Algunas consideraciones antes de afrontar un Máster en Analítica de Datos
Varias personas me han pedido que les recomiende un máster para dedicarse a esto del Data Science… y el caso es que no hay un anillo para todos los dedos. Lo cierto es que la era de los datos en la que estamos ya embarcados necesitará (necesita) cientos de miles de profesionales expertos en análisis de datos. Todos somos ya conscientes de que conceptos como el big data, la inteligencia artificial o la transformación digital han llegado para quedarse y muchos ven en el análisis de datos una oportunidad profesional. Es por ello que mucha gente con diferente background (ingeniería, economía, derecho, matemáticas, comunicación, …) desea transformarse en un profesional de los datos.
Sin embargo, convertirse en un especialista en datos requiere de una formación específica en diferentes disciplinas. Analítica de datos, big data, data science, inteligencia artificial, business intelligence, machine learning, … todos esos conceptos pueden estar en el título del máster, y son los que “atraen” al estudiante. Pero no hay un programa perfecto para todos. Si realmente quieres estudiar un máster de este tipo, creo que hay algunos factores que debes sopesar.
¿En qué consiste un máster relacionado con analítica de datos?
Haciendo un barrido por distintas universidades y escuelas sobre su oferta educativa en estas áreas, he sacado una nube de términos de las descripciones de los programas.
Viendo también la composición de los módulos, se observa que hay tres grandes áreas en todas estas especializaciones:
- Tecnología: aprendiendo sobre sistemas de gestión de datos, estructuras de datos, infraestructura y tecnologías de almacenaje y procesado propias de big data.
- Analítica de datos: técnicas y herramientas de análisis y modelado de datos, minería de datos, machine learning, data science y visualización de datos.
- Negocio: cubriendo temas de estrategia y empresa, análisis de mercados, business intelligence e innovación.
Estas áreas se acompañan del uso de muchas herramientas software y lenguajes de programación, por ello la mayoría de los programas incluyen también el uso de: Python, R, Hadoop, Spark, SQL, noSQL, software de análisis estadístico, Tableau, ... Son herramientas necesarias para entender cómo manipular datos de principio a fin, lo que se conoce como el Data Journey.
Primera consideración: cuando hablamos de análisis de datos, estamos hablando de tecnología, así que pregúntate qué herramientas vas a necesitar en el máster y cuál esperan que sea tu conocimiento sobre cada una de ellas antes de comenzar. Si es posible instálalas todas previamente (los manuales de instalación suelen estar en internet, si no eres capaz de seguir los manuales de instalación es una mala señal para que elijas un máster de este tipo).
¿Qué institución imparte el máster?
La composición definitiva de la carga lectiva en cada área (negocio, tecnología y analítica) depende en gran medida del tipo de institución que imparta el máster. Pregúntate si el máster se imparte en una escuela técnica, en una universidad más general, en una escuela de negocios, … Elige una institución que esté especializada en el área que más te interese.
También, échale un ojo al claustro: ¿es gente de empresa, investigadores, especialistas en software, científicos de datos? Yo buscaría en el claustro gente que se parezca a esa posición a la que quieres llegar.
¿Cómo es el gap que tienes que cubrir para sacarle provecho al máster?
Como he dicho, no existe el máster perfecto para todos los casos. Cada profesional viene de uno u otro dominio y necesitará más o menos formación en diferentes áreas.
Sin embargo, lo que es cierto es que un máster no es una carrera (o en este caso, varias) comprimida. Es una especialización. Y se supone que ya vas con la cabeza “amueblada” para pensar en datos. En concreto, para un máster de este tipo es necesario que te lleves bien con la tecnología y con los números.
Aunque haya un “curso cero” en el máster donde te expliquen los conceptos básicos, mi consejo es que te prepares antes en áreas como programación, bases de datos o estadística. Hay cursos estupendos y gratuitos en plataformas del estilo de Coursera.
