En Ciencia de Datos, la diferencia no radica únicamente en la elección de un modelo. A menudo reside en algo más prosaico (y más determinante): cómo trabajar juntos. En consultoría, los equipos están dispersos, los contextos de los clientes son variados y la experiencia puede quedarse rápidamente “en las cabezas”. Maëva Merlet, líder de práctica de Ciencia de Datos en Astek, dentro de la CRO Alsinova, se ha fijado un objetivo simple: transformar las experiencias individuales en una dinámica colectiva, para progresar más rápido y entregar resultados más robustos.
El desafío invisible de la consultoría: el aislamiento
Es una paradoja frecuente: los consultores suelen ser solicitados para resolver problemas complejos, pero a veces lo hacen en entornos donde el intercambio técnico diario es escaso. Misiones en casa del cliente, contextos muy diferentes, herramientas variadas… y al final, una realidad simple: uno puede encontrarse rápidamente solo ante una elección metodológica, una decisión, una duda sobre una hipótesis.
Maëva lo observó muy pronto: cuando cada uno avanza por su cuenta, se pierde tiempo reinventando lo que ya existe y se capitaliza menos la experiencia del colectivo. Por el contrario, cuando las competencias circulan, la organización se vuelve más rápida… y más segura.
“Hacer circular la experiencia”: la lógica de la práctica
En Alsinova (Grupo Astek), la estructuración en prácticas proporciona un marco para esta ambición: mapear las competencias, conectar las experiencias e instaurar hábitos de intercambio. Maëva, que durante mucho tiempo se ha desenvuelto en entornos técnicos exigentes, ve esta organización como una forma de asegurar la calidad: menos silos, más estándares, más coherencia.
Su papel, hoy, va más allá del seguimiento gerencial clásico: se trata de identificar lo que cada uno sabe hacer, lo que quiere profundizar y cómo poner en contacto a las personas adecuadas en el momento oportuno para resolver un problema, mejorar sus competencias o desafiar un enfoque.
Los mecanismos concretos de una comunidad de Ciencia de Datos
Una comunidad no se decreta. Se construye con mecanismos simples, regulares y útiles. Maëva destaca algunas palancas muy concretas:
Mapeo de experiencias
Saber “quién sabe qué”: métodos, herramientas (R/Python), tipos de datos, industrialización, visualización, experimentación… El objetivo no es “clasificar”, sino facilitar la ayuda mutua y el progreso.
Rituales técnicos
Encuentros regulares donde una persona presenta un tema: experiencia de un proyecto, enfoque metodológico, seguimiento de un paquete, buenas prácticas de código, etc. Este formato valora a los consultores y difunde reflejos comunes.
Canales de ayuda mutua
Un espacio donde pedir una opinión, compartir un bloqueo, recomendar un enfoque. A menudo, una discusión específica entre pares permite ahorrar tiempo y evitar errores.
Alinear con el cliente y, a la vez, proponer mejoras
En la mayoría de las misiones, el marco de trabajo es primero el del cliente: sus procesos, sus exigencias, sus herramientas. Paralelamente, los equipos de Alsinova se apoyan en una base interna para asegurar la calidad y ganar coherencia. Pero, sobre todo, el desafío es ser proactivo: producir fichas de métodos, hojas de trucos, experiencias, que permitan mejorar lo existente sin perturbar la organización actual.
“La idea es que la experiencia no se quede en la cabeza de una sola persona. Cuando circula, todos ganan: los consultores, los clientes y la calidad global.”
La calidad como cultura: por qué Maëva insiste en la robustez
Esta obsesión por la robustez no surge de la nada. Maëva ha conocido entornos donde la estadística no solo sirve para “analizar”, sino para ayudar a decidir bajo restricciones. En la industria con grandes desafíos, se aprende rápidamente que un resultado debe ser:
- defendible (hipótesis explícitas),
- reproducible (proceso claro),
- comprensible (presentación adaptada),
- útil (vinculado a una decisión).
Incluso cuando cambia de sector (aeronáutica y luego salud/farmacia), mantiene este reflejo: un análisis no solo vale por su nivel técnico, sino por su capacidad de ser explicado, transmitido y reutilizado.
También por eso la comunidad es importante: permite compartir estándares (revisión de código, documentación, validación) y hacer que la calidad dependa menos de un individuo.
IA y desarrollo: ganar tiempo… para verificar mejor
Otro tema que Maëva impulsa: el uso de asistentes de IA orientados al desarrollo. Su enfoque es pragmático: los estadísticos también son desarrolladores, y parte del trabajo puede ser repetitivo (estructuración de scripts, refactorización, documentación).
El objetivo no es “reemplazar” la experiencia, sino reasignar el tiempo: menos tiempo en la mecánica, más tiempo en lo que marca la diferencia:
- verificación y pruebas,
- revisión crítica,
- arquitectura,
- buenas prácticas,
- calidad del entregable
Dicho de otro modo: acelerar, sí, pero sobre todo entregar mejor.
Lo que cambia para los consultores
Una comunidad de Ciencia de Datos bien gestionada produce efectos muy visibles en los equipos:
- se progresa más rápido porque se aprende de los demás,
- uno se siente menos aislado,
- la experiencia es reconocida (se comparte, se valora),
- se construyen trayectorias: especialización, mejora de competencias, participación técnica.
Para Maëva, este es el corazón de una promesa de empleador: ofrecer un marco donde se puede ser experto, a la vez que se pertenece a un colectivo que apoya, desafía y hace crecer.
La Ciencia de Datos, una profesión de impacto… y colectiva
Los modelos importan. Las herramientas importan. Pero lo que marca la diferencia de forma duradera es a menudo la organización de la inteligencia: la capacidad de conectar a las personas, de capitalizar la experiencia y de instaurar una cultura de robustez, claves hoy en nuestros equipos.
Maëva Merlet
Líder de práctica de Ciencia de Datos
