Clave de contenido del artículo

Prioridades en la demanda del sector Big Data según publica en varias entrevistas el MIT

Conclusiones

En un mercado laboral tan competitivo como el actual, es importante que los que buscan empleo en Big Data tengan una idea clara de lo que las empresas buscan.

Un informe del Boston Consulting Group sitúa a España como el octavo país "más atractivo" del mundo para el traslado de trabajadores tecnológicos, por detrás de Francia y Suiza. Esto lo facilita la alta calidad de vida en España y nuestra cultura.

Asimismo, en España, el 70% de los trabajadores tecnológicos son hombres, y sólo el 30% mujeres. Algunas instituciones, como la Universidad de Granada, están desarrollando iniciativas para eliminar esta brecha, pero todavía hay que trabajar mucho para lograr un equilibrio.

Prioridades en la demanda del sector Big Data según publica en varias entrevistas el MIT

Jonathan Lowe, Jefe de Ciencia de Datos en Pfizer

Jonathan Lowe aclara que a veces hacemos excepciones y contratamos sin tener todas las habilidades, y nos fijamos en la experiencia en el negocio, "Si alguien dice: 'He trabajado en un laboratorio de calidad durante la mitad de mi carrera y ahora, durante los últimos años, he estado aprendiendo más ciencia de datos', nosotros engulliremos a esas personas".

Yichen Sun, Directora de Ciencia de Datos en Netflix

Por otro lado, según Yichen Sun, "necesitamos a alguien que tenga principios y sea práctico a la vez, que haga las concesiones adecuadas y que sea capaz de articular el 'por qué' de esas decisiones técnicas".

Cerrar la brecha entre el negocio y los datos de una empresa son las principales prioridades, haciendo hincapié en la importancia de traducir con precisión la información obtenida de los datos en estrategias empresariales viables.

Por ello, las funciones actuales centradas en los datos también requieren curiosidad, lo que contribuye a una mentalidad innovadora y orientada a la resolución de problemas. Aunque un experto en datos con una solución en busca de un problema no es algo que rompa el trato, Sun dijo que intentará entrenar a la persona para que entienda que su solución puede ser la aplicación correcta para un problema, pero que puede haber una forma "aún más elegante o incluso más simple de hacerlo".

En relación con esto, Sun también busca a "alguien que sea más reflexivo, que sea capaz de recibir esta retroalimentación de una manera muy productiva y ser adaptable en términos de qué enfoque utiliza."

Nadine Kawkabani, Global Business Strategy Director en  MFS Investment Management

Por último, Nadine Kawkabani declara que la necesidad de competencias interpersonales son ejemplos de cómo han cambiado los puestos de trabajo relacionados con los datos y el análisis, y la cultura asociada. Ya no se trata de trabajar con datos; se trata de garantizar que los datos tengan sentido y que las personas que los manejan entiendan también cómo influyen en la estrategia de la empresa.

"Todos dependemos de todos", afirma Kawkabani. "Puedo plantear la mejor estrategia, pero si no tengo buenos datos, buenos gráficos, datos precisos y datos oportunos e interpretables, no significan nada".

Conclusiones

Tras estas opiniones podemos entonces concluir que en un mercado laboral tan competitivo como el actual, las empresas buscan a los mejores y para ello no solo hay que ser “excelente” en datos, hay que ser también excelente en:

• Flexibilidad y Adaptabilidad
• Resolución de problemas complejos
• Responsabilidad y Corresponsabilidad
• Gestión del tiempo
• Tolerancia a la presión
• Conocimientos específicos del sector, del negocio, de la competencia
• Trabajo en equipo
• Humanidad
• Sentido del humor

Cualquier empresario buscará a la persona que genere mayor valor añadido a su negocio, que aumente la calidad de lo que hace o que sea capaz de ir más allá de lo esperado… esto es escalable a cualquier sector y a cualquier área, no solo a las relacionadas con los datos. Esto nos lleva a que debemos ser los mejores a nivel técnico y a nivel competencial

Por otro lado, un informe del Boston Consulting Group sitúa a España como el octavo país "más atractivo" del mundo para el traslado de trabajadores tecnológicos, por detrás de Francia y Suiza. Claramente, la alta calidad de vida en España y nuestra cultura facilitan esta posición.

