento analítico existentes, las empresas deberían realizar un esfuerzo concentrado en incorporar y retener empleados altamente cualificados.

En 2018, TD adquirió la empresa de IA, Layer 6, y nombró a uno de sus cofundadores, Tomi Poutanen, director de Inteligencia Artificial del banco. TD continúa transfiriendo las capacidades de Layer 6 al corporativo, como los programas de intercambio de información, por ejemplo.

El banco ha establecido relaciones sólidas con varias universidades canadienses, como la Escuela de Administración Rotman de la Universidad de Toronto, la Western University, la Queen’s University y la Escuela de Negocios Schulich de la Universidad de York. TD patrocina eventos en estas instituciones (maratones de programación y series de conferencias, entre otras). En Rotman, ha financiado tanto el Laboratorio de Manejo y Analítica de Datos como el Centro de Innovación Financiera Rotman en Analítica Avanzada para ayudar a fomentar el desarrollo de profesionales en este campo.

TD también trabaja en estrecha colaboración con los principales programas de investigación de IA en Canadá, incluidos los del Instituto Vector en Toronto, del cual TD fue patrocinador fundador, y Mila en Montreal, con el fin de apoyar asociaciones y establecer relaciones en la ciencia de datos.

Estos esfuerzos no han pasado desapercibidos. TD es considerado como uno de los empleadores más atractivos para el talento de analítica de datos por estudiantes canadienses: en una encuesta de amplio espectro realizada en Canadá, algunos estudiantes de ciencia de datos la clasificaron como una de las cuatro principales empresas para las que considerarían trabajar.

La mayoría de las compañías tendrá que recurrir a múltiples proveedores de talento para adquirir la gama de habilidades necesarias. Deben trabajar con las universidades y colegios que les brindan nuevos talentos para comprender mejor el enfoque de los programas de analítica y ciencia de datos de las escuelas. Asimismo, las empresas deberían embarcarse en la estandarización y clasificación de puestos para diseñar programas internos de educación y desarrollo de habilidades. Cuando una firma manifiesta claramente qué habilidades están asociadas con qué puestos, los empleados pueden decidir más fácilmente qué roles quieren y adquirir las habilidades para desempeñarlos.

Construye una comunidad dedicada a la analítica de datos

Los líderes de este ámbito en TD son conscientes de la necesidad de construir una comunidad y estrategias de intercambio de conocimientos entre los profesionales de la analítica en todo el corporativo. Eso incluye brindar oportunidades para que los empleados orientados al uso de datos escuchen y conecten con las tendencias en la industria. Hace cinco años, el banco celebró su primera cumbre anual de Big Data y Analítica, a la que asistieron 40 empleados. Para 2019, cuando se organizó la quinta cumbre anual (fui ponente pagado en este evento), el número de asistentes ascendió a más de 2,000 y los números siguen creciendo.

Otro aspecto clave de la comunidad es el voluntariado. En 2019, se creó una iniciativa llamada TD Mindpower: Analytics for Social Good (TD Mindpower: Analítica por el Bienestar Social) para vincular a los empleados con funciones de analítica de datos con proyectos de este rubro para organizaciones sin fines de lucro en Canadá y Estados Unidos. Como parte de la adquisición de Layer 6, TD también se comprometió a dedicar tiempo y talento para trabajar específicamente en proyectos de IA por el bien común.

El ejercicio inicial de mapear puestos en TD generó una visión más clara de cómo se podía mover al personal, mejorar sus habilidades y hacer crecer sus carreras. El equipo que encabezó el plan creó materiales educativos para ayudar a los empleados a desarrollar sus habilidades, y puso a disposición de toda la empresa dichos materiales en una plataforma en línea para el autoaprendizaje y el desarrollo personal.

El banco ahora está enfocado en fomentar la comprensión del potencial de la analítica de datos a todos los empleados de TD y también ha desarrollado planes de estudio para los profesionales que no cuentan con formación de ciencia de datos. El objetivo es integrar aún más la toma de decisiones, basada en datos en todos los aspectos del banco.

Según Husar, los datos, la analítica y la Inteligencia Artificial en TD han recorrido un largo camino en los últimos cinco años, y han ayudado a crear y ofrecer resultados tangibles para clientes y empleados. En particular, durante esta época sin precedentes, el banco ha demostrado su capacidad de equilibrio entre aprovechar el análisis de datos y movilizarse lo más rápido posible para atender las necesidades de sus clientes, creando formas nuevas e innovadoras de mantenerse conectados y responder preguntas.

Por ejemplo, TD ha utilizado datos de clientes para personalizar la comunicación con ellos. Los clientes que acudían a sucursales con frecuencia reciben mensajes personalizados sobre cambios en el horario de las sucursales bancarias, o bien quienes tenían más probabilidades de depositar cheques, recibieron mensajes sobre cómo realizar depósitos digitales.

Ya sea que las personas se llamen científicos de datos, analistas cuantitativos o cualquier otra variante, los títulos aún son relativamente nuevos para las empresas, no es sorprendente que haya poco consenso sobre su significado. Con el tiempo, surgirán nuevos títulos que describan mejor las actividades particulares de estos empleos: el ingeniero de datos surgió recientemente para englobar a las personas que pasan la mayor parte del tiempo discutiendo datos. Sin embargo, hasta que se alcance un mayor consenso en nuestra sociedad, es importante que las compañías actúen como TD Bank, e identifiquen claramente el tipo de talentos que se necesita para explotar al máximo la analítica de datos y luego contratarlos, nutrirlos e impulsarlos.

Acerca del autor

Thomas H. Davenport (@tdav) es el Profesor Distinguido del Presidente de Tecnología y Gestión de la Información en el Babson College, así como miembro de la Iniciativa MIT sobre Economía Digital, y asesor principal de la práctica de IA y analítica de Deloitte.

Escrito originalmente por Thomas H. Davenport y traducido para MIT Sloan Review México por Elvira Rosales Abundiz.