Introducción
Guía Data Science - Ciencia de datos: Los artículos anteriores han abordado qué estudiar para trabajar como analista de datos y qué conocimientos permiten desempeñar dicho trabajo. El siguiente paso es comprender qué sucede cuando el profesional asume problemas de mayor complejidad, como construir modelos predictivos, diseñar experimentos, trabajar con datos no estructurados o llevar soluciones de inteligencia artificial a entornos reales.
Ese es, en términos generales, el campo del Data Scientist o científico de datos, con una función que consiste en desarrollar métodos para extraer conocimiento, realizar predicciones, apoyar decisiones mediante modelos estadísticos y aplicar técnicas de Machine Learning.
O*NET relaciona este perfil con el análisis de grandes conjuntos de datos, modelización, minería de datos, procesamiento del lenguaje natural y evaluación de resultados. En Estados Unidos, el Bureau of Labor Statistics proyecta un crecimiento del empleo de Data Scientists del 33,5 % entre 2024 y 2034, unos 82.500 puestos adicionales. Es una referencia internacional, no una previsión específica para España, pero permite dimensionar la expansión de la ocupación.
¿Qué hace realmente un Data Scientist?
La diferencia respecto del análisis descriptivo está en la naturaleza del problema. Un Data Scientist puede estimar comportamientos futuros, identificar relaciones relevantes, detectar patrones complejos o construir sistemas capaces de automatizar decisiones.
El trabajo comienza antes del algoritmo, cuando nos lanzamos a comprender el problema, determinar la información necesaria, formular el objetivo y establecer cómo se evaluará el resultado. Un proyecto puede abordar abandono de clientes, demanda, fraude o predicción temporal. En todos los casos hay que transformar X pregunta aplicada en un problema estadístico o computacional.
Por eso, el Data Scientist se sitúa en la intersección entre estadística, programación, conocimiento del dominio e ingeniería de datos.
Del análisis descriptivo a la modelización
Modelos que generalizan
El elemento distintivo es construir y evaluar modelos. El modelo de Machine Learning aprende relaciones a partir de datos históricos para aplicarlas sobre observaciones nuevas. Esto obliga a controlar selección de variables, partición de datos, validación cruzada, hiperparámetros, sobreajuste y generalización.
O*NET incluye entre las tareas del puesto probar, validar y reformular modelos y comparar su rendimiento mediante métricas adecuadas. El objetivo no es ajustar perfectamente los datos de entrenamiento, sino conseguir un comportamiento fiable ante información no observada.
Experimentación y causalidad
El Data Scientist debe distinguir predicción de causalidad. El modelo puede encontrar asociaciones útiles sin demostrar que una variable cause otra. Cuando el problema lo exige, necesita conocer diseño experimental, pruebas A/B, inferencia causal y estrategias para controlar factores de confusión.
Machine Learning como núcleo técnico
El aprendizaje automático ocupa un lugar central. El profesional que busca el mercado laboral en análisis de datos avanzado debe comprender los enfoques supervisado y no supervisado y, según su especialización, técnicas de ensamblado, optimización, reducción de dimensionalidad, detección de anomalías y Deep Learning.
Las ofertas analizadas por O*NET para Estados Unidos en 2025 muestran la amplitud tecnológica del perfil: Python aparece en el 66 % de los anuncios, SQL en el 51 %, R en el 34 %, Tableau en el 22 %, Power BI en el 19 %, AWS en el 17 %, Azure en el 13 %, TensorFlow en el 11 % y PyTorch en el 10 %. Son porcentajes de anuncios que mencionan cada tecnología, no una clasificación de importancia.
La diversidad es significativa, el mercado demanda algoritmos, pero también programación, visualización, cloud y tecnologías de despliegue.
Programación, ingeniería de datos y cloud
En Data Science aumenta la profundidad con la que se utilizan competencias presentes en el perfil Data Analyst. Python sostiene pipelines, entrenamiento y servicios analíticos, pero SQL sigue siendo indispensable, dado que los datos proceden de sistemas operacionales, warehouses y lagos de datos.
El salto profesional consiste en pasar del código que resuelve una tarea al código reproducible y mantenible. Esto exige control de versiones, pruebas, gestión de dependencias y documentación.
