Errores que impiden hacer uso de las mejores prácticas de la Ciencia de Datos (Data Science)

Para las Empresas los datos tienen mucha importancia, ellas confían en los datos para llevar a cabo una acción determinada en la empresa, como la inversión o gastos de la empresa, las decisiones del personal, el desarrollo de productos, etc. Por ende significa que los Científicos de Datos (Data Scientists) se están volviendo más indispensables en las Empresas, para hacer uso de las mejores prácticas posibles en la Ciencia de Datos (Data Science) hay que evitar algunos de los aspectos que te compartiré en este Post.

Si no tienes conocimiento sobre Ciencia de Datos (Data Science) te recomiendo leer el artículo Que es la Ciencia de Datos (Data Science) para que estés Familiarizado con este Post y si deseas aprender en la práctica, puedes llevar acabo el tutorial Como hacer Análisis a los productos de una Tienda de Postres mediante Data Science para aumentar tus conocimientos sobre esta área.

A medida que aumenta el Desarrollo de la Inteligencia Artificial AI, los Científicos de Datos (Data Scientists) son cada vez más demandados por las Empresas que puedan costear este tipo de profesional, asimismo es importante que los Científicos de Datos (Data Scientists) usen las mejores prácticas en sus tareas de Data Science, voy a compartirte 5 errores que cometen los Científicos de Datos (Data Scientists), junto con ideas para evitar que afecten los resultados en una Empresa.

Centrarse en Computadoras, no Colegas

Hay una idea errónea común entres los estudiantes de Ciencia de Datos (Data Science) de que en el mundo real sus tareas consisten en escribir código técnico y que alguien más presentará sus hallazgos a las partes interesadas del negocio. Nada más lejos de la verdad. El trabajo de un Científico de Datos es hallar información que ayude al crecimiento de la Empresa

En primer lugar los Científicos de Datos (Data Scientists) debe tener la capacidad de comunicar como la información que descubren afecta a las empresas más grandes, asimismo deben saber donde hallar esta información, esto último es importante ya que un Científico de Datos (Data Scientist) esta la mayor parte de su día en su escritorio, puede que nunca se de cuenta de que el equipo de Ventas esté teniendo un problema con la baja de Clientes o que el equipo de Marketing este luchando con una parte del embudo de conversión.

No hay negocio perfecto y hay muchos problemas que un Científico de Datos (Data Scientist) puede ayudar a resolver. No solo debe enfocarse en mirar Datos, debe alejarse de su escritorio para enterarse del trabajo diario de la Empresa y pueda comprender como agregar mayor valor a la Empresa.

Ignorar el contexto Empresarial más amplio

Además de estar seguro que tiene una comunicación regular con sus demás colegas, el Científico de Datos (Data Scientist) debe tomarse el tiempo para comprender el contexto a gran escala del negocio en el que esta trabajando. Si esta trabajando en soluciones para una empresa minorista, debe observar como funciona, que están haciendo los colegas del área de Ventas, como los clientes se involucran con el espacio, como trabajan los gerentes, etc.

Cuando el Científico de Datos (Data Scientist) comprende el contexto a su alrededor, puede ofrecer información comercial muy importante, esto es un componente clave de las mejores prácticas de la Ciencia de Datos (Data Science). Si el Científico de Datos no sabe como funciona el negocio, es imposible ayudarlo a desempeñarse mejor. Los Científicos de Datos deben entender lo que representan los Datos. Sin eso, se encontrará con situaciones en las que todo debería funciona perfectamente de acuerdo con sus modelos, pero donde todavía no hay problemas del mundo real que solo conocería al ver el negocio en acción.

Si el Científico de Datos (Data Scientist) tiene una idea amplia del contexto comercial, puede identificar los procesos que no funcionan, mirar los Datos, formular hipótesis sobre lo que puede estar mal, probar y confirmar su hipótesis y realizar cambios que mejores las operaciones del negocio.

Centrarse en la Teoría y no en la Práctica

La Ciencia de Datos como otras áreas, es mucho mas ardua en la práctica que en la teoría. La cuestión es que no puedes aprender a dominar el lado práctico de la Ciencia de Datos hasta que realmente lo hagas en el entorno que impliquen el uso de Ciencia de Datos.

