La ciencia de los datos y el arte de la persuasión

A pesar de las grandes inversiones para adquirir científicos de datos con talento y aprovechar el auge de la analítica, muchas empresas se han sentido decepcionadas por los resultados. El problema es que esos científicos están capacitados para hacer preguntas inteligentes, analizar los datos relevantes y descubrir información, pero no para comunicar lo que esas ideas significan para la empresa. Para tener éxito, escribe el autor, un equipo de ciencia de datos necesita seis talentos: gestión de proyectos, gestión de datos, análisis de datos, experiencia en la materia, diseño y narración. Describe cuatro pasos para lograr ese éxito: (1) Definir los talentos, no a los miembros del equipo. (2) Contratar para crear una cartera de talentos necesarios. (3) Exponer a los miembros del equipo a talentos que no tienen. (4) Estructure los proyectos en torno a los talentos.

•••

Resumen de la idea

El problema

Las empresas respondieron al auge de la analítica contratando a los mejores científicos de datos que pudieron encontrar, pero muchas de ellas no han obtenido el valor que esperaban de sus iniciativas de ciencia de datos.

La causa fundamental

Para que un proyecto de análisis cree valor, el equipo primero debe hacer preguntas inteligentes, analizar los datos relevantes y descubrir información. En segundo lugar, debe averiguar (y comunicar) lo que esas ideas significan para la empresa. La habilidad de hacer ambas cosas es extremadamente rara, y la mayoría de los científicos de datos están entrenados para hacer lo primero, no para lo segundo.

La solución

Un buen equipo de ciencia de datos necesita seis talentos: gestión de proyectos, gestión de datos, análisis de datos, experiencia en la materia, diseño y narración. La combinación correcta cumplirá la promesa de la analítica de una empresa.

La ciencia de datos está creciendo rápido. Durante los últimos cinco años, las empresas han invertido miles de millones para conseguir que los científicos de datos más talentosos se instalen, acumulen zettabytes de material y lo analicen en sus máquinas de deducción para encontrar señales en el insondable volumen de ruido. Funciona, hasta cierto punto. Los datos han empezado a cambiar nuestra relación con campos tan variados como[traducción de idiomas,](https://www.nytimes.com/2016/12/14/magazine/the-great-ai-awakening.html) [venta minorista,](/2018/05/stitch-fixs-ceo-on-selling-personal-style-to-the-mass-market) [atención médica,](http://scopeblog.stanford.edu/2013/09/27/big-data-big-finds-clinical-trial-for-deadly-lung-cancer-launched-by-stanford-study/) y[baloncesto.](https://www.youtube.com/watch?v=mUSFAYslACQ) Pero a pesar de las historias de éxito, muchas empresas no obtienen el valor que podrían obtener de la ciencia de datos. Incluso las operaciones bien gestionadas que generan análisis sólidos no logran capitalizar sus conocimientos. Los esfuerzos se quedan cortos en la última milla, cuando llega el momento de explicar las cosas a los responsables de la toma de decisiones. En una pregunta sobre Kaggle's 2017[encuesta](https://www.kaggle.com/surveys/2017) de los científicos de datos, a los que respondieron más de 7 000 personas, cuatro de los siete principales «obstáculos a los que se enfrentan en el trabajo» estaban relacionados con problemas de última milla, no con problemas técnicos: «falta de apoyo administrativo o financiero», «falta de preguntas claras que responder», «los responsables de la toma de decisiones no utilizan los resultados» y «explicar la ciencia de datos a los demás». Esos resultados concuerdan con lo que descubrió el científico de datos Hugo Bowne-Anderson[entrevistar a 35 científicos de datos](/2018/08/what-data-scientists-really-do-according-to-35-data-scientists) para su podcast; como escribió en un artículo de HBR.org de 2018, «La gran mayoría de mis invitados me dicen que las habilidades clave de los científicos de datos son... la habilidad de aprender sobre la marcha y de comunicarse bien para responder a las preguntas empresariales y explicar los resultados complejos a las partes interesadas no técnicas». En mi trabajo dando conferencias y consultando a grandes organizaciones sobre visualización de datos (dataviz) y presentaciones persuasivas, oigo a los científicos de datos y a los ejecutivos expresar su frustración. Los equipos de datos saben que se basan en información valiosa, pero no pueden