Un análisis europeo de 8.086 ofertas de empleo relacionadas con datos publicado en 2025 encontró que el 11 % de los títulos combinaban varios roles, como ML Engineer/Data Scientist o AI Engineer/Data Analyst. Vemos indicio de perfiles cada vez más híbridos.
El Data Scientist no tiene que diseñar toda la infraestructura, pero necesita comprender ETL/ELT, data warehouses, data lakes, procesamiento distribuido y cloud. Spark y las principales plataformas cloud adquieren valor cuando la escala supera las capacidades locales.
Del modelo experimental al modelo operativo
Entrenar un modelo en un notebook es solo una etapa. Una solución profesional debe ejecutarse controladamente, actualizarse con nuevos datos, registrar versiones y monitorizar su rendimiento.
Aquí aparece MLOps, que combina ingeniería de software, gestión de datos y Machine Learning para facilitar el despliegue y mantenimiento de modelos. Nuestro profesional en análisis de datosdebe considerar qué ocurre cuando cambia la distribución de los datos, disminuye el rendimiento o es necesario reproducir un resultado.
Datos no estructurados e IA
Textos, documentos, imágenes, audio y vídeo requieren técnicas específicas. En este ámbito aparecen Natural Language Processing, embeddings, Transformers, redes neuronales y Deep Learning.
La IA generativa ha ampliado este campo hacia grandes modelos de lenguaje, sistemas de recuperación aumentada, clasificación semántica, recomendación y análisis documental (todos factores que están cambiando espectacularmente la forma de trabajar). O*NET incluye el procesamiento del lenguaje natural entre las áreas vinculadas al perfil, esta especialización exige comprender también la representación de los datos, evaluación y riesgos asociados a su utilización.
Estadística avanzada y razonamiento científico
Sabemos bien que Machine Learning no sustituye a la estadística. El Data Scientist debería comprender estimación, inferencia, modelos probabilísticos, evaluación de hipótesis, diseño experimental e incertidumbre.
Una probabilidad predicha de 0,8 no equivale automáticamente a un 80 % de certeza en cualquier contexto, es decir, la interpretación depende del modelo, calibración y las condiciones bajo las que se obtuvo.
El razonamiento científico implica trabajar de forma reproducible, contrastar resultados y mantenerse actualizado mediante literatura y nueva formación especializada.
Comunicación y conocimiento del negocio
El desarrollo de un modelo solo genera valor cuando puede integrarse en una decisión o proceso. El Data Scientist es quien pasaría a explicar por qué se ha elegido un método, qué variables utiliza, cuál margen de error presenta y cuáles son sus implicaciones.
El análisis europeo de 2025 situó la resolución de problemas y el pensamiento analítico entre las habilidades más solicitadas, seguidas por colaboración, trabajo en equipo y comunicación. El perfil, por lo tanto, no es exclusivamente técnico, construir un modelo y conseguir que otras áreas comprendan y utilicen sus resultados son capacidades inseparables (existe cierto peso en las habilidades comunicativas).
El Data Scientist en la era de la IA generativa
La IA generativa puede generar código, consultas SQL, documentación y apoyar la exploración de datos, pero no elimina la responsabilidad metodológica. El World Economic Forum estima que el 39 % de las competencias actuales cambiarán o quedarán parcialmente obsoletas entre 2025 y 2030 y sitúa AI y Big Data entre las capacidades de crecimiento más rápido. También destaca alfabetización tecnológica, pensamiento analítico, creatividad y aprendizaje continuo. Para el Data Scientist, lo anterior significa utilizar la IA como herramienta de productividad sin delegar en ella la validación del análisis.
¿Qué formación necesita un Data Scientist?
La amplitud del perfil dificulta adquirir sus competencias mediante cursos aislados. Dicho esto, el Máster en Big Data y Data Science de la UNED ofrece una estructura de 60 ECTS que integra múltiples conocimientos estratégicos para el área que nos ocupa.
La relación con el perfil profesional es especialmente clara en Machine Learning, redes neuronales, Deep Learning, modelos probabilísticos, análisis causal y programación en Python y R. También incorpora PySpark, MLOps y prácticas de ingeniería para despliegue.