Desafortunadamente sigue existiendo diferencia de género en España, ya que como se ha explicado anteriormente, el 70% de los trabajadores tecnológicos son hombres. Sólo el 30% son mujeres.

Según IESE, a pesar de las elevadas tasas de desempleo juvenil en España, el 75% de las empresas encuestadas afirma estar encontrando importantes dificultades para contratar talento con las competencias adecuadas para cubrir sus necesidades.

Además, el 76% de las empresas señalan una brecha de competencias entre lo que necesitan sus organizaciones y la formación ofrecida por el sistema universitario. Al mismo tiempo, el 79% de las empresas señalan una brecha de competencias en los candidatos con formación profesional.

En las grandes empresas encuestadas se espera que el teletrabajo represente casi el 40% de las horas de trabajo en 2025. Frente a esto, las habilidades de liderazgo de los directivos cobrarán mayor relevancia (según el 88% de las empresas). El resto de la plantilla deberá mostrar más capacidad de aprendizaje y de trabajo en equipo (según el 60% y el 59% de las empresas, respectivamente), entre otras habilidades.

Finalmente, ya que hablamos de la empleabilidad hablemos también de los salarios tomando varias fuentes:

• Un Científico de Datos, según Word salaries.com, puede ganar entre 23.000 y 79.000 euros. Alcanza este salario con el Máster Experto en Data Science y Big Data.
• Según Economic Research Institute, un ingeniero de datos oscila entre 41.000 y 72.500 euros, mientras que un arquitecto de datos entre 36.000 y 56.000 euros (Glassdoor) . Infórmate de nuestro Máster Experto Big Data Architecture & Engineering.
• Data Center Market cuenta que un analista de datos entre 50.000 y 80.000 euros. Comienza tu camino en el análisis de datos con el Curso GRATUITO de Power BI de la mano de IBM SkillsBuild y datahack.

Clave de contenido del artículo

Almacén de datos empresariales

Casos de uso de BigQuery

¿Qué es BigQuery?

Aprendizaje Automático usando BigQuery

Visualización de Datos

¿Cómo usar BigQuery?

Tres maneras de uso

Seguridad de datos en BigQuery

¿Cuánto cuesta usar BigQuery?

Beneficios

Almacén de datos empresariales 

Las organizaciones confían en los almacenes de datos para agregar datos de fuentes dispares,  procesarlos y ponerlos a disposición para el análisis de datos que respalde su toma de decisiones  estratégicas. 

Casos de uso de BigQuery

Puede insertar datos en BigQuery mediante la carga por lotes o la transmisión de datos directamente para brindar información en tiempo real.

¿Qué es BigQuery? 

Como almacén de datos totalmente administrado, Google se encarga de la infraestructura  para que pueda concentrarse en analizar sus datos hasta una escala de petabytes. 

Almacén de datos completamente administrado

ESCALA PETABYTE

Como almacén de datos totalmente administrado, Google se encarga de la infraestructura para que pueda concentrarse en analizar sus datos hasta una escala de petabytes. 

Si desea crear modelos de aprendizaje automático con los datos de su empresa, puede hacerlo  con BigQuery ML. Con solo unas pocas líneas de SQL, puede entrenar y ejecutar modelos en sus datos de BigQuery sin necesidad de moverlos.

Aprendizaje Automático usando BigQuery

Cuando llega el momento de visualizar sus datos, BigQuery se integra con Looker, así como con  varias otras herramientas de inteligencia comercial en su ecosistema de socios.