En una Empresa los Científicos de Datos (Data Scientists) deben de esquivar todo tipo de fuerzas, incluyendo:

  • Coordinación con otros departamentos y otros equipos: Esto podría significar saltar de un proyecto a otro a medida que cambian las prioridades internas o encontrar soluciones alternativas cuando su solución principal no se puede implementar como se sugiere.
  • Retos de integración de código: A veces, un código no puede integrarse fácilmente con el código existente, esto significa que debe encontrar una solución alternativa.
  • Limitaciones en presupuesto: En el mundo real, cada proyecto tiene limitaciones presupuestarias. Es importante encontrar la manera de trabajar con ellos para llegar a dar soluciones lo suficientemente buenas (en lugar de perfectas) , esto es clave para ser efectivo en un rol de Científico de Datos (Data Scientist).

Aunque es importante mantenerse al día con los últimos artículos en los Blogs de Ciencia de Datos y Tecnologías, hay ciertas partes del  trabajo que solo se puede aprender haciéndolas. Un Científico de Datos eficaz sabe como equiparar ambas partes en su Desarrollo Profesional.

No hacer Preguntas

Para ser un mejor Científico de Datos (Data Scientist), simplemente debes preguntar Porque? Esto ayuda a eliminar ciertas barreras de comunicación entre los Científicos de Datos y los otros empleados de otras áreas de la Empresa.

Imagina que un líder de Marketing en una Empresa minorista solicita un modelo de Datos que muestre cuánto gastan los clientes en función del canal que utilizan para llegar al sitio web. Podrías crear ese modelo o preguntar Porque ? , ¿ Es para entender que clientes son más valiosos para que sepan donde canalizar dinero adicional de Marketing ?, ¿ Es para ayudar al equipo de ventas a priorizar clientes potenciales ?, ¿ Tienen una manera de medir clientes nuevos versus clientes recurrentes ?, ¿ Han tenido en cuenta las devoluciones de productos ?

Para llegar a construir un modelo verdaderamente útil, debe comprender el problema que su colega intenta resolver con él, y cuando lo haga, podrá resolverlo de manera más fácil que lo que en un inicio pensó, lo que beneficia a todos.

Suponiendo que tus Datos estén limpios

En la mayoría de casos, el 80 % del trabajo de un Científico de Datos es limpiar datos, el 20 % restante esta ejecutando modelos de Aprendizaje Automático o de Aprendizaje Profundo (Deep Learning) para obtener una idea.

El primer paso a seguir al recibir un conjunto de Datos es descifrar cuanto puede confiar en ellos, el segundo paso es determinar que tendrá que hacer para que los Datos sean utilizables.

Los Datos nunca son perfectos, si lo fueran los Científicos de Datos no tendrían trabajo, tenemos que hacer que los Datos imperfectos sean utilizables, esto requiere que comprendamos el contexto comercial más amplio ¿ Qué información no necesita ? ¿ Cuáles son de misión critica ? 

Es fácil caer en la mentalidad contemporánea de que los Datos son la fuente de todo significado y valor dentro de una Empresa (especialmente si eres es un Científico de Datos). Pero si se quiere continuar aportando valor a las Empresas en donde los Científicos de Datos trabajan, utilizando las mejores prácticas de Ciencia de Datos, se tiene que reconocer que el trabajo de un Científico de Datos es más valioso cuando es parte del ecosistema Empresarial más grande y que depende del Científico de Datos comprometerse con ese ecosistema para garantizar la calidad de su trabajo.

Conclusión

Si sigues estas recomendaciones, tu tarea como Científico de Datos será más eficaz. Hay otras recomendaciones que quizás se me escapa de este Post, pero recuerda que siempre debes de hacer las cosas correctas y trabajar como un equipo en la Empresa.

La comunicación es importante en todos los equipos de Trabajo, esto da seguridad a las acciones que se tomen en una Empresa.

Nota(s)

  • No olvides que debemos usar la Tecnología para hacer cosas Buenas por el Mundo.

 

Síguenos en nuestras Redes Sociales para que no te pierdas nuestros próximos contenido.

Newsletter

Suscríbete a Nuestro Boletín de Novedades:

(Luego de la suscripción no te va salir ningun mensaje. Solo revisa tu bandeja de Correo para confirmar tu suscripción)
* indicates required

Comentarios

avatar
  Subscribirse  
Notificar a