Esta integración conecta modelización, infraestructura y despliegue en un mismo itinerario. Y sin olvidar los proyectos aplicados y el Trabajo Fin de Máster, que permiten demostrar la capacidad para recorrer el ciclo completo: definir el problema, preparar datos, modelizar, evaluar, interpretar y, cuando proceda, desplegar.
A modo de conclusiones
El Data Scientist trabaja con problemas donde la modelización, predicción, experimentación e inteligencia artificial tienen un papel central. Hablamos de un perfil que integra estadística, Machine Learning, programación, arquitectura de datos, cloud, evaluación de modelos y, cada vez más, MLOps e IA generativa.
Las cifras muestran esta amplitud. En las ofertas estadounidenses analizadas por O*NET, Python aparece en el 66 % y SQL en el 51 %. En Europa, un análisis de 8.086 ofertas de 2025 identificó un 11 % de títulos híbridos y demanda de programación, resolución de problemas y comunicación.
La formación debe acompañar esa evolución. El Máster en Big Data y Data Science de la UNED es el expediente más destacado en integración.
El verdadero valor del Data Scientist reside en convertir problemas complejos en modelos rigurosos y soluciones reproducibles, comprendiendo tanto la base estadística del análisis como la infraestructura necesaria para llevarlo a la práctica.
FAQ
¿Qué hace un Data Scientist?
Desarrolla y valida modelos estadísticos y de Machine Learning, trabaja con grandes conjuntos de datos y transforma problemas de negocio o investigación en soluciones cuantitativas.
¿Cuál es la diferencia entre Data Analyst y Data Scientist?
El Data Analyst suele centrarse en extracción, transformación, análisis y comunicación. El Data Scientist profundiza en modelización predictiva, experimentación y Machine Learning, aunque existe distinto solapamiento.
¿Qué lenguajes debe conocer?
Python ocupa una posición central en las ofertas actuales y SQL presenta también una elevada presencia. R mantiene importancia en determinados ámbitos estadísticos y cuantitativos.
¿Necesita saber matemáticas?
Sí, especialmente estadística y probabilidad. El nivel depende de los modelos y del ámbito de especialización.
¿Debe conocer Deep Learning?
No todos los puestos lo requieren con la misma profundidad. Es especialmente relevante en visión artificial, lenguaje natural y sistemas generativos.
Referencias bibliográficas
Bureau of Labor Statistics. (2026, July 16). Artificial intelligence, information technology, and employment, 2024–34. U.S. Department of Labor. https://www.bls.gov/opub/ted/2026/artificial-intelligence-information-technology-and-employment-2024-34.htm
Dong, Y., Baral, D., & Baral, K. (2026). Are U.S. graduate curricula ready to prepare social data scientists for the AI era? Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1657651
ONET OnLine. (2026). 15-2051.00: Data Scientists. National Center for ONET Development, U.S. Department of Labor. https://www.onetonline.org/link/summary/15-2051.00
ONET OnLine. (2026). In-demand software skills: 15-2051.00 Data Scientists. National Center for ONET Development, U.S. Department of Labor. https://www.onetonline.org/link/demand/15-2051.00
World Economic Forum. (2025). The Future of Jobs Report 2025. World Economic Forum. https://www.weforum.org/publications/the-future-of-jobs-report-2025/
World Economic Forum. (2025). Skills outlook: The Future of Jobs Report 2025. World Economic Forum. https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/3-skills-outlook/
Method Matters. (2025, September 21). Inside the 2025 data labor market in Europe: What 8,086 job ads tell us about the roles, technologies and skills that really matter. https://methodmatters.github.io/data-jobs-europe-2025-part-1/
Universidad Nacional de Educación a Distancia. (2026). Big Data y Data Science aplicados a la Economía y a la Administración y Dirección de Empresas. Formación Permanente UNED. https://formacionpermanente.uned.es/tp_actividad/actividad/big-data-y-data-science-aplicados-a-la-economia-y-a-la-administracion-y-direccion-de-empresas
Máster en Big Data y Data Science. (2026). Estructura y metodología. UNED. https://www.masterbigdataonline.com/estructura.html
Máster en Big Data y Data Science. (2026). Contenido. UNED. https://www.masterbigdataonline.com/contenido.html