Visualización de Datos

Ahora, ¿cómo usar BigQuery? Afortunadamente, es sencillo comenzar a utilizar BigQuery. 

Después de crear un proyecto de GCP, puede comenzar de inmediato a consultar conjuntos de  datos públicos, que Google Cloud aloja y pone a disposición de todos los usuarios de BigQuery,  o puede cargar sus propios datos en BigQuery para analizarlos.

¿Cómo usar BigQuery?

La interacción con BigQuery para cargar datos, ejecutar consultas o incluso crear modelos ML se puede hacer de tres maneras diferentes: 

Tres maneras de uso

BigQuery está integrado con el servicio de administración de acceso e identidad de Google Cloud para que pueda compartir de forma segura sus datos y conocimientos analíticos en toda la organización.

Seguridad de datos en BigQuery

¿Cuánto cuesta usar BigQuery?

Con BigQuery, paga por almacenar y consultar datos y transmitir inserciones. La carga y exportación de datos son gratuitas.

El coste de almacenamiento se basa en la cantidad de datos almacenados y tiene dos tarifas según la frecuencia con la que cambian los datos.

El coste de la consulta puede ser bajo demanda, lo que significa que se le cobra por consulta,  por la cantidad de datos procesados, o puede ser fijo para los clientes que desean comprar recursos dedicados.

Beneficios

Las bases de datos son almacenes que nos permiten guardar grandes cantidades de información de forma organizada. Suelen contener datos relacionados con diversas temáticas y categorizados, aunque comparten entre sí algún tipo de vínculo. La mayoría de las bases de datos están en formato digital y ofrecen un gran abanico de soluciones al almacenamiento de datos.

Existe software denominado SGBD (Database Management System – DBMS en inglés), que permiten el almacenamiento y recuperación de datos de forma rápida y estructurada. En este artículo veremos la tipología de las bases de datos de menor a mayor grado de complejidad.

Bases de datos relacionales

Es el modelo más utilizado para representar problemas y para administrar datos de forma dinámica. Se basa en el uso de “relaciones”. Se compone principalmente de tablas que están formadas por registros y campos (Comparando con Excel, serían hojas formadas por filas y columnas). Las tablas se relacionan entre sí por los campos comunes (productos, servicios, etc.). La información puede ser recuperada mediante “consultas” que permiten administrar con gran flexibilidad la información.

Lo más habitual es que estas consultas se construyan mediante un lenguaje SQL, Structured Query Language (Lenguaje Estructurado de Consultas), un estándar implementado por los principales sistemas de gestión de base de datos. Para su diseño, estas bases de datos experimentan un proceso denominado “normalización de una base de datos”, que garantiza la coherencia entre los datos.

Bases de datos multidimensionales

Funcionan mediante cubos OLAP (On Line Analytical Processing), están pensadas para el desarrollo de aplicaciones muy concretas. Organizan su análisis de datos mediante dimensiones. No poseen demasiadas diferencias con las anteriores, salvo en un nivel conceptual. En la base de datos multidimensionale los atributos de una tabla pueden ser de dos clases. Pueden representar dimensiones de una tabla o métricas de consulta. Su destino suele ser el área de Business Intelligence de las empresas y su uso para la creación de cuadros de mando.

Bases de datos documentales

Permiten la realización de búsquedas más potentes y la indexación a texto completo, lo que las capacita para almacenar grandes cantidades de información de antecedentes históricos.

Bases de datos jerárquicas

La organización de los datos se realiza en forma de árbol invertido, en la que un nodo padre de información puede tener varios hijos. El nodo sin ascendencia se denomina raíz, mientras que los nodos sin descendencia son conocidos como hojas. Este tipo de base de datos es muy utilizado en aplicaciones que trabajan con una gran cantidad de información y datos muy compartidos, pues permiten crear estructuras estables de enorme rendimiento. Sin embargo, su incapacidad para representar correctamente la redundancia de datos limita su efectividad.

