LO
Analista de datos — tareas, una a una
La unidad de análisis es la tarea, no el nombre del puesto. Cada una de las siguientes lleva su dirección, si el juicio se apoya en evidencia o en una inferencia de la plataforma, el razonamiento y lo que no establece.
Todas las tareas de esta página#
Escribir consultas y montar cuadros de mando
Automatizándose✓ Con evidenciaTraducir «cuántos usuarios hicieron X el mes pasado» a SQL, y enchufar el resultado a un gráfico que alguien pueda actualizar.
Pasar de lenguaje natural a SQL y generar gráficos están entre las aplicaciones más maduras de los modelos de lenguaje, y los proveedores de BI las han metido dentro de los productos que los analistas ya usan. El paso mecánico de traducción que llenaba buena parte de la semana de un analista es hoy una instrucción, cuando los datos están limpios y la pregunta es clara.
«Cuando los datos están limpios y la pregunta es clara» es una condición enorme. En la mayoría de las empresas no se cumple ninguna de las dos, y las herramientas producen respuestas equivocadas con aplomo sobre esquemas ambiguos.
Averiguar qué se está preguntando de verdad
Sigue llevándola una persona✓ Con evidenciaConvertir la preocupación vaga de un jefe en una pregunta medible, y saber a qué definición de «usuario activo» se refiere.
La parte difícil del análisis está aguas arriba de la consulta: conocer las definiciones de la organización, su política interna y qué decisión va a alimentar el número. Una herramienta responde a la pregunta tal como se hizo; el valor del analista siempre estuvo en notar que la pregunta estaba mal.
Las herramientas de autoservicio dejan que los jefes hagan mal sus propias preguntas en vez de preguntarle a un analista. Enmarcar la pregunta sigue valiendo, pero el analista tiene que estar en la sala para aportarlo, y cada vez hay menos.
Saber cuándo los datos mienten
Sigue llevándola una persona✓ Con evidenciaDetectar la canalización rota, los eventos duplicados, el fallo de zona horaria, la definición que cambió en marzo.
Esto exige historia con esos datos concretos — acordarse de qué les pasó y por qué — que es justo lo que le falta a un modelo sin memoria de la organización. Generar consultas más rápido lo vuelve más importante, no menos, porque las respuestas equivocadas llegan ahora antes y con mejor aspecto.
La memoria institucional de los datos se construye trabajando con ellos a diario. Si las consultas diarias pasan al autoservicio, la memoria que hace posible esta tarea deja de acumularse.
Hacer que un número cambie una decisión
Aumentada por la máquina✓ Con evidenciaPresentar un hallazgo de forma que quien tiene que actuar lo entienda, se lo crea y actúe.
Redactar la narrativa y las diapositivas es más rápido. Convencer a un director escéptico en una reunión, y saber con qué salvedad empezar para ese público concreto, sigue siendo tarea humana porque depende de leer la sala y de la credibilidad propia del analista.
La credibilidad es personal y se acumula despacio, lo que protege a los analistas establecidos y a nadie más. El primer analista que contrata una empresa no tiene ninguna, y ahora tiene menos tareas rutinarias con las que ganársela.
Ser dueño de las definiciones de las que dependen las herramientas
Tarea nueva✓ Con evidenciaMantener las definiciones de métricas, la documentación y la capa semántica que hacen que consultar en lenguaje natural dé respuestas correctas.
La analítica en lenguaje natural solo funciona encima de métricas bien definidas, así que el valor del analista pasa de responder preguntas a cuidar la capa que permite a todos responderse las suyas. Es trabajo nuevo, más cercano al gobierno del dato que a los informes, y es hacia donde se está redirigiendo la plantilla de analistas.
Cuidar las definiciones es un trabajo más pequeño de lo que era responder preguntas, y hay uno por organización. Que la plantilla se «redirija» hacia ahí es un eufemismo para un equipo más pequeño haciendo otra cosa.