En primer lugar, la Data Science de ciudadanos puede impulsar el valor empresarial y la madurez analítica de una organización. No obstante, como sucede en la mayoría de las situaciones, sus capacidades siguen siendo utilizadas sin aprovechar su máximo potencial.
A medida que el poder de la Data Science o ciencia de los datos proporciona a las organizaciones ventajas competitivas diferenciadoras. La demanda de talento aumenta. La oferta, por otro lado, sigue siendo carente para satisfacer esa demanda. Por ello, ha llevado a que la Data Science y el Machine Learning se abran a funciones no tradicionales. Tales como el científico de datos ciudadano.
¿Cómo es la Data Science de ciudadanos?
Según los especialistas, la Data Science de ciudadanos se trata de personas que crean o generan modelos que aprovechan la analítica predictiva o prescriptiva. Pero su función laboral principal está fuera del campo de la estadística y la analítica. De igual manera, estas funciones se promueven a menudo como soluciones sencillas. Las cuales pueden impulsar a las organizaciones hacia la inteligencia artificial (IA) y el Machine Learning de forma fácil y rentable.
Sin embargo, muy pocas organizaciones han logrado aprovechar las habilidades de los científicos de datos ciudadanos. La mayor lucha a la que se enfrentan las organizaciones es la falta de claridad de las responsabilidades de un científico de datos ciudadano. Afirman los analistas experimentados. Es así como dicha vaguedad crea hostilidades entre los roles de experto y ciudadano, impidiendo una colaboración y comunicación saludables.
Para que los científicos de datos ciudadanos tengan éxito, los llamados líderes de datos y análisis (D&A). Deben permitir, fomentar y promover el papel como un enfoque legítimo para producir análisis. Para ello, los líderes de datos y los analistas deben realizar diversas acciones concretas.
Construir un ecosistema de Data Science de ciudadanos
Para potenciar la Data Science de ciudadanos (CDS, Citizens Data Science, por sus siglas en inglés). Los líderes de datos y análisis necesitan un ecosistema completo. Debe incluir personas, herramientas, datos y procesos. Una suposición superficial de que los científicos de datos ciudadanos tienen los conocimientos y habilidades necesarios para acceder, transformar e investigar los datos. Todo ello para llevar a cabo análisis sólidos y avanzados es inútil.
Por ello, un programa de alfabetización de datos es imprescindible para que los científicos de datos ciudadanos puedan acceder, utilizar y dar sentido a los datos proporcionados. Igualmente, las funciones complementarias, como los traductores de negocios, los desarrolladores, los ingenieros de datos y los arquitectos de aprendizaje automático. Pueden ayudar a la Data Science de ciudadanos a cubrir las lagunas de conocimientos de las que carecen.
Además de una gran comunidad de analistas formada por varios roles complementarios. Deben establecerse procesos eficientes que permitan un flujo claro de creación y publicación de contenidos analíticos.
Añadir capacidades que permitan una analítica aumentada
Las organizaciones deben considerar la posibilidad de añadir progresivamente capacidades que amplíen las herramientas analíticas que ya se utilizan. Todo ello en vez de ocuparse en un enfoque enteramente explosivo o de “Big Bang”. Esto significa que los líderes de datos y los analistas deben proporcionar extensiones a las herramientas que existen hoy. Las cuales son utilizadas por los científicos de datos ciudadanos y no abrumarlos con herramientas completamente nuevas.
El primer paso es llevar a cabo un análisis holístico de las herramientas y capacidades existentes que utilizan estos científicos e identificar las lagunas. Un Máster en Data Science es un paso sólido para ello. De igual manera, las herramientas tienen que complementar las capacidades de la Data Science de ciudadanos, como la narración de datos y la preparación de los mismos. Así como también, la consulta directa mediante lenguaje natural y la operacionalización de los modelos de análisis, entre otros.