venderla. Dicen que los responsables de la toma de decisiones malinterpretan o simplifican demasiado sus análisis y esperan que hagan magia para dar las respuestas correctas a todas sus preguntas. Los ejecutivos, por su parte, se quejan de la cantidad de dinero que invierten en operaciones de ciencia de datos que no ofrecen la orientación que esperaban. No ven resultados tangibles porque los resultados no se comunican en su idioma. Las brechas entre los tipos de empresa y tecnología no son nuevas, pero esta brecha es más profunda. Tenga en cuenta que hace 105 años, antes de la programación y los ordenadores, Willard Brinton comenzó su histórico libro Métodos gráficos para presentar los hechos describiendo el problema de la última milla: «Una y otra vez ocurre que algún miembro ignorante o presuntuoso de un comité o junta directiva trastorna el plan cuidadosamente pensado de un hombre que conoce los hechos, simplemente porque el hombre con los hechos no puede presentar sus hechos con la suficiente rapidez como para superar a la oposición... Como la catedral está en sus cimientos, también lo es una presentación eficaz de los hechos según los datos». Los ejecutivos se quejan de que la ciencia de datos no ofrece la orientación que esperaban. ¿Cómo podría esta canción seguir siendo la misma durante más de un siglo? Como cualquier otra cosa tan arraigada, los orígenes del problema de la última milla son múltiples. Por un lado, las herramientas que se utilizan para hacer ciencia incluyen la función de visualización. Esto fomenta la idea de que es responsabilidad de la persona de datos ser la que se comunica. El resultado predeterminado de estas herramientas no puede coincidir con una visualización de datos bien concebida y totalmente diseñada; su visualización a menudo no está tan bien desarrollada como la manipulación de datos y las personas que utilizan las herramientas a menudo no quieren comunicarse. Muchos científicos de datos me han dicho que desconfían de la visualización porque puede simplificar su trabajo e incitar a los ejecutivos a sacar conclusiones que desmienten los matices y la incertidumbre inherentes a cualquier análisis científico. Pero con la prisa por captar a los científicos de datos más demandados, las organizaciones han estado contratando a las personas con más orientación técnica que pueden encontrar, ignorando su capacidad o deseo (o falta de ellos) de comunicarse con un público no especializado. Estaría bien que esas organizaciones también contrataran a otras personas para cerrar la brecha, pero no lo hacen. Siguen esperando que los científicos de datos analicen los datos, los analicen en el contexto del conocimiento de la empresa y su estrategia, creen gráficos y los presenten a un público no especializado. Eso no es razonable. Eso es cosa de unicornios. Para empezar a resolver el problema de la última milla, las empresas deben dejar de buscar unicornios y replantearse el tipo de talento que constituye una operación de ciencia de datos. Este artículo propone una forma para que quienes no están aprovechando al máximo sus operaciones liberen a los científicos de datos de expectativas irrazonables e introduzcan nuevos tipos de trabajadores en la mezcla. Se basa en equipos interdisciplinarios compuestos por miembros con diferentes talentos que trabajan en estrecha proximidad. La empatía, que se desarrolla a través de la exposición al trabajo de los demás, facilita la colaboración entre los tipos de talentos. El trabajo ya no se transfiere entre grupos, sino que se comparte entre ellos. Un enfoque de equipo, que no es nuevo, pero se aplica recientemente, puede hacer que las operaciones de ciencia de datos superen la última milla y ofrecer el valor que han creado para la organización. ## ¿Por qué las cosas son así? A principios del siglo XX, los pioneros de la gestión moderna dirigían operaciones sofisticadas para convertir los datos en decisiones mediante la comunicación visual, y lo hacían con equipos. Fue un esfuerzo interdisciplinario que incluyó a pandilleros, clasificadores de cartas, gerentes y dibujantes (casi siempre eran hombres). Hay muchos ejemplos de los resultados de esta colaboración en el libro de Brinton. Las compañías ferroviarias y los grandes fabricantes fueron especialmente expertos, ya que aprendieron las rutas más eficientes para enviar materiales a través de las fábricas, alcanzaron los objetivos de ventas regionales e incluso