{"id":172501,"date":"2024-07-08T07:30:00","date_gmt":"2024-07-08T06:30:00","guid":{"rendered":"https:\/\/liora.io\/es\/?p=172501"},"modified":"2026-02-08T23:49:39","modified_gmt":"2026-02-08T22:49:39","slug":"data-scientist-reclutamiento-vs-formacion","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/data-scientist-reclutamiento-vs-formacion","title":{"rendered":"Data Scientist: Reclutamiento VS Formaci\u00f3n"},"content":{"rendered":"<p><strong>A lo largo de la \u00faltima d\u00e9cada, la Data Science ha evolucionado de ser unas pocas semillas dispersas a convertirse en un frondoso bosque. Se estima que para el a\u00f1o 2020, aproximadamente 1.7 megabytes de nueva informaci\u00f3n ser\u00e1n generados cada segundo para cada ser humano en el planeta y para 2025, se espera que el mercado de la <a href=\"https:\/\/liora.io\/es\/inteligencia-artificial-definicion\">Inteligencia Artificial (IA)<\/a> supere los 100 mil millones de d\u00f3lares, seg\u00fan datos de IDC.<\/strong><\/p>\n<p>Por otro lado, y por quinto a\u00f1o consecutivo, la profesi\u00f3n de Data Scientist ha sido nombrada como el mejor trabajo en Estados Unidos por Glassdoor y por el informe <a href=\"https:\/\/blog.linkedin.com\/2019\/december\/10\/the-jobs-of-tomorrow-linkedins-2020-emerging-jobs-report\">U.S Emerging Jobs de LinkedIn de 2019<\/a>. Dicho informe tambi\u00e9n se\u00f1ala que es la profesi\u00f3n con el crecimiento m\u00e1s r\u00e1pido, con 6.5 veces m\u00e1s personas que hace cinco a\u00f1os declar\u00e1ndola como su ocupaci\u00f3n.<\/p>\n<p>Este es el momento de expansi\u00f3n para los <b>equipos de Data Scientists<\/b> dentro de empresas de todos los sectores. Se presentan entonces dos opciones:<\/p>\n<ul>\n<li>El reclutamiento de <a href=\"https:\/\/liora.io\/es\/ficha-del-perfil-de-data-scientist\">personal ya capacitado<\/a>, benefici\u00e1ndose especialmente de la proliferaci\u00f3n de formaciones iniciales en Data Science.<\/li>\n<li>La formaci\u00f3n de colaboradores que ya ocupan otros cargos (actuarios, jefes de marketing, etc.).<\/li>\n<\/ul>\n<p>Pero, \u00bfc\u00f3mo decidir entre estas dos soluciones? Los equipos de <b>Liora<\/b> han evaluado los pros y los contras de cada opci\u00f3n.<\/p>\n<style>\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style>\n<h3>El reclutamiento de Data Scientists: la elecci\u00f3n de la simplicidad<\/h3>\n<p>Reclutar Data Scientists ofrece numerosas ventajas.<\/p>\n<p>En primer lugar, permite centrar la b\u00fasqueda en un tipo de perfil espec\u00edfico. A trav\u00e9s del reclutamiento del equipo, se podr\u00e1 asignar una tarea espec\u00edfica a cada uno en funci\u00f3n de su perfil acad\u00e9mico y preferencias. El objetivo del reclutamiento es, en resumen, <b>crear un equipo eficiente<\/b> donde cada miembro tenga una misi\u00f3n claramente definida.<\/p>\n<p>Por otro lado, los Data Scientists junior reci\u00e9n han terminado sus estudios. <a href=\"https:\/\/liora.io\/es\/curso-data-science-distancia-presencial\">El conocimiento que necesitar\u00e1n est\u00e1 todav\u00eda fresco<\/a> y su visi\u00f3n del rol no ser\u00e1 sesgada por experiencias anteriores ni factores externos. La motivaci\u00f3n y la energ\u00eda propias de la juventud de estos perfiles tambi\u00e9n se aprovechar\u00e1n en su actividad, contribuyendo a obtener mejores resultados. Reclutar individuos con entre 0 y 5 a\u00f1os de experiencia significa contar con <b>perfiles c\u00f3modos con las tecnolog\u00edas del ecosistema de datos, con bases te\u00f3ricas fuertes y habilidades en la implementaci\u00f3n<\/b>.