Bases de datos deductivas

Las bases de datos deductivas permiten, como su nombre indica, inferir deducciones. Se construyen almacenando reglas y hechos. También se denominan bases de datos lógicas, pues basan su funcionamiento en la lógica matemática. Las bases de datos deductivas satisfacen las limitaciones de la base de datos relacional, al poder responder a consultas recursivas y deducir relaciones indirectas entre los datos almacenados.

Bases de datos orientadas a objetos

La orientación a objetos ofrece buena flexibilidad para manejar requisitos y no está limitada por el tipo de dato ni los lenguajes de consulta de los sistemas de gestión de bases de datos tradicionales. Proporcionan al diseñador la capacidad de especificar tanto la estructura de objetos complejos como las operaciones que se pueden ejercer sobre dichos objetos. Los usuarios pueden definir operaciones como parte de la definición de las bases de datos. Las operaciones (funciones) se especifican en dos partes. La signatura o interfaz de cada operación consta de su nombre más los tipos de datos de su argumento o parámetro. El método o implementación de la operación es especificado de forma separada, pudiéndose modificar sin afectar a la interfaz. Los programas de aplicación de los usuarios pueden invocar dichas operaciones a través de sus nombres y argumentos, dando igual la manera concreta de su implementación, lo que se resume en la independencia entre los programas y las operaciones.

Si quieres ampliar tu conocimiento en bases de datos y Big Data, contacta con nosotros o apúntate a nuestros eventos a través de nuestro MeetUp

MÁSTER EXPERTO EN BIG DATA & ANALYTICS

Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.

Una de las labores principales del científico de datos Big Data es la conversión de datos en conocimiento útil para la empresa. Para realizar este interesante trabajo necesitan utilizar herramientas Big Data específicas, tanto de pago como de Open Source. De hecho, según la decimosexta encuesta de KDNuggets, el 64 por ciento de los científicos de datos utilizan ambas herramientas Big Data.

Desde la perspectiva de datahack, las diez herramientas Big Data imprescindibles para la correcta labor del científico de datos son las siguientes:

1.- SQL. Structured Query Language. Requiere manejo de fórmulas algebraicas y cálculo relacional. Es un lenguaje de acceso a base de datos.

2.- Python.  Es un lenguaje avanzado de programación interpretado que posee una sintaxis capaz de producir código legible. Permite tanto programación dirigida a objetos como funcional e incluso imperativa (Instrucciones que le explican al ordenador cómo debe realizar una determinada tarea). Además, puede utilizarse en múltiples plataformas

3.- R. Es la más usada de las herramientas Big Data entre los científicos de datos, lo que asegura la existencia de multitud de paquetes y librerías fácilmente reutilizables. Es un lenguaje de programación con software de código abierto, destinado a la programación estadística y los entornos gráficos

4.- KNIM. Konstanz Information Miner, construido bajo la plataforma Eclipse, es una plataforma de minería de datos que permite el desarrollo de modelos en un entorno visual.

5.- RapidMiner. Permite desarrollar procesos analíticos de un entorno gráfico. Antiguamente era denominado YALE (Yet Another Learning Environment). Proporciona más de quinientos operadores dedicados al análisis de datos, incluyendo los necesarios para realizar operaciones input y output, pre-procesamiento y visualización. Tiene la ventaja de poder usar los algoritmos de Weka.

6.- Tableau. Se centra en la visualización de datos.

7.- Hadoop. Esta herramienta está actualmente considerada como el framework estándar para el procesamiento y almacenamiento de grandes volúmenes de datos.

8.- Spark. Es una ventana de trabajo de desarrollo. Su motor rápido le permite procesar datos a gran escala además de realizar procesamiento en memoria.

9.- SAS.  SAS es la líder de las herramientas Big Data en el mercado del Business Intelligence.

10.- Excel. Esta herramienta de Microsoft es esencial como herramienta de creación y gestión de bases de datos.