El crecimiento de datos parece indiscutible. En 2020, cada persona generó 1,7 megabytes de datos por segundo y, hoy en día, una persona tardaría más de 180 millones de años en descargar todos los datos de Internet.
Como ya sabes, la tecnología nos permite usar estos datos para tomar decisiones, razón por la cual el 94% de las empresas dicen que los datos son importantes para el crecimiento de su negocio y la transformación digital.
En este contexto, el campo de la ciencia de datos surge con la misión de aprovechar al máximo los datos generados. Pero, ¿cómo se maneja esta cantidad de datos para brindar información y recomendaciones al negocio?
Para responder esta pregunta fundamental es que se contrata a los científicos de datos: la Oficina de Estadísticas Laborales de EE. UU. predice que la cantidad de trabajos en el campo de la ciencia de datos crecerá aproximadamente un 28 % hasta 2026.
Sin embargo, ¿alguna vez has pensado en qué tipo de problemas pueden trabajar los científicos de datos?
Hoy, utilizamos los datos para predecir cuándo un cliente va a cancelar un contrato, de esa forma podemos utilizar técnicas de retención antes de que tome la decisión.
Cuando detectamos esa posibilidad, otros equipos interactúan con los clientes de forma proactiva para salvar estos ingresos.
¿Qué es un Data Scientist?
Un data scientist es un experto que se encarga de estructurar enormes bases de datos y que aplica sobre ellas sus conocimientos en programación, estadística y matemáticas para recopilar, extraer y procesar la información relevante que contienen. Estos datos se suelen conocer bajo el nombre de big data y se analizan para poder crear valor a partir de ellos.
Esta no es la única aplicación de la ciencia de datos. Desde desafíos relacionados con la adquisición de nuevos clientes hasta oportunidades de venta cruzada en los negocios: los científicos de datos se enfocan en consumir datos para resolver problemas.
Es natural que los científicos de datos aborden esos problemas comerciales con diferentes estrategias. Aunque es saludable, especialmente cuando un equipo está lleno de profesionales de diferentes orígenes, hay una característica entre las más exitosas que me gustaría discutir.
Los proyectos de Data Science en la vida real no son exactamente los mismos que encontramos en entornos de aprendizaje o en sitios web de competencia de datos, como Kaggle.
Esto no quiere decir que esas competencias de datos sean malas, pero lidiar con esos desafíos no significa que se logrará el mismo éxito en proyectos de la vida real.
¿Qué es data?
Son los elementos de las bases de datos que se usan en la mayor parte de las compañías, tanto públicas como privadas, y que se analizan para extraer información de ellos y generar valor con los resultados obtenidos. Data significa datos. Información. En informática los data representan la cantidad de información que el programador utiliza en la construcción de un algoritmo.
La gran cantidad de datos se denomina big data y, los pequeños volúmenes, small data. Para el estudio y la gestión de estas ingentes cantidades de elementos existen diversos profesionales como: data scientist, experto en Marketing Data Analytics, programador para la ciencia de datos, desarrollador de big data, datager, ingeniero de datos y experto en Social Media Data.
El data está por todas partes en internet y cada acción que realiza un usuario es información válida para analizar y crear valor. En 2019, la información que circuló vía online alcanzó cantidades de millones de terabytes por segundo. En 2020, en un solo minuto había 3,47 mil millones de personas viendo vídeos en YouTube y los consumidores de esta plataforma pasaron un 43% más de tiempo dentro de ella.
Traducción de data scientist
La traducción de data scientist es científico de datos. Los americanos conocen este perfil como data analytics, y está presente en el ámbito empresarial porque usa la información para aumentar la eficiencia de un sistema de negocios.
Su significado viene de la ciencia de datos o data science, término que comenzó a usarse en los años 70 para referirse al procesamiento de datos. En 2001, se declaró la ciencia de datos como disciplina independiente y se reconoció así la figura del data scientist como profesión.
¿Qué hace un data scientist?
Las funciones de un científico de datos son diversas dependiendo del tipo de datos que tenga que gestionar en su puesto de trabajo. Sin embargo, hay una serie de tareas que, se hable del perfil de data scientist del que se hable, son comunes a todos los profesionales de la ciencia de datos.
- Extracción: el data scientist extrae los datos, de diversas fuentes, y los analiza para obtener la mayor cantidad posible de información. Estos datos pueden ser big data o small data.
- Limpieza: elimina todo lo que molesta y prepara las cantidades de información para que puedan ser procesadas, normalizando valores o transformando variables.
- Procesamiento: usando diferentes métodos estadísticos, el data scientist procesa el volumen de datos y extrae la información relevante. Mediante análisis matemáticos, métodos predictivos o clustering (agrupar elementos que tengan características similares), el experto interpreta los datos para dar previsiones de futuro o buscar relación entre las distintas variables.
- Visualización: expone los resultados obtenidos de forma que todo el mundo los pueda entender, sean o no sean expertos en la ciencia de datos. Se suele acompañar de gráficas para visualizarlos mejor.