optimizaron los horarios de vacaciones. El enfoque de equipo se mantuvo durante la mayor parte del siglo. En su libro de 1969 Técnicas prácticas de creación de gráficos, Mary Eleanor Spear detalla el equipo ideal —un comunicador, un analista gráfico y un dibujante (en su mayoría hombres) — y sus responsabilidades. «Es recomendable», escribe Spear, «que [los tres] colaboren». En la década de 1970, las cosas empezaron a dividirse. Los científicos recurrieron en masa a una nueva tecnología que les permitía visualizar los datos en el mismo espacio (un programa de ordenador) en el que los manipularon. Las imágenes eran groseras, pero estaban disponibles rápidamente y no requerían la ayuda de nadie más. Se abrió una grieta en el mundo de la visualización de datos entre la visualización por ordenador y la visualización más clásica basada en el diseño producida por los dibujantes (por fin). Chart Wizard, la innovación de Microsoft en Excel, introdujo «hacer clic y visualizar» para el resto de nosotros, dividiendo por completo los dos mundos. De repente, cualquiera podía crear al instante un gráfico junto con variaciones exageradas que hacían que las barras fueran tridimensionales o que convertían una tarta en una rosquilla. No se puede exagerar la profundidad de este cambio. Ayudó a convertir los gráficos en una lengua franca para los negocios. Impulsó el uso de los datos en las operaciones y, finalmente, permitió la existencia de la ciencia de datos, ya que superó el límite inferior de la cantidad de datos que los diseñadores humanos pueden procesar para la comunicación visual. Lo más importante es que cambió la estructura del trabajo. Los diseñadores (los dibujantes) se devaluaron y, finalmente, dejaron de analizar datos. La visualización pasó a ser el trabajo de quienes gestionaban los datos, la mayoría de los cuales no estaban entrenados para visualizar ni inclinados a aprender. La velocidad y la comodidad de pegar un gráfico del asistente de gráficos en una presentación prevalecieron sobre las imágenes más lentas, que consumían más recursos y se basaban en el diseño, aunque estas últimas fueran demostrablemente más eficaces. Con la llegada de la ciencia de datos, las expectativas puestas en los científicos de datos siguen siendo las mismas (hacer el trabajo y comunicarlo), a pesar de que las habilidades necesarias se han ampliado para incluir la codificación, la estadística y el modelado algorítmico. De hecho, en el histórico 2012 de HBR[artículo](/2012/10/data-scientist-the-sexiest-job-of-the-21st-century) sobre el científico de datos como el trabajo más sexy del siglo XXI, el puesto se describe en términos explícitamente unicornios: «¿Qué habilidades hacen que un científico de datos tenga éxito? Piense en él o ella como un híbrido de hacker de datos, analista, comunicador y asesor de confianza. La combinación es extremadamente poderosa y poco común». Una combinación poco común de habilidades para los puestos más solicitados significa que muchas organizaciones no podrán contratar el talento que necesitan. Tendrán que buscar otra forma de triunfar. La mejor manera es cambiar las habilidades que esperan que tengan los científicos de datos y reconstruir los equipos con una combinación de talentos. ## Crear una mejor operación de ciencia de datos Una operación de datos eficaz basada en el trabajo en equipo puede tomar prestado de Brinton y Spear, pero tendrá en cuenta el contexto moderno, incluido el volumen de datos que se procesan, la automatización de los sistemas y los avances en las técnicas de visualización. También tendrá en cuenta una amplia gama de tipos de proyectos, desde la relativamente sencilla presentación de informes de datos analíticos estándar (por ejemplo, los resultados financieros) hasta las iniciativas de macrodatos más sofisticadas que utilizan algoritmos de aprendizaje automático de última generación. Estos son cuatro pasos para crear uno: ### 1. Defina los talentos, no los miembros del equipo. Puede parecer natural que el primer paso para desmantelar el pensamiento de los unicornios sea asignar a varias personas las funciones que desempeña ahora el científico de datos «perfecto»: manipulador de datos, analista de datos, diseñador y comunicador. No del todo. En lugar de asignar a las personas a funciones, defina los talentos que necesita para tener éxito. Un talento no es una persona, es una habilidad que poseen una o más personas. Una persona puede tener varios talentos; tres personas pueden gestionar cinco talentos. Es una distinción sutil, pero importante para mantener a los equipos lo suficientemente ágiles como para configurar y reconfigurar durante las distintas etapas de un proyecto. (Volveremos a esto.) La lista de talentos de cualquier empresa puede variar, pero un buen conjunto básico incluye los siguientes seis: **Gestión de proyectos.