Profesionales de distintas áreas participaron del curso “Aplicaciones en Data Science & Business Analytics” organizado por la Unidad de Maestrías y Posgrados en Economía (UMPE) de la Universidad de Montevideo (UM). La actividad, que tuvo lugar entre el 20 y el 24 de agosto, estuvo a cargo de Miguel Canela, profesor asociado del Departamento de Análisis de Decisiones de IESE Business School y siguió el modelo de un curso del MBA de la Escuela de Negocios de la Universidad de Navarra, con sede en Barcelona.

Los objetivos de las clases fueron la comprensión de los principios básicos del lenguaje R (lenguaje aplicado en Data Science), conocimiento práctico en Data Wrangling y la aplicación de modelos simples de Machine Learning models. La Data Science ha tenido un impulso en los últimos años a causa del alcance de datos y de la tecnología necesaria para procesarlos.

Para el desarrollo del curso, el profesor de IESE Business School utilizó casos reales referidos a marketing directo de depósitos a plazo; demanda en Capital Bike share; segmentación de clientes en Banco Santander; detección de fraude con tarjetas de crédito; algoritmos de predicción de precios de venta a la vivienda; credit scoring; y análisis de la cotización de las criptomonedas.

¿Qué es el data science? Y ¿por qué es tan importante para las empresas?

Data science no es, hablando con propiedad, una "ciencia". Es una denominación, un poco vaga, de un lugar de trabajo. El data scientist contribuye a extraer valor de los datos que tiene la empresa y a captar datos externos, por ejemplo, de las redes sociales. Es el potencial de los datos lo que hace valioso al data scientist.

¿Cómo surgió su interés por el data science?

De forma poco espontánea. Yo daba clase de Estadística en IESE Business School y hace unos ocho años me pidieron que pusiera en marcha un curso de Business Intelligence. Al cabo de unos años, se convirtió en un curso de Data Science for Business y se hizo más específico. Desde entonces, he estado creando material para ese curso, parecido al que he dado en la Universidad de Montevideo, y siguiendo las tendencias en data science.

¿Cuáles son las técnicas y herramientas estadísticas más usadas actualmente aplicadas al análisis de datos para la mejora en la toma de decisiones empresariales?

Si nos centramos en las decisiones empresariales, no puede decirse que haya mucho nuevo, salvo herramientas de visualización que facilitan al directivo la comprensión de la situación. La mayor parte del trabajo del data scientist se concentra en el desarrollo de algoritmos que permiten mejorar procesos que antes se hacían de forma manual o subjetiva. Algunos ejemplos podrían ser la valoración de una vivienda que se pone en venta, o la recomendación a un cliente de que compre éste o aquel producto. En términos de decisiones empresariales, lo crucial es la decisión de los directivos de dotarse de herramientas que permitan usar el potencial de los datos. Eso es un elemento fundamental de lo que llamamos transformación digital.

¿Cuál es la mayor dificultad o desafío a la hora de trabajar con datos?

Para mí, las principales dificultades no vienen del aprendizaje de las técnicas, sino en su aplicación efectiva. Por un lado, los datos están "sucios": hay errores, faltan valores y la organización no es la adecuada para la explotación. Por otro lado, en muchas ocasiones no es obvio lo que se puede hacer con los datos. Hay que aportar creatividad y ser perseverante.

¿Qué importancia deberían otorgarle las universidades al estudio de aplicaciones en data science?

Deben darle la importancia que esas aplicaciones tengan en cada campo. No soy un entusiasta de los estudios de grado especializados en data science. Creo que lo importante es la exposición de los estudiantes al contacto continuo con datos reales. Para eso no hace falta crear nuevos grados ni hacer grandes cambios en las líneas generales con que se han diseñado los grados tradicionales. Lo que hay que hacer es enseñar de forma diferente. En algunos grados, especialmente en los que tengan relación con la empresa, sería bueno ofrecer cursos optativos de data science.

¿Cuál es la situación futura del data science? ¿Cómo avanzará?

Creo que asistiremos a una difusión rápida de los métodos de data science a todos los niveles, tanto en la empresa como en la administración pública. Aunque las técnicas no van a cambiar mucho (de hecho, la mayoría de ellas están en los libros desde hace ya unos cuantos años), habrá un crecimiento en la variedad de aplicaciones, conforme vaya habiendo más conciencia del potencial de los datos.