¿Qué tiene que saber hacer un data scientist? Soft y hard skills
Un data scientist tiene que ser un profesional polivalente en varios ámbitos para poder dominar diversas técnicas de gestión y extracción de datos y saber adaptarse a cualquier ámbito del mercado laboral. Como profesionales tienen que desarrollar conocimientos —hard skills— en informática, matemáticas y gestión; pero, además, deben tener habilidades innatas relacionadas con su personalidad —soft skills o habilidades blandas—, como por ejemplo:
- Pasión por los datos.
- Comunicativo para transmitir los resultados.
- Curioso.
- Aprendizaje rápido.
- Paciente.
- Visión de negocio.
- Proactivo.
- Multidisciplinario.
- Creativo.
- Pragmático.
¿Qué estudiar para ser un data scientist?
Para llegar a ser un data scientist hay que formarse en diversos ámbitos. En principio, es recomendable formación en informática, matemáticas, estadística o administración y dirección de empresas, con algo más específico (máster, posgrado o curso) en gestión de datos. En este sentido, titulaciones en big data o Marketing Data Analytics son muy útiles.
Por otro lado, un data scientist tiene que saber crear y analizar gráficas, procesar modelos predictivos, dominar las bases de datos, ser experto en la nube para compartir o guardar datos, programar y velar por los datos a través de programas de ciberseguridad.
Hard skills de un científico de datos
Las principales hard skills o aptitudes que tiene que tener un científico de datos para desarrollar su trabajo son:
1. Dominar bases de datos
Para la gestión de los datos es necesario tener todos los elementos recogidos en bases de datos. Un data scientist tiene que dominar su uso y algunas de las más importantes son MySQL, MariaDB, Oracle o AWS Aurora.
2. Big data
Un profesional de este perfil tiene que saber manejar grandes volúmenes de datos, por eso, debe ser un experto en Big Data, tanto si trabaja en el ámbito privado como público.
3. Programación
Entre los conocimientos informáticos que un científico de datos posee destaca saber programar y dominar programas como Python, Hadoop o Julia.
4. Machine learning
Es importante para hacer predicciones saber utilizar la inteligencia artificial. El machine learning o aprendizaje automático es una rama de la inteligencia artificial que consiste en enseñar a las máquinas a que identifiquen patrones entre los datos para desarrollar los modelos predictivos, posteriormente.
¿Cuánto gana un Data Scientist en Argentina? Sueldos, salarios medios y tarifas
La profesión de científico de datos (data scientist) es una de las más buscadas y mejor remuneradas en el mercado argentino, especialmente en empresas tecnológicas, fintechs y multinacionales. Su salario varía según la experiencia, el tipo de empresa, la especialización técnica y si trabaja de forma freelance o en relación de dependencia.
Sueldos en relación de dependencia (2025)
| Nivel de experiencia | Salario mensual (bruto) | Salario mensual (USD blue aprox.) |
|---|---|---|
| Junior (0-2 años) | $850.000 – $1.200.000 | USD 900 – USD 1.300 |
| Semi Senior (2-5 años) | $1.200.000 – $1.800.000 | USD 1.300 – USD 2.000 |
| Senior (5+ años) | $1.800.000 – $2.800.000 | USD 2.000 – USD 3.100 |
| Lead / Manager | $2.800.000 – $4.000.000+ | USD 3.100 – USD 4.500+ |
Salario medio nacional estimado: $1.500.000 brutos mensuales (~USD 1.600 al tipo de cambio blue de julio 2025).
Comparativa con otros países
Aunque los sueldos en Argentina son más bajos que en Estados Unidos o Europa, la creciente demanda local y regional de perfiles de datos permite que los científicos de datos accedan a proyectos internacionales, muchas veces cobrando en dólares.
En Estados Unidos, el salario medio anual de un data scientist ronda los USD 114.000, mientras que en Canadá es de USD 86.000. En América Latina, Chile y México ofrecen mejores salarios en dólares que Argentina, pero también con mayor costo de vida.
Freelance y tarifas por proyecto
Para quienes trabajan de forma freelance, las tarifas pueden ser muy competitivas, sobre todo si ofrecen servicios en plataformas globales como Upwork o Toptal.
Tarifas promedio en Argentina (por hora):
| Experiencia | Tarifa en ARS | Tarifa en USD aprox. |
|---|---|---|
| Menos de 2 años | $8.000/h | USD 8/h |
| 2 a 7 años | $12.000/h | USD 12/h |
| Más de 7 años | $15.000 – $20.000/h | USD 15 – USD 20/h |
Tarifa diaria promedio:
- Junior: $60.000 – $100.000 por día
- Semi Senior: $100.000 – $150.000 por día
- Senior: $150.000 – $220.000 por día
Muchos científicos de datos combinan su trabajo full-time con proyectos freelance, consultorías o desarrollo de productos propios.
¿Qué tan diferente es manejar datos en la vida real y en un entorno de aprendizaje?
Los datos son el principal impulsor de los resultados, pero en tu rutina diaria, es posible que no tengas un conjunto de datos listo para usar para cada escenario.
A partir de esta realidad, es importante reforzar: la ciencia de datos definitivamente comienza mucho antes que los datos.
