No soy un Backend: Qué hace realmente un Data Scientist (y cómo explicárselo a tu jefe)
Es la historia de siempre. Una empresa decide que necesita “Innovación” e “IA”. Contratan a un Data Scientist (tú). Primer día de trabajo: te piden que arregles una API en Java o que centres un div en el dashboard de administración.
Si te suena, no estás solo.
El problema no es la mala fe, es la confusión terminológica. Para muchos managers, “si escribe código, es un desarrollador”. Y ese es un error carísimo.
Hoy vamos a desglosar qué hace realmente un Data Scientist, por qué el oficio es mucho más amplio de lo que parece y, lo más importante, qué decirle a tu jefe para que deje de usarte como un desarrollador backend caro.
El origen del malentendido: Código vs. Producto
La raíz del problema es sencilla: tanto el Data Scientist como el Desarrollador Backend usan herramientas similares (Python, SQL, terminales, Git).
Pero el objetivo es radicalmente opuesto:
- El Desarrollador de Software (Backend): Construye sistemas. Su mundo es determinista. Si el código está bien hecho, el output A siempre genera el resultado B. Su objetivo es la estabilidad, la escalabilidad y la eficiencia del sistema.
- El Data Scientist: Busca respuestas. Su mundo es probabilístico. Experimenta con datos para reducir la incertidumbre. Su objetivo no es (siempre) construir un software final, sino extraer valor, patrones o predicciones de la información.
Si pones a un Data Scientist a hacer tareas puras de Backend, estás usando un microscopio para clavar clavos. Funciona (a veces), pero es un desperdicio de recursos y acabarás rompiendo el microscopio.
El abanico de la Ciencia de Datos (No somos unicornios)
Otro punto para explicar a tu cliente o manager: “Data Science” es un término paraguas. Dentro de este oficio hay especializaciones muy claras. Esperar que una sola persona lo haga todo es la receta para el burnout.
Para que se entienda fácil, divídelo en tres perfiles:
- Data Analyst: Mira al pasado. Responde a “¿Qué pasó?”. Usa SQL y visualización (Tableau/PowerBI) para explicar el negocio.
- Data Engineer: Construye las tuberías. Se asegura de que los datos lleguen limpios y rápidos. Esto es lo más cercano al desarrollo de software tradicional.
- Machine Learning Scientist: Mira al futuro. Responde a “¿Qué pasará?”. Crea modelos predictivos y algoritmos.
Cuando una empresa contrata a un “Data Scientist” genérico y le pide que levante la infraestructura (Ingeniería), haga los dashboards (Analítica) y entrene modelos (Ciencia), suele acabar no haciendo nada de eso y termina parcheando código legacy.
El guion: Cómo explicarle a tu jefe qué haces
Aquí tienes los argumentos clave para tu próxima reunión 1 a 1. No se trata de quejarte, se trata de hablar en su idioma: rentabilidad y eficiencia.
1. “Yo vendo reducción de incertidumbre, no líneas de código”
Explica que tu trabajo es científico. Tienes una hipótesis (ej: “podemos predecir qué clientes se van a ir”), experimentas y obtienes un resultado.
Un desarrollador recibe unas especificaciones claras para construir algo que ya sabemos que queremos. Tú descubres lo que no sabemos.
2. “Mi ciclo de vida es diferente”
El desarrollo de software suele ser lineal o ágil con entregables claros. La ciencia de datos es iterativa y exploratoria. A veces, el resultado de una semana de trabajo es descubrir que una idea no es viable.
Y eso es valioso: has ahorrado a la empresa meses de desarrollo en una funcionalidad inútil. Eso es lo que haces.
3. “Si hago Backend, pierdes dinero”
Sé pragmático. Un Senior Backend Developer suele ser más rápido y eficiente escribiendo APIs y microservicios que un Data Scientist.
Si te dedicas a eso, la empresa está pagando un sueldo especializado para obtener un resultado mediocre en un área que no es la tuya, mientras los datos siguen ahí, sin explotar, perdiendo valor cada día.
Conclusión: La especialización es madurez
La carrera de Data Scientist es fascinante porque mezcla estadística, programación y conocimiento de negocio. Pero para que brille, necesita un entorno que entienda que no somos “los chicos que arreglan el ordenador” ni “programadores extra”.
Somos los que tomamos el activo más valioso de la empresa (los datos) y lo convertimos en decisiones inteligentes.
Si tu jefe te pide que cambies el color de un botón “porque sabes programar”, envíale este artículo.