** Como su equipo va a ser ágil y cambiará según el tipo de proyecto y lo avanzado que esté, un buen PM que emplee una metodología similar a la de scrum abarcará todas las facetas de la operación. Un buen director de proyectos tendrá grandes habilidades organizativas y diplomáticas, lo que ayudará a cerrar las brechas culturales al reunir talentos dispares en las reuniones y hacer que todos los miembros del equipo hablen el mismo idioma. **Disputa de datos.** Las habilidades que componen este talento incluyen crear sistemas; encontrar, limpiar y estructurar datos; y crear y mantener algoritmos y otros motores estadísticos. Las personas con talento para negociar buscarán oportunidades para agilizar las operaciones, por ejemplo, creando procesos repetibles para varios proyectos y plantillas para obtener resultados visuales sólidos y predecibles que pongan en marcha el proceso de diseño de la información. **Análisis de datos.** La capacidad de establecer hipótesis y ponerlas a prueba, encontrar significado en los datos y aplicarlo a un contexto empresarial específico es crucial y, sorprendentemente, no está tan bien representada en muchas operaciones de ciencia de datos como se podría pensar. Algunas organizaciones tienen muchos luchadores y también confían en ellos para hacer los análisis. Pero un buen análisis de datos es independiente de la codificación y las matemáticas. A menudo, este talento no proviene de la informática sino de las artes liberales. La empresa de software Tableau clasificó la incorporación de las artes liberales al análisis de datos como una de las[tendencias más importantes](https://www.tableau.com/learn/webinars/bi-trend-2-liberal-arts-impact) en análisis en 2018. Resulta que el pensamiento crítico, la configuración del contexto y otros aspectos del aprendizaje en humanidades también son habilidades básicas para el análisis, los datos o de otro tipo. En una conferencia en línea sobre el tema, el científico investigador de Tableau Michael Correll explicó por qué cree que es crucial incorporar la ciencia de datos a las artes liberales. «Es imposible considerar que los datos están separados de las personas», afirma. «A las artes liberales se les da bien entrar y ver el contexto. Hace que las personas sean visibles de una manera que quizás no lo son en la tecnología». **Experiencia en la materia.** Es hora de dejar el tropo de que los equipos de ciencia de datos están atrapados en el sótano para hacer su arcano trabajo y salir a la luz solo cuando la empresa necesita algo de ellos. La ciencia de datos no debe considerarse una unidad de servicio, sino que debe contar con talento directivo en el equipo. Las personas con conocimientos del negocio y la estrategia servirán de base para el diseño de los proyectos y el análisis de los datos y mantendrán al equipo centrado en los resultados empresariales, no solo en crear los mejores modelos estadísticos. Joaquin Candela, que dirige el aprendizaje automático aplicado en Facebook, tiene[trabajó duro](/2017/07/inside-facebooks-ai-workshop) para centrar su equipo en los resultados empresariales y recompensar las decisiones que favorecen esos resultados en lugar de mejorar la ciencia de datos. **Diseño.** Este talento se malinterpreta ampliamente. Un buen diseño no consiste simplemente en elegir colores y fuentes o en crear una estética para los gráficos. Eso es el estilo, parte del diseño, pero no es en absoluto la parte más importante. Más bien, las personas con talento para el diseño desarrollan y ejecutan sistemas para una comunicación visual eficaz. En nuestro contexto, ellos saben cómo crear y editar imágenes para centrarse en el público y extraer ideas. El talento para el diseño de la información, que hace hincapié en entender y manipular la visualización de datos, es ideal para un equipo de ciencia de datos. **Narración de historias.