{"id":98221,"date":"2020-10-25T02:42:25","date_gmt":"2020-10-25T00:42:25","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh"},"modified":"2020-11-18T00:58:46","modified_gmt":"2020-11-17T22:58:46","slug":"kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"C\u00f3mo convertirse en un exitoso cient\u00edfico de datos y analista de datos","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"C\u00f3mo<\/a><\/noindex>
\nHay muchos art\u00edculos sobre las habilidades necesarias para ser un buen cient\u00edfico de datos o analista de datos, pero solo en unos pocos art\u00edculos se habla de las habilidades necesarias para el \u00e9xito, ya sea una evaluaci\u00f3n sobresaliente en el trabajo, elogios de la gerencia, un ascenso, o todas las anteriores. Hoy les presentamos un material cuyo autor desea compartir su experiencia personal trabajando como cient\u00edfico de datos y analista de datos, as\u00ed como lo que ha aprendido para lograr el \u00e9xito.
\n<\/a><\/noindex><\/p>\n

Tuve suerte: me ofrecieron un puesto de cient\u00edfico de datos cuando no ten\u00eda ninguna experiencia en Ciencia de Datos. C\u00f3mo afront\u00e9 ese desaf\u00edo es otra historia, y quiero mencionar que ten\u00eda solo una idea vaga de lo que hace un cient\u00edfico de datos antes de aceptar este trabajo. <\/p>\n

Me contrataron para trabajar en la creaci\u00f3n de tuber\u00edas de datos debido a mi experiencia previa como ingeniera de procesamiento de datos, donde desarroll\u00e9 un data warehouse para an\u00e1lisis predictivo utilizado por un grupo de cient\u00edficos de datos. <\/p>\n

Mi primer a\u00f1o trabajando como cient\u00edfico de datos incluy\u00f3 la creaci\u00f3n de tuber\u00edas de datos para el entrenamiento de modelos de aprendizaje autom\u00e1tico y su implementaci\u00f3n en producci\u00f3n. Me mantuve en un segundo plano y no particip\u00e9 en muchas reuniones con las partes interesadas en marketing, quienes eran los usuarios finales de los modelos. <\/p>\n

En mi segundo a\u00f1o en la empresa, el gerente de procesamiento y an\u00e1lisis de datos a cargo de marketing se fue. Desde entonces, me convert\u00ed en la figura principal y particip\u00e9 de manera m\u00e1s activa en el desarrollo de modelos y en la discusi\u00f3n de los plazos de implementaci\u00f3n de proyectos.<\/p>\n

A medida que interactuaba con las partes interesadas, me di cuenta de que la Ciencia de Datos es un concepto difuso que las personas han o\u00eddo, pero que no comprenden del todo, especialmente en lo que respecta a la alta direcci\u00f3n.<\/p><\/blockquote>\n

\nHe construido m\u00e1s de cien modelos, pero solo un tercio de ellos se utilizaron, ya que no sab\u00eda c\u00f3mo demostrar su valor, a pesar de que los modelos fueron solicitados en primer lugar por marketing. <\/p>\n

Uno de los miembros de mi equipo pas\u00f3 meses desarrollando un modelo que, seg\u00fan la alta direcci\u00f3n, demostrar\u00eda el valor del equipo de cient\u00edficos de datos. La idea era implementar este modelo en toda la organizaci\u00f3n despu\u00e9s de su desarrollo y motivar a los equipos de marketing a aplicarlo.<\/p>\n

Esto result\u00f3 ser un completo fracaso porque nadie entend\u00eda qu\u00e9 era un modelo de aprendizaje autom\u00e1tico y no pod\u00edan ver el valor de su aplicaci\u00f3n. En \u00faltima instancia, se desperdiciaron meses en algo que a nadie le interesaba.<\/p><\/blockquote>\n

\nDe tales situaciones, he extra\u00eddo ciertas lecciones que presentar\u00e9 a continuaci\u00f3n.<\/p>\n

