4 Superpoderes Que Te Harán Indispensable En Una Carrera De Ciencias De La Información

Ganes Kesari
Jul 14, 2020


Aprende sobre los mayores desafíos de la industria de la ciencia de los datos para evitar el estancamiento de tu carrera.


Los desafíos que la gente encuentra en una carrera de ciencias de los datos son mucho más serios que los que enfrenta mientras están entrando en ella 

A menudo, hay un gran desajuste entre las expectativas de trabajo y las responsabilidades reales. Si tienes suerte de trabajar en las áreas a las que aspiras, colaborar con otros roles en un proyecto de ciencia de los datos puede ser una verdadera lucha.

Puede ser más fácil conseguir que te extraigan un diente que hacer frente a las demandas diarias de tu jefe de proyecto. Si haces todo esto bien, podrías descubrir que tu solución no es tocada por los usuarios. "¿Por qué nadie entendería o usaría algo que es tan obvio?", se preguntará.

Foto por  Steven Libralon on Unsplash

Todo esto puede llevar a una crisis existencial, al principio de su carrera de ciencias de los datos. El riesgo de estancamiento en la carrera es alto para muchos profesionales en este campo. ¿Cómo se maneja esto?

Compartiré los 4 grandes desafíos peludos en los proyectos de ciencia de datos que causan muchas de sus luchas personales. Basándonos en lo aprendido en nuestro trabajo en Gramener, discutiremos lo que significan para ti. Y, cómo puedes aplastarlos para que se vuelvan indispensables en tu proyecto, y en la industria de la ciencia de los datos.

1. Agudiza tu habilidad para manejar datos desordenados

Foto de Karim MANJRA en Unsplash

La mala calidad de los datos es uno de los principales desafíos de la ciencia de los datos. Los datos malos cuestan a las organizaciones más de 15 millones de dólares anuales. Se necesitan datos limpios y estructurados para obtener grandes, útiles y sorprendentes insights. ¿Le apetece utilizar técnicas de aprendizaje profundo? Entonces, necesitará muchos más datos y deben estar bien etiquetados.

"En la ciencia de los datos, el 80% del tiempo se dedica a preparar los datos, y el otro 20% a quejarse de eso. - Kirk Borne"

Debes adquirir habilidades para descubrir los datos que tu problema de negocios necesita. Aprende a curar y transformar los datos para su análisis. Sí, la limpieza de los datos es un trabajo de científicos de datos. Juega con los datos y ensucia tus manos. Desarrollará un ojo para detectar anomalías y los patrones comenzarán a saltar a tus ojos.

Lea también: 

Digamos que la intención de tu proyecto es analizar la experiencia del cliente. La primera tarea es buscar todos los datos potenciales como perfiles de clientes, transacciones, encuestas, actividades sociales. Cualquiera de estos que no se adapte a su problema de negocios debe ser eliminado. Inspeccione y limpie los datos y perderá algunos más. Haga esto durante semanas o meses, y entonces estará listo para su análisis!

2. Aprende las técnicas y no te preocupes por las herramientas

El landscape de datos e inteligencia artificial por Matt Turk. ¿No puedes leer este gráfico? No te preocupes, ¡eso no viene al caso!

La industria de la ciencia de los datos está llena de cientos de herramientas. Ninguna herramienta cubre todo el flujo de trabajo. Cada semana, se crean nuevas y brillantes herramientas. Y una docena de ellas desaparecen o son compradas. Las empresas gastan millones en licencias empresariales, sólo para descubrir que ya no son tan convincentes.

Este ecosistema fragmentado plantea un gran desafío para los aspirantes. Una de las preguntas más frecuentes que me hacen es: "¿Debo aprender Python o R? ¿Power BI o D3?" Siempre digo que la herramienta realmente no importa. Aprende la técnica como la palma de tu mano. Siempre puedes transferir tu aprendizaje de una herramienta a otra en semanas
.
“La herramienta realmente no importa. Es la habilidad de la persona con una herramienta lo que cuenta.”

Lea también:

Por ejemplo, para dominar la visualización, no empieces con las herramientas. Aprende los principios del diseño de información, los fundamentos del diseño visual y la teoría del color. Luego consigue datos reales e internaliza las técnicas resolviendo problemas. Cualquier herramienta de visualización que puedas tener a la mano manos servirá. No la optimizes demasiado.

3. Domina la aplicación de las técnicas para resolver problemas del mundo real

Más del 80% de los proyectos de ciencia de datos fracasan. Adivina por qué? Hay desafíos a lo largo del ciclo de vida: desde elegir el problema de negocio equivocado hasta enmarcar un enfoque de solución incorrecto. Desde la elección de técnicas equivocadas hasta un fallo en la traducción a los usuarios. Cada rol en la ciencia de los datos contribuye a estos errores. No, la mayoría de estas brechas no son técnicas.

“La mayoría de los proyectos de ciencia de los datos no ofrecen un retorno de la inversión porque resuelven los problemas equivocados.”


