¿Cuál es la diferencia entre data science y data analytics?

El mundo de los datos es complejo y difícil de entender, especialmente para aquellas personas no expertas o conocedoras del tema. A medida que las posibilidades de creación e innovación a partir de los datos aumentan, la dificultad para mantenerse al día de los términos y roles relativos a su tratamiento se multiplica. En esta ocasión, hablamos de la diferencia entre data science y data analytics.

Una de las principales confusiones en relación con la terminología del mundo de los datos está relacionada con los conceptos data science y data analytics, dos áreas profesionales estrechamente vinculadas que se pueden llegar a solapar, si bien por lo general cumplen funciones dispares. 

A pesar de que tanto el data science como el data analytics aplican la estadística, las matemáticas y la programación, lo hacen con propósitos distintos. Con lo cual, los perfiles profesionales de estas dos disciplinas vinculadas a los datos también están claramente diferenciados y requieren de aptitudes, conocimientos y habilidades distintas. 

¿Qué es data science?

El data science o ciencia de datos es una disciplina vinculada al data, cuya significación ha ido evolucionando con el tiempo. Sin embargo, hoy en día se considera que la función principal del data science es el tratamiento de grandes cantidades de datos recopilados por las compañías para que puedan ser analizados (data analytics) o empleados en otras acciones de la actividad empresarial, normalmente relacionadas con el busieness intelligence. 

Es decir, básicamente, los científicos de datos son los encargados de transformar los datos "en sucio" en "material" comprensible, de calidad y aprovechable para el desarrollo de acciones empresariales. 

En este sentido, el data science incluye múltiples ciencias y actividades como el machine learning y el deep learning, la integración de datos, el desarrollo de algoritmos basados en las matemáticas, etc. Además de ser los encargados de procurar que los datos puedan ser usados y posteriormente transformados en insights de negocio que servirán de base para la toma de decisiones estratégicas, los científicos de datos también trabajan en la transformación y carga de los datos a través de procesos como ETL o ELT. 

Al fin y al cabo la finalidad última de los datos es ejercer de base del proceso de toma de decisiones empresariales para que los ejecutivos puedan tomar data-driven decisions (decisiones informadas basadas en los datos). No obstante, para que ocurra, los datos deben haber sido previamente tratados. Como siempre repetimos en este blog, los datos por si solos no son información. 

A grandes trechos la ciencia de datos se puede dividir en tres subramas: la preparación de datos, la limpieza de datos y el análisis de datos. Por lo tanto, el data analytics se incluye dentro del data science. 

¿Qué es data analytics?

El data analytics es una vertiente de la ciencia de datos o data science particularmente centrada en el análisis de los datos. Es decir, un analista de datos es, en cierta manera, un científico de datos experto en analizar datos a través de herramientas de análisis y BI. Si el científico de datos transforma y habilita los datos recopilados para que estos puedan ser empleados en operaciones (como el análisis de datos), el analista de datos se encarga de encontrar tendencias entre los conjuntos de datos, transformar los datos en métricas de medición y evaluación del rendimiento, identificar aspectos relevantes, sacar conclusiones, etc. 

En el ecosistema empresarial actual el análisis de datos es esencial para el buen funcionamiento de cualquier organización, ya que las compañías y los altos cargos encargados de decidir y liderarlas requieren de cada vez más información y cada vez de manera más inmediata para tomar decisiones. 

Así, mientras el científico de datos transforma los datos en archivos que contienen información, los analistas de datos transforman los datos en información y la información en insights de negocio que deben fomentar la toma de mejores decisiones estratégicas por parte de los cargos directivos del negocio. 

Sin embargo, a pesar de que los perfiles profesionales expertos en business intelligence hacen algo similar, no debemos confundir data analytics con BI. Los consultores de business intelligence trabajan con cantidades de datos mucho más pequeñas, normalmente ya establecidas, ordenadas y referenciadas y tienen una capacidad analítica más concreta y acotada. 

En este sentido, un analista de datos puede trabajar para lograr un sinfín de metas empresariales: mejorar la eficiencia operativa, identificar oportunidades de negocio, hallar ineficiencias en la productividad, optimizar la experiencia de cliente, optimar el modelo de negocio, etc. 

Diferencia entre data analytics y data science

Como ya hemos visto, el data analytics es una vertiente del data science o ciencia de datos. Así, la principal diferencia entre ambas es su enfoque. Mientras que la ciencia de datos tiene un enfoque global y abarca cualquier acción relativa al tratamiento de los datos con perspectiva de descubrimiento, el data analytics se focaliza en el análisis de datos para la obtención de insights de negocio que sirvan de apoyo a los encargados de tomar decisiones empresariales, partiendo de una perspectiva enfocada en la resolución de problemas existentes.

Otra de las diferencias más significativas entre ambas disciplinas es que la ciencia de datos plantea preguntas y los analistas de datos son los encargados de responderlas. 

A continuación, mencionamos algunas de las labores y competencias concretas de cada perfil profesional: 

• Labores y competencias de data science:
  
  • Tratamiento, transformación y limpieza de datos.
  • Descubrimiento de problemas, anomalías y/o tendencias. 
  • Análisis predictivo / Forecasting.
  • Data mining (minería de datos).
  • Desarrollo de algoritmos.
  • Desarrollo de modelos de machine learning y deep learning.
  • Presentación de resultados, planteamiento de preguntas y análisis ad-hoc.
• Labores y competencias de data analytics: 
  • Resolver problemas de negocio e ineficiencias en la actividad empresarial.
  • Analizar la información que contienen los datos para la obtención de insights empresariales. 
  • Asegurar la calidad y fiabilidad de los datos (data quality). 
  • Rastreo y mapeo de la ruta de los datos. 
  • Cálculo de métricas e indicadores (análisis estadístico). 
  • Dar respuesta a preguntas específicas. 
    

Conclusión

En definitiva, el data analytics es una vertiente del data science. Así, la ciencia de datos es una disciplina mucho más global y menos específica que el análisis de datos. Mientras una se encarga de habilitar los datos para que puedan ser usados, la función de la otra es analizarlos para ayudar a los cargos directivos a tomar mejores decisiones de negocio.