Los científicos de datos tienen un trabajo engañosamente simple: desentrañar el flujo de datos que ingresa a una organización como una multitud desestructurada. Porque en algún lugar de esta confusión hay (con suerte) ideas importantes.
Pero, ¿es suficiente el manejo hábil de algoritmos y conjuntos de datos para tener éxito como científico de datos? ¿Qué más necesitas saber y poder hacer para avanzar en su carrera profesional?
Aunque muchos profesionales de la tecnología piensan que es suficiente evaluar los datos desde la consulta hasta su finalización, también debes saber cómo funciona todo el proceso y cómo el trabajo de tus datos afecta en última instancia a las estrategias y los ingresos.
La alta demanda actual de servicios de análisis de big data significa que las empresas exigen cada vez más a sus científicos de datos.
Necesitas habilidades duras y blandas
Hay escasez de ciencia de datos: una brecha de competencias. Esta brecha es enorme y está en constante crecimiento.
La ciencia de datos moderna se desarrolló a partir de tres áreas: matemáticas aplicadas, estadística e informática. Sin embargo, en los últimos años, el término "científico de datos" se ha ampliado y también incluye a personas con experiencia en el campo cuantitativo.
Otras áreas, incluidas la física y la lingüística, están desarrollando cada vez más una relación simbiótica con la ciencia de datos, especialmente a través del desarrollo de inteligencia artificial, aprendizaje automático y procesamiento del lenguaje natural.
Además de las habilidades matemáticas y algorítmicas, los científicos de datos exitosos también deben dominar las llamadas habilidades sociales: las habilidades sociales. En otras palabras, para avanzar, los científicos de datos deben trabajar con personas que comprendan las relaciones más amplias de la empresa.
Debe interactuar con gerentes que influyen en la estrategia de largo alcance de la empresa, así como con colegas que convierten los resultados de los datos en acciones reales. Con el aporte de estas partes interesadas, los científicos de datos pueden formular mejor las preguntas correctas para avanzar en sus análisis.
Las habilidades interpersonales suelen significar una curiosidad sana. Idealmente, al solicitante le encanta comprender los datos y quiere comprender lo que está sucediendo en el mundo.
Esto puede convertirse en un problema para aquellos científicos de datos que se esconden detrás de los datos y no interactúan con otros. unidades.
Sesgo versus objetividad
Hacer algo bien desde el principio no es señal de victoria. Así que sea siempre escéptico. ¿Tienes todos los datos? ¿Los datos son demasiado buenos para ser verdad?
El truco consiste en eliminar el factor humano de la ecuación. Dejemos que las matemáticas hablen por sí solas. El escéptico de los datos puede entonces dar el siguiente paso y mostrar hasta qué punto una conclusión no se basa puramente en el azar.
No intentes ser perfecto. La solución que cree tiene que ser suficiente para llevar al usuario de A a B. Es mejor construir un Volkswagen bueno y confiable que un Cadillac. A veces simplemente hay que poder conformarse con un Volkswagen.
Los prejuicios del equipo suelen incorporarse a los algoritmos. Tomemos, por ejemplo, un algoritmo de crédito que evalúa a los solicitantes de un préstamo. Si bien puede pensar que las matemáticas subyacentes son neutrales, es posible que el programador haya incorporado sus prejuicios en el código.
El sesgo no es un problema nuevo. Los ingenieros a menudo tienen que tomar “decisiones subjetivas” cuando intentan alcanzar objetivos. Debe crear pasos de solución individuales que satisfagan las necesidades inmediatas. Pero no es cierto que los algoritmos subyacentes sean cajas negras: los científicos de datos tienen que decidir por sí mismos si el software da un buen resultado.
Para los científicos de datos, tanto las habilidades técnicas como las sociales son necesarias para tener éxito en el trabajo, junto con una buena dosis de escepticismo. Para poder levantarse carrera de ciencia de datos escalera, no debe simplemente confiar ciegamente en los datos recopilados.