¿Cuál es el tema común aquí? Es la mala aplicación de las habilidades a los problemas de los negocios. Por ejemplo, cuando los científicos de datos sólo quieren construir grandes modelos pero no prestan atención a las necesidades de sus usuarios, esto perjudica a los proyectos. No te detengas en la intuición de una técnica, o en las matemáticas que hay detrás de ella. Encuentra dónde es relevante y qué se necesita para aplicarla. Invierte en la solución de los problemas del usuario.

Digamos que has dominado una docena de técnicas de pronóstico. ¿Cuál elegirías cuando tu usuario necesite el precio de mañana para hacer su negocio, pero sólo cuenta con un punto de datos del pasado? ¿Cambia si tienes 100 o 10.000 puntos? ¿Y si sólo necesita saber si "mantener" o "vender al precio de mercado"?
Lea también: 


4. Ir más allá de los datos y las habilidades analíticas para tener éxito en el análisis de datos!


Las empresas a menudo sólo contratan por habilidades de aprendizaje de la máquina. Invierten en ingeniería de datos y pueden organizar algún tipo de entrenamiento en visualización y conocimiento de datos. Pero, este equipo está desequilibrado y dará resultados no óptimos. Cada equipo de ciencia de datos debe tener 5 habilidades para lograr resultados efectivos en un proyecto.

Las 5 funciones y habilidades críticas para entregar valor en la ciencia de los datos (Cómics: www.gramener.com/comicgen)

Si estás realizando uno de estos roles, ¿deberías preocuparte por esto? Por supuesto. Así es como puedes aumentar tu influencia en cualquier proyecto. Domina una habilidad como tu área principal. Este es tu papel principal. Invierte y aprende una habilidad secundaria. Deberías ser capaz de realizarlo como respaldo y apoyar en este

¿Qué hay de los otros tres? Obtén una amplia familiaridad. Debes ser capaz de relacionarte con ellos, entender las áreas de dolor y conectarlos con tu trabajo. ¡Haz esto y valdrás tu peso en oro!

“Necesitas mucho más que datos y análisis para tener éxito en la industria de análisis de datos”

Un punto clave aquí es que hay 5 roles en una carrera de ciencias de datos. No sólo "científico de datos". Digamos que eres un ingeniero de aprendizaje automático. Tu habilidad secundaria puede ser el diseño de información. Aprende sobre los gráficos y cómo elegir el correcto. Encuentra lo que los usuarios buscan en las imágenes y lo que significa para la interfaz de usuario que estás construyendo.

Es hora de hacerte indispensable

Todos los proyectos de ciencia de los datos se enfrentan a estos cuatro desafíos. Las organizaciones pierden millones debido al fracaso de las inversiones en ciencia de los datos. Los clientes están preocupados porque sus problemas empresariales siguen sin resolverse. Los líderes y gerentes de la ciencia de los datos se enloquecen porque la tasa de fracaso de los proyectos es una barbaridad.

Todo esto se traduce a menudo en un exceso de demandas y una gran presión sobre los profesionales de la ciencia de los datos. Comprender estos grandes desafíos es un gran punto de partida para usted. Empatice con su equipo de proyecto y los líderes

Los cuatro consejos que has aprendido aquí te preparará para afrontar los desafíos de frente. Empiece a practicarlos y verá una mayor confianza y aceptación de su trabajo. Pronto, se volverá indispensable y ascenderá más rápido en su carrera.

Buena suerte para superar estos desafíos en tu proyecto!

¿Te han resultado útiles estas sugerencias? ¿Tienes más consejos para afrontar estos retos? Añádelos a los comentarios. Mantente en contacto conmigo en Linkedin, Twitter.
Foto del título por Steven Libralon en Unsplash.

“4 Superpoderes Que Te Harán Indispensable En Una Carrera De Ciencias De La Información”
– Ganes Kesari twitter social icon Tweet


Compartir este artículo:

0 Comentarios

Crear un comentario
Ingresar para Comentar

Artículos Relacionados

Nov 25, 2021

5 Consejos para Superar Una Entrevista de Trabajo para una Vacante de Científico de Datos

5 Tips To Ace Your Job Interview For A Data Scientist Opening.PNG 795.94 KBImage SourceLos aspirantes a científicos de datos tienen un futuro brill...

Daniel Morales
Por Daniel Morales
Nov 12, 2021

¿Cuándo Es Mejor Evitar el Uso de Deep Learning?

IntroducciónEste artículo está dirigido a los científicos de datos que pueden considerar el uso de algoritmos de aprendizaje profundo, y quieren sa...

Matt Przybyla
Por Matt Przybyla
Oct 16, 2021

6 Conceptos de Estadística Avanzada en Data Science

El artículo contiene algunos de los conceptos estadísticos avanzados más utilizados junto con su implementación en Python.En mis artículos anterior...

Nagesh Singh Chauhan
Por Nagesh Singh Chauhan
Icon

Únete a nuestra comunidad privada en Slack

Manténgase al día participando de ésta gran comunidad de data scientists en latinoamérica. Hablamos sobre competiciones en data science, cómo estamos resolviendo los retos, modelos de machine learning aplicados a las competiciones, técnicas novedosas y mucho más!

 
Te enviaremos el link de invitación a tu email de forma inmediata.
arrow-up icon