Por eso siempre le recomiendo, enfáticamente, a los científicos de datos que también le pongan mucha energía a la definición del problema y ??no solo piensen en el producto analítico que se entregará al final. El concepto del negocio siempre es lo primero.
Esto es muy similar a cuando los especialistas en marketing hacen su planificación anual, por ejemplo. Es una tentación lanzar tu presencia en el metaverso solo porque todo el mundo está hablando, por ejemplo.
Pero, también debes preguntarte antes: ¿por qué quieres estar en el metaverso? ¿Qué problemas de negocio quieres resolver? Recuerda: las estrategias siempre vienen antes que las tácticas.
Y cuando hablamos de datos, usar este mismo enfoque, te garantizará que no estés pensando en una solución antes de explorar lo que realmente tienes que resolver. Es importante que los líderes se comprometan con los científicos de datos al inicio del proceso.
A pesar del hecho de que el 38% de los profesionales de datos están involucrados en la toma de decisiones, es posible que no sientan que sus conocimientos se consideran con precisión. Varias preguntas pueden surgir de esto, pero ciertamente un grupo de ellas están relacionadas con la diferencia entre comprender los datos y comprender el negocio en sí.
Con esto en mente, podemos explorar una pregunta más profunda: ¿cómo pueden los científicos de datos reflexionar sobre los problemas comerciales si no entienden el negocio en profundidad?
Estoy de acuerdo en que el proyecto de ciencia de datos no es una actividad individual, sin embargo, creo firmemente que los científicos de datos pueden contribuir al diseño de hipótesis.
Es relevante traer a la mesa el hecho de que en un campo con una brecha de talento, el equilibrio entre el conocimiento de la industria y las habilidades de datos duros puede ser crucial para proyectos exitosos.
Los datos pueden ser solo la punta del iceberg
La inmersión profunda en la comprensión del negocio no debe verse como un científico de datos que va más allá de su trabajo. Esto no es verdad.
Este tipo de comportamiento es una inspiración para diseñar finalmente el conjunto de datos necesario para el proyecto de ciencia de datos y también para iniciar otro esfuerzo en otros desafíos técnicos.
Ten en cuenta que los datos son solo la punta de un iceberg que implica reflexiones mucho más profundas sobre los objetivos comerciales. Si no te implicas a profundidad, puedes perder miles de oportunidades.
El esfuerzo de enmarcar el problema comercial es probablemente la característica más visible que he notado en varios científicos de datos de diferentes orígenes.
Naturalmente, no depende solo del científico de datos, sino también del liderazgo para llevarlos a la etapa de toma de decisiones.
Conclusión:
Para concluir, hay discusiones relacionadas con los roles de científicos de datos que están siendo eliminados por nuevas herramientas que pueden aplicar automáticamente el aprendizaje automático.
Estoy totalmente en desacuerdo. Esas herramientas probablemente estén eliminando roles y escribiendo códigos sin interpretación, es decir lidiando, únicamente, con la punta del iceberg.
Aquellos capaces de profundizar en el océano pueden no ser fácilmente reemplazables. Requiere una combinación de habilidades que entran en acción mucho antes que los datos. Data Science es mucho más que discutir algoritmos y modelos de ajuste.
Esta es la respuesta para comprender por qué tenemos tantos científicos de datos que realizan un excelente trabajo y que provienen de diferentes áreas además de la ciencia, la tecnología, la ingeniería y la administración: se trata de explorar y utilizar habilidades duras como herramientas de aprendizaje que ayudarán a generar mejoras en los negocios.
Después de todos esos puntos, una gran recomendación es asegurarte de que los profesionales de datos entiendan el negocio en sí antes de lidiar con problemas técnicos.
El contacto con el producto es uno de los mejores regalos que un líder puede dar a un científico de datos y la mayoría de las veces este esfuerzo conducirá a valiosos conocimientos y un ritmo acelerado de proyectos en el futuro cercano. Cuanto más cerca esté el equipo técnico del producto, definitivamente mayores serán las oportunidades que puedan ver.
Por otro lado, recuerda que la magia de la disputa de datos es solo un «cómo» para alcanzar los objetivos comerciales. Al entenderlo, podemos inferir que no hay nada mejor que los expertos en negocios para apoyar los proyectos de conducción de datos.
Te invito a reflexionar sobre qué tipo de científico de datos puede ser un verdadero actor positivo para tu negocio, y también te invito a suscribirte a nuestro newsletter, para que puedas mantenerte actualizado sobre temas nuevos relacionados con marketing y negocios.
Si encontraste útil toda la información que hemos compartido, te agradecemos sinceramente tu apoyo. Si deseas colaborar con nosotros, puedes hacerlo mediante una donación a través de PayPal o Cafecito. Tu generosidad nos ayuda a mantener nuestro contenido libre de publicidad y a seguir ofreciendo información valiosa para ti y para nuestra comunidad de lectores.
Si estás considerando crear tu propio sitio web, te recomendamos Hostinger. Es una plataforma fácil de usar y muy popular que te permitirá llevar tus ideas al mundo digital. Haz clic en el banner de abajo para obtener un descuento al crear tu sitio con WordPress.