** La narrativa es un invento humano extremadamente poderoso y uno de los más infrautilizados en la ciencia de datos. La posibilidad de presentar la información de los datos como una historia ayudará, más que cualquier otra cosa, a cerrar la brecha de comunicación entre los algoritmos y los ejecutivos. Sin embargo, «contar historias con datos», una frase de moda cansada, se malinterpreta ampliamente. Decididamente, no se trata de convertir a los presentadores en Stephen Kings o Tom Clancy's. Más bien, se trata de entender la estructura y la mecánica de la narrativa y aplicarlas a la visualización de datos y a las presentaciones. ### 2. Contratar para crear una cartera de los talentos necesarios. Una vez que haya identificado los talentos que necesita, libere su contratación de la idea de que se trata de puestos para los que debe contratar personas. En vez de eso, céntrese en asegurarse de que estos talentos estén disponibles en el equipo. Algunas de ellas, naturalmente, tienden a ir de la mano: el diseño y la narración, por ejemplo, o la discusión de datos y el análisis de datos, pueden existir en una sola persona. A veces, el talento no se encuentra en los empleados sino en los contratistas. Para mi trabajo, guardo un armario de cocina con personas que tienen talento en áreas en las que soy débil. Puede que desee contratar a una empresa de diseño de información o contratar a algunos gestores de datos para limpiar y estructurar los nuevos flujos de datos. Pensar en los talentos como algo separado de las personas ayudará a las empresas a abordar el problema de la última milla, ya que les liberará de tratar de encontrar a la persona que pueda hacer ciencia de datos y comunicarla. Contratar a personas con habilidades superiores de diseño permitirá a los científicos de datos centrarse en sus puntos fuertes. También abrirá la puerta a personas que antes podían haber sido ignoradas. Un programador normal que también tenga buenos conocimientos de diseño, por ejemplo, podría ser muy útil. Randal Olson, el científico de datos principal de Life Epigenetics y comisario del canal de Reddit Data Is Beautiful (dedicado a compartir y hablar sobre la buena visualización de datos), solía centrarse únicamente en lo bien que alguien hacía la parte técnica de la ciencia de datos. «Lo sé, cuando empecé, no apreciaba nada la parte de comunicación», afirma. «Creo que es común». Ahora, en algunos casos, ha cambiado el proceso de contratación. «Ya sabe, vienen e inmediatamente empezamos con modelos de pizarra blanca y matemáticas», dice. «Son científicos de datos que hablan con científicos de datos. Ahora, a veces llamo a una persona que no tiene conocimientos técnicos y le digo al candidato: «Explíquele este modelo a esta persona». ### 3. Exponga a los miembros del equipo a talentos que no tienen. Superar los choques culturales comienza por entender las experiencias de los demás. El talento del diseño no suele estar expuesto a las estadísticas ni a los algoritmos. Se centra en el refinamiento estético, la sencillez, la claridad y la narrativa. La profundidad y la complejidad del trabajo con los datos son difíciles de conciliar para los diseñadores. Los científicos de datos empedernidos, por el contrario, valoran la objetividad, el rigor estadístico y la exhaustividad; la parte de la comunicación no solo les resulta extraña, sino que también les distrae. «Va en contra de su ética», afirma un director de una operación de ciencia de datos en una gran empresa de tecnología. «A mí me pasó lo mismo, trabajando en ciencia de datos durante 10 años, pero me abrió los ojos cuando tuve que crear un equipo. Me di cuenta de que si aprendiéramos un poco más sobre la parte de la comunicación, podríamos defender mucho más para el negocio». Hay muchas maneras de exponer a los miembros del equipo al valor de los talentos de los demás. Los diseñadores deberían aprender algunas estadísticas básicas (por ejemplo, hacer un curso introductorio) mientras que los científicos de datos aprenden los principios básicos del diseño. Ninguno de los dos debe convertirse en expertos en el campo de sus homólogos, solo tienen que aprender lo suficiente como para apreciarse. Las reuniones de monólogos y otras reuniones siempre deben incluir una mezcla de talentos. Un stand-up de scrum orientado principalmente a actualizar los avances tecnológicos todavía puede incluir a un vendedor que haga presentaciones, como ocurre en la empresa de Olson. Los expertos en la materia deberían llevar el talento para la gestión y el análisis de datos a las reuniones de estrategia. Las sesiones especiales en las que