La tecnología y soluciones creativas recientes mejoran continuamente la eficiencia a la hora de reunir y analizar distintos volúmenes de datos. Sin embargo, la clave sigue siendo tener entre filas a un profesional bien formado, alguien que pueda formular las preguntas correctas cuando nos enfrentamos a la analítica de datos, con objeto de extraer esa información cuyo nivel de sofisticación puede significar el éxito en una investigación o en un proyecto empresarial. Pero para lograr tales cosas, se hace urgente implementar una pedagogía del pensamiento crítico, por ejemplo, durante el estudio de la Estadística.  

UNA REALIDAD TECNOLÓGICA Y CULTURAL

Seguir usando esquematizaciones educativas anteriores a conceptos como automatización, transformación digital o Big Data nos coloca en una grave desventaja competitiva. Es necesaria una nueva toma de conciencia, una reflexión sobre nuestra potencia computacional y algorítmica, por citar solo dos aspectos. Un ejercicio analítico que viaje más allá del miedo, ya típico a escala sociocultural, acerca de un futuro muy próximo donde las máquinas nos remplazan en un número creciente de puestos de trabajo.

Por supuesto, hay una cierta realidad en el desplazamiento humano de tareas. Un informe reciente del Foro de Economía Mundial  explica que el 52% de las actuales tareas humanas serán asumidas por sistemas artificiales en los próximos años.

Se considera que en el 2022 se habrán transformado digitalmente 75 millones de empleos  en el mundo; a la vez que, probablemente, se habrán creado 133 millones de puestos de trabajo relacionados directamente con las tecnologías que permitieron suprimir a los primeros.  Es decir, los cambios en la manera de producir y consumir tienen el potencial, al menos estadístico, de crear 58 millones de nuevos trabajos enfocados a la automatización, el Big Data, etc.

Otro dato afirma que, durante los próximos años, un 54% de los empleos demandará una formación relacionada con lo que diversos estudios denominan como “Revolución industrial 4.0”: un cambio en los modos de producción basado en la puesta en red de los eslabones o actores del proceso productivo a escala global, la inteligencia artificial y la toma de decisiones en “tiempo  real” gracias a la analítica masiva de datos.

Todas las coordenadas de los futuros cambios pasan por los modelos formativos, las compañías e instituciones se debaten entre la preparación propia de sus trabajadores (una formación adaptada a necesidades concretas), la creación de nuevos departamentos y una llamada al mundo académico público y privado para que aporten al mercado laboral los profesionales necesarios.

A este último reto han respondido algunos, unos con mayor fuerza que otros, resultando destacable el Programa de Experto, Especialista y Máster en Big Data y Data Science de la UNED, probablemente la formación superior más exitosa en la materia de las existentes en la universidad pública española actual (Ver 7 razones para elegir el Máster en Big Data y Data Science Online de la UNED).

ESTADÍSTICA, ARGUMENTACIÓN Y CRÍTICA

Como antes afirmábamos, la habilidad en pensamiento crítico está directamente relacionada con la generación del interrogante correcto, un puente hacia el patrón o la pauta que se haya codificada en los datos. Una matriz de datos es como una mezcla entre la lámpara de los genios en los viejos cuentos persas y las más claras visiones de Asimov: todo está en dependencia de hacer las preguntas correctas, aquello que tanto complementa la enseñanza de la Estadística, lo que todavía conserva su mayor peso en la habilidad humana que programa a la máquina.

No cabe duda de que convertirse o ser un Data Science involucra un talento, por ahora, específicamente humano; como la capacidad de extrapolar determinadas lecturas o interpretaciones sobre los datos a un escenario real, así como la cuestión de una “percepción” dialéctica y cualitativa o simplemente la posibilidad de tener en cuenta el peso de la intuición (en el fondo construida a través de la experiencia).

Pero, claro está, hablamos de potencialidades que tienen que ser entrenadas al interior del modelo formativo donde estamos, para lo que se necesita una gran voluntad de innovación educativa.

El Data Science, como conocemos, es una unión de conocimientos que marchan sobre la Estadística, la informática, las ciencias aplicadas y otras disciplinas. Su cometido pasa por estudiar bases de datos multivariadas mediante programación, inteligencia artificial, etc.

Ahora bien, al observar sus requerimientos más de cerca, encontramos que un científico de los datos tiene que desarrollar otras habilidades  (Dichev y Dicheva 2017): como la argumentación efectiva, la comunicación, el desarrollo de herramientas para visualizar datos eficientemente (un apartado que se consigue, por ejemplo, con formaciones complementarias como la creación de aplicaciones Web interactivas mediante R (Shiny)), pero también tenemos el pensamiento computacional o la construcción efectiva de preguntas.

La reunión de las destrezas mencionadas proporcionan algo de enorme relevancia: la coherencia. En relación a la argumentación efectiva (Parker 2018), se presenta una alianza muy productiva con el manejo estadístico y computacional. Describimos a un profesional que puede trabajar en una investigación, donde clarifica y descompone el problema, reúne toda la información y la analiza e interpreta para lograr encontrar la respuesta a los interrogantes iniciales; pero además conoce múltiples herramientas y técnicas que le ayudan a “relatar” el problema y los resultados estadísticos de manera hablada y escrita. En otras palabras, la construcción de nuevo conocimiento demanda que éste sea comunicado (y hacerlo críticamente).

Algunos expertos también argumentan a favor de un desarrollo mayor del razonamiento inferencial. Ir más allá de los datos de la muestra para explorar ese universo mayor que los contiene, hasta el arribo a conclusiones inciertas (Inzunza 2013). Como conocemos, existen importantes experimentos académicos donde se ha trabajado el razonamiento inferencial mediante lenguaje escrito y oral en herramientas digitales (Gaudalupe, 2018).

En resumen, la nueva realidad que imponen el Big Data y el Data Science hacen pensar sobre la amalgama de conocimientos contenida en una de las figuras profesionales y científicas con mayor potencial de integralidad y multidisciplinaridad de los últimos tiempos. Las transformaciones en el modelo de producción representadas en la misma definición de cuarta revolución industrial tienen sus principales símbolos en el Big Data y el Data Science.