De Estudiante de Negocios a Científico de Datos en Tecnología

From Business Student to Data Scientist in Technology.

Las Crónicas de los Primeros Años de un Científico de Datos en Tecnología

Una cronología de cómo pasé de tener miedo de las matemáticas a convertirme en un científico de datos de pleno derecho en una renombrada empresa de tecnología

Entre las preguntas más frecuentes que recibo en LinkedIn, hay una que destaca constantemente: ¿Cómo cambié de la noche a la mañana de Negocios a Ingeniería y logré convertirme en un Científico de Datos?

Así que en esta historia, profundizaré en mi viaje personal y compartiré contigo los pasos que seguí, los desafíos a los que me enfrenté y las valiosas lecciones que adquirí que me impulsaron directamente a convertirme en un Científico de Datos en Tecnología.

No hay una forma específica de convertirse en un Científico de Datos. Como dice el refrán, todos los caminos llevan a Roma. Sin embargo, estoy aquí para compartir una de las múltiples formas en que esto se puede lograr. Especialmente para aquellos que comienzan con un título en Negocios y poco o ningún conocimiento científico.

Antes de adentrarnos en el cómo, primero necesitamos sentar las bases del por qué. Créeme, no llegarás muy lejos si no tienes claro y sólido tu motivo desde el principio.

El camino para convertirse en un Científico de Datos es arduo, pero sin duda uno de los más gratificantes. De hecho, la lista de razones por las que los Científicos de Datos tienen uno de los trabajos más geniales y codiciados hoy en día es larga. Por ahora, me centraré en la que ocupa el primer lugar en mi lista.

• Siempre aprendiendo Cómo la IA previene las violaciones de datos
• De analítica a aplicación real el caso del Valor de Vida del Cliente
• Potenciando conocimientos en tiempo real con la monitorización de s...

El Por Qué

A cualquiera que me pregunte por qué Ciencia de Datos, ya sea durante entrevistas o simplemente personas curiosas, mi respuesta siempre es la misma. Quería ser un Detective, así que decidí convertirme en un Científico de Datos.

Puede que te preguntes qué tienen que ver estos dos campos entre sí. Los primeros Científicos de Datos que conocí instantáneamente parecían encarnar lo que sería un Sherlock Holmes moderno.

Los Científicos de Datos juegan con el conocimiento para resolver acertijos todos los días. En última instancia, pasan la mayor parte de su tiempo investigando números para encontrar soluciones a problemas complejos que solo una mente analítica perspicaz puede resolver. Eso es exactamente lo que hacen los detectives.

Siempre he sentido una profunda emoción siguiendo las aventuras de Sherlock Holmes, quien perseguía incansablemente una pista tras otra hasta que el misterio quedaba resuelto. Quería ser un aventurero como él, pero difícilmente me imaginaba abandonar mis estudios para resolver crímenes con la policía. Supongo que eso se sentía un poco extremo para mi gusto, y esperaba no enfrentarme a los malos tan temprano en la vida. Así que ser un Científico de Datos se sentía como lo mejor de ambos mundos.

Simplemente tomó un tiempo para que esa epifanía me bendijera con su luz. Y para entonces, convertirme en uno se sentía como un gran cambio de lo que estaba persiguiendo en ese momento: un título en Negocios.

Mirando hacia atrás, el único rasgo que compartía con Sherlock Holmes era mi inclinación por sumergirme de cabeza en búsquedas aparentemente imposibles. Eran ideas descabelladas, considerando que no tenía experiencia en programación. Pero poco sabía que abrazar este audaz salto de fe sería mi boleto de oro para perseguir mi mayor pasión en la vida: la música.

El Cómo

Paso 1 — Enfrentar y Abrazar al Monstruo de las Matemáticas

A pesar de una fascinación de larga data por la ciencia, Dios aún no me ha considerado merecedor del regalo altamente exclusivo de descifrar fácilmente el argot científico. Tampoco fui bendecido con oído perfecto, pero esto no tiene nada que ver con esto.

Entonces, de todas formas, después de graduarme, naturalmente me incliné hacia lo que la mayoría de los estudiantes de secundaria sin idea que son malos en materias científicas hacen en esta parte del mundo: estudios de negocios.

