Perfiles

Perfiles

1. Perfiles existentes

   • Teniendo en cuenta la problemática anterior, se han creado en los ultimos años perfiles para suplir esta necesidad. Estos cumplen con habilidades y competencias (cuadro 1) para suplir cargos que demandan profesionales con las siguientes características: Manejo de herramientas de Big Data para procesar información, manejo de lenguajes de programación, dominio de bases de datos relacionales y no relacionales, uso de herramientas de visualización, habilidades en analítica, uso de herramientas de Machine Learning
   • Chief Data Officer (CDO)
     • Es un miembro de la dirección ejecutiva que se encarga de liderar  la gestión de datos y analítica asociada con el negocio, por lo tanto es el responsable de los diferentes equipos que están especializados en datos en la empresa
   • Data Scientist(científico de los datos)
     • Interpreta grandes volúmenes de datos para transformarlos en información útil para la empresa. Se caracteriza por tener habilidades en matemáticas,  estadística, programación ser creativo y tener habilidades comunicativas que le permitan exponer los resultados de su trabajo para ayudar a la empresa en su toma de decisiones.(Ingeniero del futuro) 
   • Business Data Analyst(analista de datos)
     • Es el responsable de mantener la calidad, disponibilidad y seguridad de los datos.Posee conocimientos en los procesos del negocio e identifica cómo son usados dentro de la empresa
   • Estadístico
     • Es un experto en Business Analytics y tiene delegada la tarea de mostrar de manera sencilla (gráficos, infografías y herramientas visuales), los resultados del análisis de los datos para comprender grandes volúmenes de información
   • Administrador de bases de datos
     • Sus funciones se centran en obtener,analizar e interpretar datos cualitativos y cuantitativos usando los métodos estadísticos existentes (e.g., medias, histogramas, desviaciones, regresiones,test-X, test-Z)
   • Data Engineer
     • En palabras de Gartner ”El citizen Data Scientist es una persona que crea o genera modelos que aprovechan el análisis predictivo o prescriptivo, pero cuya principal función de trabajo se encuentra fuera del ámbito de la estadística y análisis"
   • Citizen Data Scientist
     • En palabras de Gartner ”El citizen Data Scientist es una persona que crea o genera modelos que aprovechan el análisis predictivo o prescriptivo, pero cuya principal función de trabajo se encuentra fuera del ámbito de la estadística y análisis"
   • Administrador de datos
     • Es el responsable de entregar al científico de datos los datos que requiere. Tiene gran conocimiento en bases de datos, arquitecturas de cluster, lenguajes de programación y sistemas de procesamiento de datos
   • Data Artist
     • Participa en el análisis de los datos con el fin de recolectar las necesidades del cliente para sustentarlas de manera clara al científico de datos
   • Estrella de Bloom
     • Está compuesta por cinco ejes, que corresponden a los dominios de conocimiento involucrados en los proyectos de Big Data y Data Analytics: negocio, TI, analítica, administración de proyectos y habilidades transversales. Cada uno de los ejes distingue los 6 niveles de conocimiento de la taxonomía de Bloom (3.3), mediante una escala de colores: el nivel central corresponde a ’Conocer’ y el nivel externo corresponde a ’Evaluar’. Con la definición en cada eje de un nivel de conocimiento se conforma un polígono de cinco lados que representa un perfil de conocimientos y habilidades en el área de Big Data y Data Analytics. Este puede ser el perfil deseado de una persona o el perfil necesario para el desarrollo de un proyecto o el perfil de un curso en el área de Big Data y Data Analytics.

