Convertirse en data scientist es un proceso que exige paciencia, curiosidad y una mentalidad de aprendizaje constante. Nasly Santos, profesional con experiencia en Colombia, Francia y Holanda, comparte su trayectoria y las lecciones que ha acumulado trabajando en múltiples industrias, fundando su propio emprendimiento y asesorando a profesionales latinoamericanos que buscan entrar al mundo de los datos.
¿Cómo se define el rol de data scientist frente a otros perfiles de datos?
Una de las primeras ideas que Nasly aclara es que data science es un área de conocimiento muy amplia, comparable con la ingeniería de software [02:52]. No existe un único momento en el que alguien se convierte en data scientist; es la acumulación de habilidades técnicas, comunicativas y de negocio lo que permite aportar valor real a los proyectos.
La definición que propone es directa: un data scientist trata de utilizar datos e información y volverlos útiles para resolver problemas [03:35]. Esto lo diferencia de otros roles como data analyst, enfocado más en análisis descriptivo y dashboards, o machine learning engineer, centrado en llevar modelos a producción.
¿Qué actividades ocupa el día a día de una data scientist?
El día a día varía según el proyecto [04:00]:
- Escribir código en Python para construir soluciones rápidas y obtener retroalimentación del cliente.
- Participar en reuniones con los interesados (stakeholders) para alinear si el trabajo responde a lo que la organización necesita.
- Dedicar al menos un par de horas a actualizar conocimientos: nuevas librerías, tutoriales o papers científicos sobre modelos matemáticos.
Esta combinación de programación, comunicación y formación continua define la rutina real del puesto.
¿Cuál es el mayor reto profesional en data science?
Nasly señala que uno de los retos más grandes es alinear las expectativas que las empresas tienen sobre la inteligencia artificial con lo que realmente se puede lograr [05:25]. Muchas organizaciones quieren decir en su página web que usan IA, pero las posibilidades reales dependen de un concepto fundamental: la madurez de datos.
La madurez de datos se refiere al nivel de infraestructura, calidad y disponibilidad de información que tiene una empresa [06:28]. Sin esa base, un proyecto de data science difícilmente tendrá resultados de alto impacto. Por eso, el primer paso ante cualquier proyecto nuevo es diagnosticar el estado de la empresa y determinar qué preguntas se pueden responder con los datos existentes.
¿Cómo se gestiona un proyecto de data science desde cero?
Antes de escribir una sola línea de código, Nasly aplica un proceso de alineación [06:50]:
- Identificar qué preguntas son realmente importantes y de alto impacto.
- Asegurar recursos: presupuesto, tiempo, personas, tecnología e infraestructura.
- Confirmar que todos los involucrados entienden las limitaciones y posibilidades.
Si un proyecto se inicia solo porque "parece bueno tenerlo" pero no resuelve un problema concreto, probablemente no será exitoso.
¿Por qué la comunicación es clave en equipos de datos?
Los equipos de data science suelen ser interdisciplinarios [07:30]. Economistas, ingenieros industriales, contadores y profesionales de distintas áreas convergen para resolver un mismo problema. Mantener una comunicación constante con el equipo y con el cliente resulta indispensable.
Nasly menciona que las metodologías ágiles son ideales para este tipo de proyectos [07:50]. Su formación en dirección de proyectos le permite balancear dos fuerzas que a menudo entran en tensión: ser teóricamente correctos y, al mismo tiempo, entregar valor y progreso lo más rápido posible.
¿Qué consejo es esencial para quienes quieren iniciar en data science?
El error más común que Nasly observa en profesionales que quieren hacer una transición de carrera es pensar que data science se aprende a corto plazo [09:00]. Elegir un camino —ya sea data analyst, machine learning o storytelling con visualización de datos— implica aceptar que no se puede aprender todo al mismo tiempo.
Su consejo principal es poner en práctica los conocimientos lo antes posible mediante un proyecto personal [09:50]. Un ejemplo sencillo:
- Registrar en qué se gasta el dinero del mercado cada mes.
- Hacer analítica descriptiva sobre esos datos.
- Buscar anomalías o incluso crear pronósticos de compras futuras.
Por simple que parezca, cuando aplicamos lo aprendido a algo que nos importa, toda la industria cobra sentido [10:20]. La clave está en escoger un rol, enfocarse y avanzar con constancia, sabiendo que el camino será retador pero también gratificante.
Si ya estás dando tus primeros pasos o estás considerando una transición hacia data science, comparte en los comentarios cuál es el proyecto personal que te gustaría construir para practicar tus habilidades.