las partes interesadas responden a las preguntas del equipo de datos y viceversa también ayudan a cerrar la brecha. El director de algoritmos de Stitch Fix, Eric Colson (que es algo parecido a un unicornio, ya que tiene talento tanto en estadística como en comunicación en una empresa en la que la ciencia de datos es intrínseca), pide a los miembros de su equipo que hagan presentaciones de un minuto para audiencias no técnicas, lo que los obliga a plantear los problemas de manera inteligente que todos puedan entender. «Hasta el día de hoy», dice Colson, «si aquí dice 'cocos', la gente sabrá que fue parte de una metáfora que una persona utilizó para describir un problema estadístico en particular que estaba abordando. Nos centramos en enmarcarlo de manera que todo el mundo lo comprenda, porque la empresa no hará lo que no entiende». Otro director de un equipo de ciencia de datos creó un glosario de términos utilizados por los talentos técnicos y de diseño para ayudar a los empleados a familiarizarse con el idioma de los demás. Si su organización incluye a algunas de esas raras personas que, como Colson, tienen talento tanto para los datos como para la comunicación y el diseño, ayuda que se asesoren unos a otros. Hay que animar a las personas que expresan interés en desarrollar talentos que no tienen, pero que usted necesita, incluso si esos puntos fuertes (habilidades de diseño, por ejemplo) están muy lejos de los que ya tienen (negociación de datos). De hecho, en mis talleres escucho a científicos de datos a los que les encantaría desarrollar su talento para el diseño o la narración, pero no tienen tiempo de comprometerse con ello. A otros les encantaría que ese talento se incorporara a sus equipos, pero su gestión de proyectos se centra principalmente en los resultados técnicos, no en los empresariales. Toda esta exposición tiene como objetivo crear empatía entre los miembros del equipo con diferentes talentos. La empatía, a su vez, genera confianza, una base necesaria para un trabajo en equipo eficaz. Colson recuerda una vez que utilizó el talento narrativo para ayudar a explicar algo que surgía del análisis de datos: «Recuerdo haber hecho una presentación sobre un problema de comercialización, en la que pensaba que lo estábamos abordando de manera equivocada. Tenía que comprar mercancía para comprar la entrada». En lugar de explicar la distribución betabinomial y otros conceptos estadísticos para reforzar su punto de vista, contó una historia sobre alguien que sacaba bolas de una urna y lo que pasó con el tiempo con el número y el tipo de bolas de la urna. «A la gente le encantó», dice. «Observó la habitación y cómo encajaba con ellos y les dio confianza, de modo que en ese momento las matemáticas detrás no eran ni siquiera necesarias de explicar. Confiaban en nosotros». ### 4. Estructure los proyectos en torno a los talentos. Con una cartera de talentos, es hora de utilizarla para lograr sus objetivos. La naturaleza cambiante de los talentos que se necesitan y cuándo pueden hacer que los proyectos sean difíciles de manejar. Las sólidas habilidades de gestión de proyectos y la experiencia en metodologías ágiles ayudarán a planificar la configuración y la reconfiguración de los talentos, a organizar los recursos según sea necesario y a evitar que los cronogramas abrumen cualquier parte del proceso. ## Ponerlo todo junto Querrá tomar otras medidas para que sus proyectos tengan éxito: ### Asigne una única parte interesada capacitada. Es posible, o incluso probable, que no todas las personas cuyo talento necesita dependan del director del equipo de ciencia de datos. El talento del diseño puede rendir cuentas al marketing; los expertos en la materia pueden ser ejecutivos que dependen del CEO. Sin embargo, es importante dar al equipo el mayor poder de toma de decisiones posible. Las partes interesadas suelen ser personas con experiencia empresarial que están estrechamente relacionadas con los objetivos empresariales o son responsables de ellos; al fin y al cabo, el objetivo del trabajo es mejorar los resultados empresariales. Esas personas pueden crear objetivos e incentivos compartidos para el equipo. Lo ideal sería evitar la trampa de la responsabilidad sin autoridad, en la que el equipo trata con varias partes interesadas que tal vez no estén todas alineadas. A los científicos de datos les parece que comunicar su trabajo no solo es extranjero sino que también es una