El rol de data scientist combina habilidades técnicas, comunicación y pensamiento de negocio para convertir datos en decisiones útiles. Si te interesa cambiar de carrera o entender qué hace realmente una persona en esta industria, acá encontrarás la perspectiva de Nasly Santos, data scientist con experiencia en Colombia, Francia y Holanda, y tech expert del programa Platzi Master.

¿Qué es Platzi Master y cómo conecta con data science?

Platzi Master es un programa especializado que conecta profesionales latinoamericanos con las necesidades del mercado tecnológico [2:00]. La idea es avanzar tus skills técnicos, mejorar tu nivel de inglés y ponerte frente a proyectos reales que demanda la industria.

Nasly llegó a data science desde la ingeniería de sistemas, en una época en la que el término ni siquiera existía como hoy lo conocemos. Hablábamos de minería de datos, y casi siempre asociada a maestrías o doctorados. Un intercambio en Francia durante su último año de carrera la acercó a estas materias, y al volver a Colombia tomó su primer rol como ingeniera de inteligencia de negocios en una agencia de mercadeo [3:30]. Ahí descubrió algo clave: economistas, contadores e ingenieros industriales también resolvían problemas con datos. No era un rol netamente técnico.

¿Qué hace una data scientist en su día a día?

El rol de data scientist no tiene un día típico. Depende del proyecto y de la madurez de la empresa.

Nasly describe tres tipos de jornadas frecuentes:

• Días de código en Python para construir soluciones rápidas y mostrarlas al cliente para iterar.
• Días de reuniones con stakeholders para alinear si la solución responde a lo que realmente le importa al negocio.
• Días de estudio, dedicando un par de horas a actualizar conocimientos: nuevas librerías, tutoriales o papers científicos sobre modelos matemáticos [5:50].

Esa última parte no es opcional. La industria cambia tan rápido que seguir aprendiendo es parte del trabajo, no algo extra.

¿Qué hace exactamente una data scientist? Convierte datos e información en algo útil para resolver problemas concretos del negocio, combinando código, estadística y comunicación con stakeholders.

¿En qué se diferencia data scientist de data analyst o machine learning engineer?

Data science es un área de conocimiento tan amplia como la ingeniería de software. Por eso cuesta tanto definir cuándo alguien puede llamarse data scientist [4:30].

Nasly ha pasado por roles de inteligencia de negocios, machine learning y research académico, y reconoce que tomó tiempo sentir que tenía los conocimientos suficientes para asumir el título. La diferencia entre roles está en el enfoque:

• Data analyst: se concentra en analítica descriptiva, dashboards y storytelling con datos.
• Machine learning engineer: construye y pone en producción modelos predictivos.
• Data scientist: integra ambos mundos para responder preguntas de negocio con datos.

No tienes que dominarlo todo. Tienes que elegir un camino.

¿Cómo se inicia un proyecto de data science en una empresa?

Cada proyecto depende de la madurez de datos de la empresa. Si no existe infraestructura para poner los datos disponibles y consumirlos, los resultados de alto impacto son muy difíciles de lograr [8:20].

El primer paso de Nasly es siempre diagnosticar:

1. Estado actual de los datos y la infraestructura.
2. Preguntas reales del negocio que se pueden responder.
3. Recursos disponibles: presupuesto, tiempo, personas, tecnología.

Muchos proyectos fallan porque alguien quiere poner inteligencia artificial en la página web sin tener la base de datos lista. Alinear esa expectativa desde el inicio evita meses de frustración.

¿Por qué fracasan los proyectos de data science? Casi siempre porque la empresa no tiene madurez de datos suficiente o porque no se definieron preguntas de alto impacto antes de arrancar.

¿Cómo se comunica una data scientist con su equipo y stakeholders?

Los equipos suelen ser interdisciplinarios, así que la comunicación constante es obligatoria. Nasly se apoya en su formación en dirección de proyectos y en metodologías ágiles para mantener al cliente involucrado solo cuando hay decisiones reales por tomar [10:30].

El reto está en balancear dos cosas:

• Ser teóricamente correctos con los modelos y el análisis.
• Entregar valor y progreso visible lo más rápido posible.

Ese equilibrio entre rigor y velocidad define gran parte del éxito del proyecto.

¿Cuál es el mayor reto al aprender data science y cómo superarlo?

El error más común que ve Nasly en estudiantes es pensar que data science se aprende a corto plazo [12:10]. La industria es demasiado grande para abarcarla completa, y eso puede sentirse abrumador.

Su consejo es claro: elige un camino (analista, machine learning, storytelling con dashboards) y acepta que no vas a aprender todo lo demás. Después, pon en práctica lo que ya sabes con un proyecto personal que te importe. Algunos ejemplos que sugiere:

• Analizar en qué gastas el dinero del mercado cada mes.
• Detectar anomalías en tus compras.
• Hacer pronósticos de qué productos vas a comprar los próximos meses.

Parece simple, pero cuando aplicas analítica descriptiva o predictiva a algo personal, los conceptos de la industria empiezan a tener sentido real.

¿Tú en qué camino de data science te quieres enfocar primero? Cuéntalo en los comentarios y comparte tu proyecto personal para practicar.