Lecciones que he aprendido para ser una cient\u00edfica de datos exitosa<\/h2>\n

\n1. Prep\u00e1rate para el \u00e9xito eligiendo la empresa adecuada.<\/b>
\nDurante la entrevista en la empresa, pregunta sobre la cultura de datos y cu\u00e1ntos modelos de aprendizaje autom\u00e1tico se utilizan en la toma de decisiones. Pide ejemplos. Averigua si la infraestructura de datos est\u00e1 preparada para el modelado. Si pasas el 90% de tu tiempo tratando de obtener y limpiar datos en bruto, casi no te quedar\u00e1 tiempo para construir modelos que demuestren tu valor como cient\u00edfica de datos. Ten cuidado si eres contratado como cient\u00edfica de datos por primera vez. Esto puede ser tanto bueno como malo, dependiendo de la cultura de datos. Puedes enfrentar una gran resistencia al implementar el modelo si la alta direcci\u00f3n contrata un especialista en Ciencia de Datos solo porque la empresa quiere ser conocida como utilizando Ciencia de Datos para tomar mejores decisiones<\/i>, pero no tiene idea de lo que eso significa en realidad. Adem\u00e1s, si encuentras una empresa que est\u00e1 orientada a los datos, crecer\u00e1s junto a ella.<\/p>\n

2. Conoce los datos y los indicadores clave de rendimiento (KPI).<\/b>
\nAl principio, mencion\u00e9 que como ingeniera de procesamiento de datos cre\u00e9 una vitrina de datos anal\u00edticos para el equipo de cient\u00edficos de datos. Al convertirme en cient\u00edfica de datos, pude encontrar nuevas oportunidades que mejoraron la precisi\u00f3n de los modelos porque trabaj\u00e9 intensamente con los datos en bruto en mi puesto anterior. <\/p>\n

Al presentar los resultados de una de nuestras campa\u00f1as, pude mostrar modelos que generan tasas de conversi\u00f3n m\u00e1s altas (en porcentaje), tras lo cual se midi\u00f3 una de las campa\u00f1as KPI. Esto demostr\u00f3 el valor del modelo para la efectividad del negocio relacionada con el marketing.<\/p>\n

3. Asegura la adopci\u00f3n del modelo mostrando su valor a las partes interesadas.<\/b>
\nNunca tendr\u00e1s \u00e9xito como especialista en Data Science si las partes interesadas nunca aplican tus modelos para la toma de decisiones empresariales. Una forma de asegurar la adopci\u00f3n del modelo es encontrar un punto de dolor en el negocio y mostrar c\u00f3mo el modelo puede ayudar. <\/p>\n

Despu\u00e9s de hablar con nuestro departamento de ventas, entend\u00ed que dos representantes trabajaban a tiempo completo revisando manualmente millones de usuarios en la base de datos de la empresa para identificar a los usuarios con licencias individuales que ten\u00edan m\u00e1s probabilidades de pasar a licencias de equipo. Se utiliz\u00f3 un conjunto de criterios, pero la selecci\u00f3n tom\u00f3 mucho tiempo porque los representantes revisaban un usuario a la vez. Con el modelo que desarroll\u00e9, los representantes pudieron seleccionar a los usuarios con mayor probabilidad de comprar una licencia de equipo, aumentando la tasa de conversi\u00f3n en menos tiempo. Esto llev\u00f3 a un uso m\u00e1s eficiente del tiempo al incrementar la tasa de conversi\u00f3n para los KPI relevantes para el departamento de ventas.<\/p>\n

Pasaron varios a\u00f1os y repet\u00ed los mismos modelos varias veces, sintiendo que ya no aprend\u00eda nada nuevo. Decid\u00ed buscar otro puesto y finalmente consegu\u00ed el cargo de analista de datos. La diferencia en las responsabilidades no podr\u00eda haber sido m\u00e1s significativa en comparaci\u00f3n con el tiempo en que era data scientist, a pesar de que nuevamente apoyaba al marketing.<\/p>\n

Fue la primera vez que analic\u00e9 experimentos A\/B y descubr\u00ed cargas de trabajo dejar\u00e1n de funcionar!<\/i> formas en que un experimento puede salir mal. Como cient\u00edfico de datos, en realidad no trabaj\u00e9 en pruebas A\/B, ya que eso estaba reservado para el equipo de experimentaci\u00f3n. Trabaj\u00e9 en una amplia gama de estudios anal\u00edticos que fueron impactados por el marketing, desde aumentar la tasa de conversi\u00f3n premium hasta la participaci\u00f3n de los usuarios y la retenci\u00f3n. Aprend\u00ed muchas maneras diferentes de ver los datos y pas\u00e9 mucho tiempo compaginando resultados, present\u00e1ndolos a las partes interesadas y a la alta direcci\u00f3n. Como cient\u00edfico de datos, en su mayor\u00eda trabaj\u00e9 en un solo tipo de modelo y rara vez present\u00e9 informes. Avancemos unos a\u00f1os y hablemos de las habilidades que adquir\u00ed para ser un analista exitoso.<\/p>\n