distracción. ### Asigne el talento líder y el talento de apoyo. Quién dirija y quién apoye dependerán del tipo de proyecto del que se trate y de la fase en la que se encuentre. Por ejemplo, en un proyecto profundamente exploratorio, en el que se procesan y visualizan grandes volúmenes de datos solo para encontrar patrones, la discusión y el análisis de los datos toman la iniciativa, con el apoyo de la experiencia en la materia; es posible que el talento del diseño no participe en absoluto, ya que no se requiere comunicación externa. Por el contrario, para preparar un informe para la junta sobre las pruebas de un ajuste de estrategia recomendado, un líder de narración y diseño con el apoyo de talentos de los datos. ### Colocar. Haga que todos los miembros del equipo trabajen en el mismo espacio físico durante un proyecto. Configure también un espacio virtual compartido para la comunicación y la colaboración. No sería deseable que personas con talento para el diseño y la narración utilizaran un canal de Slack mientras el equipo técnico utiliza GitHub y los expertos empresariales colaboran por correo electrónico. Utilice técnicas de «análisis por parejas», en las que los miembros del equipo se sientan literalmente uno al lado del otro y trabajen en una pantalla en un proceso iterativo similar al de un scrum. Pueden ser personas con talento para discutir y analizar datos que refinan modelos de datos y ponen a prueba hipótesis, o una pareja con experiencia en la materia y habilidad para contar historias que trabajan juntas para pulir una presentación, recurriendo al diseño cuando tienen que adaptar un gráfico. ### Que sea un equipo de verdad. La presunción crucial de la colocación es que se trata de un equipo empoderado. En Stitch Fix «nuestra regla es que no hay traspasos», dice Colson. «No queremos tener que coordinar a tres personas en todos los departamentos». Con este fin, ha dado prioridad a garantizar que sus equipos tengan todas las habilidades que necesitan para lograr sus objetivos con un apoyo externo limitado. También trata de contratar a personas que muchos considerarían generalistas que cruzan la brecha entre la tecnología y la comunicación. Amplía este modelo con comentarios periódicos para, por ejemplo, una persona de datos que necesita ayuda con la narración o un experto en la materia que necesita entender algún principio estadístico. ### Reutilización y plantilla. Colson también creó un «equipo de interfaz de usuario de algo». Piense en ello como un grupo de personas que combinan sus talentos de diseño y de gestión de datos para crear conjuntos de códigos reutilizables a fin de producir una buena visualización de datos para los equipos de proyectos. Estas plantillas tienen un valor incalculable para que un equipo funcione de manera eficiente. Las conversaciones que un diseñador de información, por ejemplo, mantendría con un analista de datos sobre las mejores prácticas de visualización se codifican en las herramientas. Graham MacDonald, el científico de datos jefe del Instituto Urbano, ha fomentado con éxito este tipo de cooperación en materia de plantillas. Su grupo produce datos por condado para muchos condados de EE. UU. Al reunir la recopilación de datos y la experiencia en la materia para entender las necesidades de comunicación, el grupo creó una plantilla reutilizable que podía personalizar el resultado para cualquier condado en concreto. Ese resultado habría sido difícil sin la integración de esos talentos en el equipo. ### CONCLUSIÓN La presentación de la ciencia de datos al público no especializado (el último kilómetro) no ha evolucionado tan rápido ni tan plenamente como la parte técnica de la ciencia. Debe ponerse al día y eso significa replantearse la forma en que se organizan los equipos de ciencia de datos, cómo se gestionan y quién participa en cada punto del proceso, desde el primer flujo de datos hasta el último gráfico que se muestra a la junta. Hasta que las empresas no puedan recorrer esa última milla con éxito, los equipos de ciencia de datos no cumplirán. Proporcionarán, en palabras de Willard Brinton, cimientos sin catedrales. Read more on [**Analytics and data science**](/topic/subject/analytics-and-data-science?ab=articlepage-topic) or related topics [**Business communication**](/topic/subject/business-communication?ab=articlepage-topic) and [**Hiring and recruitment**](/topic/subject/hiring-and-recruitment?ab=articlepage-topic)