<\/p>\n<p>Con todo, el reclutamiento implica, como en cualquier puesto y especialmente en aquellos con una fuerte componente t\u00e9cnica, un costo significativo para la empresa. De hecho, ser\u00e1 necesario realizar una serie de entrevistas y pruebas para integrar nuevos miembros, lo que implicar\u00e1 sacrificios tanto financieros como organizativos. Independientemente de si la empresa opta por externalizar el proceso o manejarlo internamente, <b>requerir\u00e1 una inversi\u00f3n de tiempo, dinero y energ\u00eda para formar un equipo de Data Science eficaz y productivo<\/b>.<\/p>\n<p>Adem\u00e1s, <b>los perfiles en cuesti\u00f3n a\u00fan son escasos<\/b>. Los candidatos frecuentemente poseen poca experiencia laboral (relativa al sector en el que podr\u00edan evolucionar), pero sobre todo tienen expectativas salariales elevadas debido a su formaci\u00f3n acad\u00e9mica: <b>el 88% tiene una maestr\u00eda y el 46% un doctorado<\/b>, en programas muy selectivos, la mayor\u00eda en matem\u00e1ticas y estad\u00edstica, ciencias de la computaci\u00f3n o escuelas de ingenier\u00eda de elite. Son parte de un mercado con falta de perfiles.<\/p>\n<h3>La formaci\u00f3n de colaboradores ya en el puesto: \u00bfuna apuesta segura?<\/h3>\n<p>Aunque el reclutamiento de Data Scientists supone un costo importante tanto financiero como organizativo, <b>el reskilling o la capacitaci\u00f3n de colaboradores que ya est\u00e1n en el puesto tendr\u00e1 una implementaci\u00f3n mucho m\u00e1s sencilla<\/b>. De hecho, este \u00faltimo ser\u00e1 en su mayor\u00eda subcontratado y la empresa no requerir\u00e1 ninguna adaptaci\u00f3n organizativa.<\/p>\n<p>Adem\u00e1s de esto, cabe a\u00f1adir que <b>este tipo de formaci\u00f3n est\u00e1 ampliamente financiada por subvenciones de empresas<\/b> y ya representa un costo controlado para los grupos: por ejemplo, un analista estad\u00edstico no requerir\u00eda un aumento salarial exorbitante al concluir su capacitaci\u00f3n, mientras que reclutar a un Data Scientist puede resultar costoso.<\/p>\n<p>M\u00e1s all\u00e1 de esta simplicidad, el reskilling de los colaboradores resultar\u00e1 en la integraci\u00f3n de Data Scientists m\u00e1s <b>\u00abgeneralistas\u00bb<\/b>. Con la experiencia profesional adquirida a lo largo de sus carreras, aportar\u00e1n una visi\u00f3n m\u00e1s transversal: ya conocen los datos de la empresa y, por lo tanto, ser\u00e1n capaces de manejarlos m\u00e1s adecuadamente.<\/p>\n<p>Por lo general, los perfiles reentrenados son analistas estad\u00edsticos, operadores de marketing en l\u00ednea o, m\u00e1s simplemente, actuarios, que pueden mejorar sus habilidades en 9 meses dedicando una hora al d\u00eda.<\/p>\n<p>En la pr\u00e1ctica, el objetivo de la Data Science no es \u00fanicamente ejecutar. Su prop\u00f3sito es m\u00e1s bien <b>aprender y desarrollar en profundidad nuevas capacidades profesionales<\/b>. Productos algor\u00edtmicos como sistemas de recomendaci\u00f3n, clasificaci\u00f3n de preferencias, optimizadores log\u00edsticos, predicci\u00f3n de tendencias estacionales, etc., no pueden ser dise\u00f1ados de antemano. Necesitan ser aprendidos. No hay un plan a seguir; son nuevas competencias llenas de incertidumbre. Los coeficientes, los modelos, los tipos de modelos, los hiperpar\u00e1metros, todos los elementos necesarios deben ser precisados a trav\u00e9s de experimentaci\u00f3n, errores e iteraciones. Sin embargo, uno de los desaf\u00edos de esta alternativa radica en el hecho de que los perfiles en cuesti\u00f3n son experimentados y, por ende, a veces pueden reaccionar negativamente ante el cambio. No obstante, esto podr\u00eda ser mitigado por su inter\u00e9s en la adquisici\u00f3n de nuevas habilidades.