Mi relación con las matemáticas ha sido bastante tumultuosa. Era un estudiante de economía en la escuela secundaria. La física me hizo sentir como si estuviera en un universo paralelo y los conceptos matemáticos sonaban como códigos secretos de una civilización alienígena. Las lecciones tardaron en calar, pero… eventualmente calarían más temprano o más tarde. A veces, mucho más tarde.

Sabía desde muy temprano que llevar las matemáticas en mi equipaje sería útil en algún momento. Por lo tanto, no iba a dejar que mis deficiencias científicas me impidieran soñar más allá de mis habilidades. En el último año de la escuela secundaria, decidí enfrentar al Monstruo de las Matemáticas de una vez por todas. Invertí toda mi energía en domar a la bestia hasta que finalmente cedió.

Fue un momento que cambió el juego.

Me dio la confianza necesaria para más tarde cursar una especialización en Matemáticas junto con mi carrera de Negocios durante mis años universitarios.

De todos los cursos de matemáticas que cursé durante mi especialización, estos son los fundamentales que sientan las bases para abordar problemas de Ciencia de Datos y Aprendizaje Automático:

1. Cálculo
2. Álgebra Lineal
3. Estadística y Teoría de la Probabilidad

Para todas las almas temerosas de las matemáticas, recuerden que solo odiamos algo en la medida en que lo hacemos mal. Cuanto antes mejoremos y sobresalamos en una materia, más cambia nuestra percepción. Entonces, si tu objetivo es convertirte en un Data Scientist genial, es hora de enfrentar al Monstruo de las Matemáticas cara a cara y mostrarle quién manda.

Claramente los negocios no estaban destinados a ser mi vocación. Disfruté demasiado siendo torturado por las garras tentadoras del Monstruo de las Matemáticas. Así que en mi último semestre, profundicé en la exploración de carreras relacionadas con las matemáticas. Eventualmente, mi búsqueda me llevó al campo de la Ciencia de Datos. Aproveché la oportunidad de hacer una pasantía como Analista de Datos y al mismo tiempo, ingresé al programa de Maestría en Informática Urbana de NYU (una palabra elegante para Ciencia de Datos Aplicada en el campo de las Ciudades Inteligentes).

Paso 2: Desarrollar intuición para la programación lleva tiempo

Puede que te preguntes cómo un graduado en negocios sin experiencia en programación logró abrirse camino en una escuela de Ingeniería. Bueno, ¿recuerdas esos cursos de matemáticas que tomé en la universidad?

Acontece que no necesitas mucho más allá de esos 3 cursos para empezar con el ML (Aprendizaje Automático). El programa de NYU fue un programa inmersivo pero intenso de 12 meses en el que me lanzaron de lleno al modelado de ML con Python, la creación de bases de datos con SQL y el manejo de Big Data en Spark (o al menos lo intenté) todo a la vez.

Tengo que ser transparente aquí. El cambio repentino de Negocios a Ingeniería fue agitado. Ese año se sintió como una experiencia casi cercana a la muerte en todo momento. Aprender múltiples lenguajes de programación por primera vez implicaba cultivar una intuición distinta para cada uno, lo cual lleva tiempo. Dominar todos ellos simultáneamente, en un período de tiempo condensado, con una gran factura de matrícula en juego (y una pandemia a tu puerta) no es algo que recomendaría para los débiles de corazón.

Para alguien que nunca había escrito una sola línea de código antes de esto, esto se sintió como una gran onda de choque para mi cerebro que se sobrecargó por completo. El pobre no sabía cómo habíamos pasado de los principios de la Gestión a ejecutar modelos de ML a toda máquina.

A posteriori, una cosa que haría de manera diferente sería aprender a programar mucho antes de adentrarme en el Aprendizaje Automático, y no al mismo tiempo.

Jugar con el aprendizaje automático fue emocionante, pero eso no fue suficiente. Aún no lograba comprender completamente lo que estaba sucediendo detrás de escena de esos paquetes de Python. Nunca serás considerado un verdadero científico de datos en el mercado laboral tecnológico a menos que puedas profundizar. Debes ser fluido en explicar los mecanismos subyacentes de esos algoritmos de aprendizaje automático preempaquetados. Así que sabía que tenía que comprender esos mecanismos, pero solo podía lograr tanto en un año viniendo de tan lejos.

En ese momento, COVID-19 apareció y las oportunidades de trabajo en los Estados Unidos eran tan inexistentes como mis habilidades de programación anteriores. Así que pensé que podría usar un año adicional en la academia (o dos). Solicité y fui aceptado en este programa dual único en Francia que combina lo mejor de ambos mundos en Ciencia de Datos: Negocios y Aprendizaje Automático.