Habilidades que adquir\u00ed para convertirme en un analista de datos exitoso<\/h2>\n

\n1. Aprende a contar historias con datos<\/b>
\nNo mires los KPI por separado. Con\u00e9ctalos, observa el negocio como un todo. Esto ayudar\u00e1 a identificar \u00e1reas que se afectan entre s\u00ed. La alta direcci\u00f3n ve el negocio a trav\u00e9s de un prisma, y una persona que demuestre esa habilidad es notada cuando llega el momento de tomar una decisi\u00f3n sobre un ascenso.<\/p>\n

2. Proporciona ideas accionables<\/b>
\nProporciona al negocio una idea valiosa<\/i> para resolver un problema. Mejor a\u00fan, si proactivamente ofreces una soluci\u00f3n antes de que se indique que est\u00e1s tratando con un problema prioritario. <\/p>\n

Por ejemplo, si le dijeras al marketing: \"He notado que en los \u00faltimos meses la cantidad de visitantes al sitio web ha disminuido\"<\/i>. Esta es una tendencia que podr\u00edan haber notado en el tablero, y no propusiste ninguna soluci\u00f3n valiosa como analista, ya que solo declaraste una observaci\u00f3n. <\/p>\n

En su lugar, investiga los datos para encontrar la causa y proponer una soluci\u00f3n. Un mejor ejemplo para el marketing ser\u00eda: \"He notado que en los \u00faltimos meses hemos perdido visitantes en nuestro sitio web. Descubr\u00ed que la fuente del problema es la b\u00fasqueda org\u00e1nica, debido a cambios recientes que llevaron a una ca\u00edda en nuestro ranking en Google\"<\/i>. Este enfoque muestra que has estado monitoreando los KPI de la empresa, notaste un cambio, investigaste la causa y propusiste una soluci\u00f3n al problema.<\/p>\n

3. Convi\u00e9rtete en un asesor confiable<\/b>
\nEs necesario convertirse en la primera persona a la que se dirigen las partes interesadas para pedir recomendaciones o hacer preguntas sobre el \u00e1rea que usted apoya. No hay caminos cortos, ya que demostrar estas habilidades lleva tiempo. La clave es proporcionar continuamente an\u00e1lisis de alta calidad con el m\u00ednimo de errores. Cualquier error en los c\u00e1lculos le costar\u00e1 puntos de confianza, porque la pr\u00f3xima vez que presente un an\u00e1lisis, las personas pueden preguntarse: Si se equivoc\u00f3 la \u00faltima vez, \u00bfpodr\u00eda estar equivocado esta vez tambi\u00e9n?<\/i>. Siempre revise su trabajo dos veces. Tambi\u00e9n puede ser \u00fatil pedirle a su gerente o a un colega que revise sus n\u00fameros antes de presentarlos, si tiene alguna duda sobre su an\u00e1lisis.<\/p>\n

4. Aprenda a comunicar resultados complejos de manera clara<\/b>
\nUna vez m\u00e1s, no hay atajos para aprender comunicaciones efectivas. Esto requiere pr\u00e1ctica, y con el tiempo se volver\u00e1 mejor en ello. Lo principal es identificar los puntos clave de lo que desea hacer y recomendar cualquier acci\u00f3n que, a ra\u00edz de su an\u00e1lisis, puedan tomar las partes interesadas para mejorar el negocio. Cuanto m\u00e1s alto est\u00e9 en la escalera profesional dentro de la organizaci\u00f3n, m\u00e1s importante ser\u00e1 la habilidad de comunicarse. La transmisi\u00f3n de resultados complejos es una habilidad crucial que debe demostrarse. Pas\u00e9 a\u00f1os aprendiendo los secretos del \u00e9xito como cient\u00edfico de datos y analista de datos. Las personas definen el \u00e9xito de diferentes maneras. Obtener una referencia como un analista \u201cincre\u00edble\u201d y \u201cestrella\u201d es el \u00e9xito a mis ojos. Ahora que usted conoce estos secretos, espero que su camino lo lleve m\u00e1s r\u00e1pido hacia el \u00e9xito, sea cual sea su definici\u00f3n.<\/p>\n

Y para que su camino hacia el \u00e9xito sea a\u00fan m\u00e1s r\u00e1pido, use el c\u00f3digo promocional HABR<\/b>, con el que puede obtener un 10% adicional de descuento sobre el precio indicado en el banner.<\/p>\n

\"C\u00f3mo<\/a><\/noindex><\/p>\n