Roles Profesionales del Mundo de los Datos - Logística y Distribución
En el mundo de los datos, existen varios cargos con responsabilidades distintas. Entenderlos bien puede marcar la diferencia entre un proyecto de datos exitoso y uno que no cumple con las expectativas. En este post te explicaremos los principales roles y cuáles son los más relevantes para la industria de la Logística y Distribución.
Roles Clave en el Mundo de los Datos
Data Engineer
Los Data Engineers son responsables de mover datos de una fuente a otra de manera eficiente y segura. Su enfoque principal es el desarrollo y orquestación de flujos de datos (conocidos como ETL) desde sistemas transaccionales al Datawarehouse. El principal objetivo de este rol es facilitar el acceso a los datos para que Data Analysts y Data Scientists puedan hacer bien su trabajo. En la industria logística, su trabajo es crucial para la integración de un alto volumen de datos, provenientes de sistemas como el ERP (Enterprise Resource Planning), TMS (Transport Management System) y WMS (Warehouse Management System).
Analytics Engineer
Los Analytics Engineers combinan habilidades de ingeniería de datos y análisis para optimizar los flujos de datos y preparar datos para el análisis. Trabajan en la “T” de ELT (Los ETL ya son cosa del pasado, te invito a leer este post). Ellos son los que aplican las lógicas de negocio y limpieza a los datos para facilitar el trabajo de analistas y científicos.
Data Analyst
Los Data Analysts tienen la responsabilidad de entender en profundidad los problemas de negocio que tienen las áreas y construir herramientas analíticas que acerquen los datos para resolver estos problemas. Estas herramientas suelen ser reportes, dashboards o análisis ad-hoc, los cuales presentan los datos en un formato fácilmente comprensible. Trabajan principalmente en lo que se conoce como analítica descriptiva.
Data Scientist
A diferencia de los Data Analysts, suelen estar en la analítica predictiva, buscando anticiparse a fenómenos futuros relevantes para el negocio. Esto lo hacen aplicando técnicas de analítica avanzada y metodologías de Machine Learning. Desarrollan modelos que predicen la demanda, optimizan la cadena de suministro y gestionan riesgos. Estos modelos permiten a las empresas logísticas ser más proactivas y adaptarse rápidamente a cambios en el mercado.
Machine Learning Engineer
Los Machine Learning Engineers tienen la responsabilidad de pasar a producción los modelos predictivos desarrollados por los Data Scientists, asegurando que estos estén correctamente implementados con los sistemas transaccionales. Este rol es más de desarrollo de software, pero es fundamental entender cómo funcionan este tipo de modelos.
Matías Sánchez Cabrera
La importancia de los Datos en la Logística y Distribución
Importancia de los Data Engineers en la Industria Logística
El primer gran desafío en la industria logística es la integración de datos provenientes de múltiples fuentes. Los Data Engineers juegan un papel fundamental en la creación del Datawarehouse que almacene y organice estos datos de manera eficiente. Este repositorio suele ser un proyecto complicado para empresas de la industria, principalmente por el alto volumen de datos que hay que gestionar. Una vez este problema está resuelto, los otros roles, principalmente Data Analysts y Data Scientists, pueden hacer su trabajo de mucha mejor manera. La razón es que los datos que necesitan para hacer su trabajo ya están disponibles, sin el riesgo de trabajar sobre los sistemas transaccionales donde pueden colapsar el sistema.
¿Cómo hacerlo en mi empresa?
Si no tienes un equipo de datos, puede ser abrumador pensar en contratar todos estos roles al mismo tiempo. La mejor estrategia es empezar con un rol generalista que pueda hacer un poco de todo, y luego contratar personas más especializadas a medida que la empresa tenga éxito y sus necesidades de datos crezcan.
El consejo general sería que las primeras contrataciones puedan cubrir los roles de Data Engineers y Data Analysts, para comenzar con las primeras integraciones para armar el Datawarehouse, pero también con la capacidad de trabajar con las áreas para solucionar sus problemas y agregar valor al negocio.
En la medida en que esto tenga valor, puedes seguir contratando Data Analysts para trabajar con las áreas, y Data Scientists en la medida en que aparezcan proyectos con características predictivas. Si el problema de ingeniería de datos crece y se hace más complejo, puedes agregar otro Data Engineer, quizás más especializado.
Si el equipo se consolide y aparecen más necesidades para escalar el Datawarehouse y el trabajo de los otros roles, puedes considerar incorporar Analytics Engineers, para ordenar las transformaciones y dejar los datos preparados o Machine Learning Engineers, en la medida en que existan modelos sofisticados que se quieren integrar a tus sistemas.
Tener el talento correcto es crucial para el éxito de proyectos de analítica dentro de empresas. Entender estos roles e incorporarlos correctamente aumenta significativamente las probabilidades de que estos sean exitosos. Esto no solo es cierto para empresas de la industria de la logística y distribución, pero sí es relevante entender que las empresas del rubro necesitan una combinación especial. En particular, deben partir cargados hacia la ingeniería de datos debido al alto volumen de datos con los que se cuenta.