2. Metodología de ASUM de IBM

   • La metodología ASUM-DM de IBM, la cual se encuentra establecida con base en la metodología CRISP DM, aun si tiene algunas similitudes con metodologías reconocidas para realizar proyectos de minería de datos, enfatiza varias de las nuevas prácticas en la ciencia de datos como el uso de volúmenes de datos muy grandes, la incorporación de análisis de texto en el modelado predictivo y la automatización de algunos procesos.
   • Comprensión del Negocio
     •  Esta primera etapa establece las bases para abordar de forma exitosa el proyecto ya que se orienta al entendimiento de un negocio, con el fin de definir proyectos y soluciones alienados con las estrategias de las organizaciones. 
   • Enfoque Analítico
     • Esta etapa implica expresar el problema en el contexto de las técnicas estadísticas y de aprendizaje automático, para que la organización pueda identificar y seleccionar las más adecuadas para el proyecto. 
   • Requisitos de los datos
     • La elección del enfoque analítico determina los requisitos de los datos, ya que los métodos analíticos que se utilizan requieren un contenido de datos, formatos y representaciones particulares, guiados por el conocimiento del dominio.
   • Recolección de los datos
     • El científico de datos identifica y reúne los recursos de datos necesarios, relevantes para el dominio del problema. Al encontrar brechas en la recopilación de datos, el científico de datos podría necesitar revisar los requisitos de datos y recopilar más información.
   • Entendimiento de los datos
     • Técnicas de visualización o estadística pueden ayudar a un científico de datos a comprender el contenido de los datos, evaluar su calidad y tener hallazgos iniciales de interes para el proyecto.
   • Preparación de los datos
     • La etapa de preparación de datos comprende aquellas actividades para construir el conjunto de datos que se utilizará en la etapa de modelado. Estos incluyen la limpieza de datos y otras técnicas de análisis de datos para satisfacer la necesidad de tener un conjunto robusto para la construcción de modelos apropiados para abordar el problema.
   • Modelamiento
     • A partir de la primera versión del conjunto de datos preparado, la etapa de modelado se centra en el desarrollo de modelos predictivos de acuerdo con el enfoque analítico previamente definido. Con modelos predictivos, los científicos utilizan un conjunto de formación (datos históricos en los que se conoce el resultado del interés) para construir el modelo. Esta etapa suele ser iterativa, lo que lleva a refinamientos en la preparación de los datos y la especificación del modelo. 
   • Evaluación
     • El científico de datos evalúa el modelo para entender su calidad y asegurarse de que aborda adecuada y completamente el problema del negocio. La evaluación del modelo implica el cálculo de diversas medidas de diagnóstico.
   • Despliegue
     •  Después de que se ha desarrollado un modelo con resultados satisfactorios en su evaluación, se despliega en el entorno de producción o en un entorno de prueba comparable. 
   • Retroalimentación
     • Al recolectar los resultados del modelo implementado, la organización obtiene retroalimentación sobre el rendimiento del modelo y observa cómo afecta su entorno de despliegue. 

3. Taxonomía de Bloom

   • En el contexto de la definición de un perfil, es necesario definir un esquema de valoración de conocimiento que se adquiere o requiere en procesos de formación y transferencia. Para esto, se propone utilizar la taxonomía de Bloom, definida en el contexto de aprendizaje de las personas. Esta taxonomía es jerárquica y se evidencian diferentes niveles de conocimiento.
   • Conocer
     • Se refiere a la capacidad de recordar hechos específicos y universales, métodos y procesos, esquemas, estructuras o marcos de referencia. 
   • Comprender
     • Es la capacidad de comprender qué se le está comunicando. Es decir, se trata del entendimiento demostrativo de hechos e ideas por medio de la organización, la comparación, la interpretación, las descripciones, entre otros
   • Aplicar
     • Se refiere al uso del conocimiento nuevo. Es decir que este se basa en la resolución de problemas en nuevas situaciones aplicando el conocimiento adquirido, hechos, técnicas y reglas en un modo diferente.
   • Analizar
     • Consiste en descomponer un problema, planear, proponer nuevas maneras de ejecutar y/o hacer, aplicando sus conocimientos. Examina y divide la información en partes identificando motivos o causas.
   • Crear
     • Es el proceso de trabajar con partes, elementos y organizarlos u ordenarlos para formar un todo claro. Compila la información de manera diferente combinando elementos en un nuevo patrón o proponiendo soluciones alternativas. 
   • Evaluar
     • Se refiere a la capacidad para evaluar, a través de los procesos de análisis y síntesis. Presenta y defiende opiniones haciendo juicios sobre la información, la validez de las ideas o la calidad del trabajo sobre la base de un conjunto de criterios.

4. Perfil Big data y Data Analytics

   • Esta propuesta tiene tres partes importantes. La primera de ellas corresponde a las bases del marco conceptual para definir perfiles. La segunda es una formulación matemática, que permite expresar el marco de referencia en términos de los conocimientos y habilidades necesarios para desarrollar un proyecto de BD y DA y la tercera, corresponde a la definición de perfiles específicos para la formación de profesionales en los temas de Big Data y Data analytics. La propuesta se creó basada en la idea de definir cualidades del equipo de trabajo en términos de diferentes dominios (e.g., negocio, tecnologías de información), propuestos en el BICC de Gartner. En particular, los dominios propuestos involucrados en este estilo de proyecto de Big Data y Data analytics son: negocio, tecnologías de información (TI), analítica, administración de proyectos y habilidades transversales. Estos dominios permiten expresar un perfil completo y se describen a continuación.
   • Negocio
     • Definición y comprensión de la temática específica del proyecto, que está definida por las necesidades y reglas del negocio.
   • TI
     • Administración de la tecnología de TI, despliegue de la solución y manejo del ciclo de vida de los datos, al igual que temas transversales de los mismos
   • Analítica
     • Selección y análisis de los datos de forma apropiada, al igual que selección y construcción de los modelos adecuados para la solución. 
   • Administración de proyectos
     • Gestión del proyecto, al igual que la gestión del equipo de trabajo colaborativo. 
   • Habilidades transversales
     • Conjunto de habilidades que apoyan el desarrollo efectivo de un proyecto de BD&DA. 

5. Caracteristicas

   • Liderazgo
   • Pensamiento del sistema
   • Analista de negocios
   • Innovación
   • Solucion de un problema
   • Comunicación escrita
   • Toma de decisiones
   • Comunicación oral
   • Trabajo en equipo