<\/p>\n<h3>La soluci\u00f3n milagrosa: una elecci\u00f3n h\u00edbrida y espec\u00edfica para cada empresa<\/h3>\n<p>Con el <a href=\"https:\/\/datos.gob.es\/es\">flujo de datos<\/a> creado y recopilado aumentando a\u00f1o tras a\u00f1o, es evidente que las empresas de todos los sectores no escapar\u00e1n a una reestructuraci\u00f3n completa de sus equipos de data science.<\/p>\n<p>Entonces se presentan dos opciones: <b>reclutar a Data Scientists reci\u00e9n graduados<\/b>, que constituir\u00e1n un equipo eficaz y productivo dentro del cual cada uno ser\u00e1 un eslab\u00f3n en una cadena, o <b>formar a colaboradores que ya est\u00e1n en el puesto<\/b>. Menos especializados pero m\u00e1s transversales, ser\u00e1n capaces de alcanzar objetivos m\u00e1s ambiciosos aprendiendo e iterando a lo largo de su actividad.<\/p>\n<p>Por tanto, la elecci\u00f3n se har\u00e1 en funci\u00f3n del sector y de los objetivos de las empresas, as\u00ed como del peso que quieran dar a sus equipos de Datos. <b>Cuanto m\u00e1s profunda sea la reestructuraci\u00f3n deseada, mayor ser\u00e1 el inter\u00e9s en reclutar a Data Scientists ya formados.<\/b><\/p>\n<p>Por el contrario, los sectores que requieren un conocimiento profesional fundamental en la gesti\u00f3n de proyectos preferir\u00e1n recurrir primero al reskilling, antes de poder complementar sus equipos con <b>\u00abperlas\u00bb que aporten novedad<\/b>. Este es el caso, por ejemplo, del sector de seguros.<\/p>\n<p>En resumen, las empresas no deben perder de vista que la importancia de las Data Sciences est\u00e1 destinada a explotar en los pr\u00f3ximos a\u00f1os, como lo confirman todos los estudios realizados sobre el tema (<a href=\"\/\">Direcci\u00f3n General de Empresas<\/a>, informe sobre tecnolog\u00edas clave realizado por el Ministerio de Econom\u00eda y Finanzas, etc.). Su \u00e9xito depender\u00e1 esencialmente de su <b>capacidad para adaptarse<\/b> y de <b>tomar las decisiones estrat\u00e9gicas<\/b> necesarias para su supervivencia.<\/p>\n<p><a href=\"https:\/\/liora.io\/es\/nuestros-cursos-de-data\"><br \/>\nDescubra nuestros cursos de formaci\u00f3n<br \/>\n<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>A lo largo de la \u00faltima d\u00e9cada, la Data Science ha evolucionado de ser unas pocas semillas dispersas a convertirse en un frondoso bosque. Se estima que para el a\u00f1o 2020, aproximadamente 1.7 megabytes de nueva informaci\u00f3n ser\u00e1n generados cada segundo para cada ser humano en el planeta y para 2025, se espera que el [&hellip;]<\/p>\n","protected":false},"author":74,"featured_media":172503,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2440],"class_list":["post-172501","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ia"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/172501","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/74"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=172501"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/172501\/revisions"}],"predecessor-version":[{"id":183393,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/172501\/revisions\/183393"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/172503"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=172501"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=172501"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}