"Aunque los analistas desaparezcan, la competencia se vuelve más importante": el análisis de datos en la era de la IA según un líder de NCSoft

A medida que la tecnología de inteligencia artificial (IA) penetra profundamente en todas las industrias, se están produciendo cambios fundamentales tanto en el papel como en la forma de trabajar de los analistas de datos. En una charla presentada por T Times TV, Song Ji-hun, líder del equipo de análisis de marketing de NCSoft, expresó su opinión de que, aunque el puesto de analista de datos en sí mismo podría disminuir, la importancia de la competencia para manejar datos, por el contrario, está aumentando.

La razón por la que se enfatiza la 'capacidad de análisis' a pesar de la disminución de puestos de analistas de datos

El líder Song Ji-hun mencionó que existe una tendencia reciente en la que casi no hay contrataciones para el puesto de analista de datos, y que en el campo laboral existe una preocupación real sobre la pérdida de roles que sienten los analistas. Sin embargo, analizó que, aunque la profesión de analista cambie, la capacidad de analizar datos en sí misma se está volviendo más importante.

De hecho, en los departamentos operativos, la demanda de analizar datos directamente utilizando herramientas de IA está aumentando. Según Song, cada vez es más común que los miembros de los departamentos operativos soliciten directamente los datos brutos (Raw Data) en lugar de los informes de análisis tradicionales. Esto se interpreta como un movimiento de los miembros de los departamentos para realizar análisis más profundos directamente utilizando la IA. No obstante, Song explicó que observa casos en los que los proyectos no logran concluirse debido a dificultades en áreas profesionales como el diseño de experimentos, el establecimiento de hipótesis y la interpretación de los resultados de la verificación estadística en los departamentos operativos.

La desaparición del 'trabajo pesado' y la preocupación por la ruta de crecimiento de los analistas junior

La introducción de la IA aumentó la eficiencia del trabajo, pero al mismo tiempo surgió como un nuevo desafío el hecho de que arrebató las oportunidades de aprender mediante los procesos ineficientes que antes se denominaban 'trabajo pesado' (sapjil). Se señala que procesos como la limpieza de datos, donde se manipulan los datos y se escribe código, eran procesos de aprendizaje que aumentaban la comprensión de los datos a través del ensayo y error, pero como la IA los está reemplazando, la ruta para acumular este conocimiento experiencial está desapareciendo.

Song mencionó que, dado que los nuevos empleados comienzan a trabajar en entornos donde las herramientas de IA ya están altamente desarrolladas, no están experimentando la ruta para adquirir conocimientos empíricos que se obtienen al manipular los datos directamente. Este análisis sugiere que esto puede dificultar el desarrollo de la resistencia básica necesaria para juzgar errores en los datos o verificar la adecuación de los resultados. Al respecto, el profesor Lee Jung-hak de Dongguk University sugirió que una forma de restaurar el proceso de 'trabajo pesado' para la comprensión del dominio podría ser que los líderes hagan que los nuevos empleados realicen las tareas directamente sin usar IA durante un período determinado.

Estrategias de respuesta para los analistas para no perder la iniciativa ante la IA

En la era de la IA, la clave para el analista no es delegar todo el proceso a la IA, sino mantener la iniciativa del análisis. Song enfatizó que, al delegar las tareas una a una a la IA, se debe tener cuidado de no terminar entregando a la IA la hoja de ruta del diseño principal del proyecto de análisis o la autoridad para interpretar los resultados.

Dijo que, para no perder la iniciativa, es necesario realizar esfuerzos para examinar inversamente los procesos intermedios que la IA omite. El papel exclusivo del analista consiste en desglosar el proceso de análisis, revisando qué suposiciones utilizó la IA para realizar el análisis y cómo se estructuró el código. Además, añadió que para juzgar si la metodología elegida por la IA es adecuada, se requiere una comprensión más amplia de las metodologías que antes, y que el papel humano de definición de problemas y verificación se volverá aún más importante.

Fuente: vídeo original (YouTube)