Paso 3 — De Importador de Bibliotecas a Explicador: Liberando al Verdadero Científico de Datos Interior

Seguir ese título resultó ser una de las mejores decisiones de mi vida. Me llevó a estudiar en las mejores Escuelas de Negocios e Ingeniería en Francia, un logro que una vez pareció inimaginable. Nunca fui el más brillante en la escuela, pero siempre tuve talento para abrirme paso en los caminos más difíciles. Ser determinado y terco eran mis activos más importantes, así que los puse a trabajar desde temprana edad.

En el transcurso de estos dos años transformadores, aprendí material de Ciencia de Datos que ni siquiera sabía que necesitaba aprender. Las herramientas que adquirí en el camino todavía me guían hoy y estoy aquí para compartirlas contigo:

1. Comprender las matemáticas detrás de los algoritmos de aprendizaje automático separa a los profesionales de los usuarios de bibliotecas de Python. Aprendí cómo demostrar las pruebas matemáticas, pero creo que comprender los conceptos clave detrás de las teorías es suficiente. No es necesario entrometerse directamente con las ecuaciones mismas.
2. Tener habilidades sólidas en Python y SQL es esencial en el “paquete de inicio de Ciencia de Datos en Tecnología”. Extraer y construir tuberías para tus datos requiere hacer una parada en almacenes de datos como BigQuery, que generalmente están alimentados por SQL. Mientras te tomas el tiempo para dominar esos conceptos básicos de Python, te ayudará con la preparación y el análisis de datos.
3. Necesitarás Álgebra Lineal y Cálculo para ayudarte a comprender los fundamentos de la teoría de aprendizaje automático, pero nada superará tener conceptos de Estadística y Probabilidad en tu caja de herramientas. Las estadísticas tienen aplicaciones directas en el trabajo diario de un científico de datos, así que asegúrate de comprender los conceptos básicos de la significancia estadística y las distribuciones de probabilidad desde el principio.
4. Las ideas de los datos no tienen valor si no puedes comunicarlas a personas no técnicas. Refinar tus habilidades de contar historias es un viaje continuo para los científicos de datos, así que es mejor subirse al barco lo antes posible.
5. Cultivar la resiliencia y la paciencia al trabajar junto a mentes brillantes y compañeros experimentados. El síndrome del impostor puede aparecer fácilmente, especialmente cuando vienes de un campo diferente. La duda de uno mismo es una bestia desagradable, así que es mejor familiarizarse con ella desde el principio para deshacerse de ella.

Al abrazar estas lecciones, he mejorado como científico de datos. Me equiparon con las herramientas necesarias para iniciar mi carrera en Tecnología.

Los mejores programadores no necesariamente son los mejores científicos de datos. Para prosperar como científico de datos en el mundo tecnológico, viniendo de un fondo empresarial, aprendí que uno debe:

1. Aceptar la incomodidad de las matemáticas. Dominar los conceptos básicos de Álgebra Lineal, Cálculo y Teoría de Estadística y Probabilidad.
2. Dedicar tiempo a aprender Python y SQL a fondo. Evitar abrumarse con demasiados marcos de programación.
3. Sumergirse en los fundamentos matemáticos del aprendizaje automático para desmitificar los algoritmos preempaquetados. Ser capaz de explicar sus mecanismos.
4. Perfeccionar tus habilidades de contar historias desde el principio. Dominar el arte de comunicar conceptos complejos de manera convincente y accesible.
5. Integrar conceptos empresariales con el conocimiento adquirido en los pasos anteriores para crear una combinación poderosa.

En el pasado, subestimé el valor de mi licenciatura en Negocios. A menudo parecía que había pasado años persiguiendo el camino equivocado. Pero al unirme a Spotify, descubrí que la fusión de los conocimientos en Negocios y Ciencia de Datos crea los mejores Científicos de Datos. El verdadero poder reside en aquellos que pueden navegar ambos campos sin problemas. ¡No hay razón por la cual no puedas ser uno de ellos!

Tu apoyo es invaluable, significaría mucho si pudieras:

• Sígueme en Zepes
• Suscríbete a mi Boletín de noticias
• Sígueme en LinkedIn

• Career Advice
• Career Change
• Careers
• data science
• Data Science Careers