Las 10 mejores habilidades para los científicos de datos

Puede que leas la descripción de un puesto de trabajo de Científico de Datos y te sientas abrumado por las habilidades que se enumeran para hacer bien el trabajo. Lo que no te dicen es que tus habilidades blandas son tan cruciales como ser capaz de realizar una validación cruzada K-fold. Estas son cosas que puedes aprender y destacar en una entrevista que no compensarán completamente la falta de experiencia con una tecnología específica, pero aún así, te ayudarán a ser visto como un “gran” Científico de Datos en tu próximo rol.

Comunicación

Ser capaz de explicar no sólo a las partes interesadas, sino también a los compañeros de trabajo y a los clientes es un gran activo. Una de las mayores cosas que tendrás que hacer como Científico de Datos es explicar las cosas a la gente. Tengo que explicar los modelos de aprendizaje automático, la probabilidad básica, por qué los pronósticos predicen de la manera en que lo hacen y por qué las correlaciones no equivalen a la causalidad. Esto también incluye coordinar las reuniones apropiadas con las partes interesadas para que entiendan mejor el caso de uso de los modelos que creas. Traducir nuestra jerga de la industria para las personas que nos rodean y ajustar la forma en que hablamos con la gente técnica y no técnica es un requisito en la caja de herramientas del científico de datos moderno.

Gestión del tiempo ⏳

La estimación de los plazos del proyecto es una gran parte de mi papel. Puedo decidir qué cantidad de nuestro equipo necesita estar involucrado y cuánto tiempo creemos que tomará para crear y QA los entregables. Tanto si se trata de un documento de Excel, un panel de control de Tableau o un modelo de aprendizaje automático, determinamos si se trata de un proyecto pequeño e individual o si requiere que un equipo trabaje en sprints de dos semanas.

Escritura profesional

Te sorprendería la cantidad de gente que no sabe escribir bien en los correos electrónicos. Ser capaz de escribir un email que suene profesional es una habilidad que se puede aprender como cualquier otra. La verdad es que no siempre debemos escribir como hablamos, y debemos ser capaces de atender los mismos puntos de vista con diferentes niveles de profundidad dependiendo de con quién estemos hablando.

Escritura técnica ✏

Esto se refiere sobre todo a la redacción de una buena documentación de tus modelos y supuestos. Tenemos que mantener una buena y clara documentación de nuestro trabajo para que no sólo sea fácil de reproducir, sino que cuando volvamos a juguetear con él, tengamos una comprensión de lo que estábamos tratando de hacer. Es posible escribir sobre tu modelo o paquete de una manera que no sea completamente seca y difícil de seguir. Echa un vistazo a estos consejos sobre cómo escribir mejor la documentación para que sea clara para los usuarios.

Crítica táctica

Una de las cosas más difíciles de la transición a la ciencia de los datos para mí fue aprender a no tener miedo al dar la crítica y entregarla con tacto. Tenía el tacto, pero siempre me preocupaba criticar la forma de hacer las cosas de una empresa. Aunque eso me resultaba fácil como persona que complace a la gente, tuve que aprender que eso no es lo mejor para la empresa. Tuve que entender que si no nos empujaba a utilizar mejores productos y nuevas técnicas no estaba creando el tipo de entorno que crece a partir de sus experiencias.

Gestión de archivos

Ser capaz de gestionar bien tus versiones en local es algo importante. No seas como yo y prioriza la velocidad a la organización de archivos. Luego te lo agradecerás. Guarda a menudo e inventa un sistema que te sirva de puerta. Algunas personas añaden una V1, 001 o “necesita_limpieza” al final de los nombres de los archivos para ayudar a clasificar los cambios que has hecho o la versión que debes enviar a un colega. Estructurar tus proyectos adecuadamente te ayudará a mantenerte organizado y a integrarte bien en cualquier equipo de Data Science.

Escucha activa

Tienes que ser capaz de descifrar lo que tus clientes dicen que quieren y lo que quieren. Por ejemplo, “necesito ver todos los clientes que compraron a través de los embajadores de la marca el año pasado” podría significar realmente “necesito determinar si el programa de embajadores de la marca vale la pena el coste para la empresa”. Muchos científicos de datos ocupan puestos en los que entregan datos a otras partes de su organización. Esto a menudo significa resumir su trabajo en términos sencillos, educar a los clientes en sus modelos, y enmarcar cómo los modelos predictivos no son la verdad. Para traducir sus necesidades en tareas hay que ser capaz de hacer las preguntas adecuadas que ayuden a los clientes a revelar sus motivaciones.

Humildad

Una táctica que mis colegas y yo empleamos en las entrevistas es preguntar a los candidatos qué cambiarían de sus proyectos anteriores. Encontramos una visión de cómo piensan las personas si son capaces de criticar sus proyectos anteriores y demostrar que han aprendido nuevas técnicas. Si crees que no hay nada que podrías haber hecho para mejorar un proyecto en el que has trabajado, es una gran bandera roja. Una de las mejores formas de hacerlo es desligar tu autoestima del trabajo. No eres malo en tu trabajo porque tu modelo no predice bien. Da el paso extra para entender por qué e incluso si hiciste algo que falló o que sólo predijo con precisión el 12% de los casos, puedes explicar qué harías para mejorar el rendimiento o, incluso mejor, llamar la atención sobre cómo puede que no hayas tenido la mejor comprensión de los datos y podrías haber planteado mejor tu hipótesis.

Análisis de datos

Aunque parezca una habilidad difícil, ser capaz de mirar fijamente una tabla de números y descifrar lo que está pasando se puede aprender. Yo estuve practicando ciencia de datos durante años sin pararme a analizar realmente mis datos. Esto sucede formando preguntas y construyendo nuevas vías neuronales biológicas que actúan como un árbol de decisión mental de preguntas con las que interrogar tus datos. No fue hasta que completé el libro Head First Data Analysis que comprendí plenamente cómo extraer ideas de los datos en bruto. Sin la presión de un plazo o de un entregable, pude estudiar una pequeña tabla de datos y tener una idea intuitiva de lo que estaba pasando.

Conocimiento del negocio

Es pertinente conocer los indicadores clave de rendimiento (KPI) de tu sector, especialmente en las grandes organizaciones. La ciencia de los datos es útil no solo en la tecnología, sino también en la sanidad, el marketing y el sector inmobiliario, entre otros sectores. Cada industria tiene sus propios desafíos y las métricas para el éxito son drásticamente diferentes. Tener un buen conocimiento de esto te hace ganar un montón de puntos “agradables de tener” mientras se entrevista para un nuevo papel.

BONUS: Una habilidad técnica que todo el mundo en Data Science debería tener es un conocimiento avanzado de Excel. Por mucho que en la industria nos guste bromear con que Excel nunca desaparecerá, es cierto. Tal vez si trabajas en una empresa de investigación o de IA no tocarás mucho Excel, pero los clientes a menudo siguen pidiendo entregables en libros de Excel. Excel avanzado suele significar ser capaz de realizar V LOOKUPS, tablas dinámicas y Visual Basic.

Afortunadamente, las habilidades blandas son un poco más fáciles de aprender que familiarizarse con un nuevo lenguaje. Si está haciendo una transición de carrera, puede practicar algunas de estas en su rol actual y prepararse para destacar sus habilidades blandas cuando se entreviste para trabajos en Ciencia de Datos.

Categorías : Sin categoría

Deja una respuesta

Tu dirección de correo electrónico no será publicada.