Yo no elegí trabajar en data, casi que podría decir que la data me eligió a mi. Y ciertamente fue un amor a primera vista, desde el primer curso de estadística mientras estudiaba educación, trabajar con números se me daba bien y me gustaba, pero nunca me imagine que pagaría las factura trabajando feliz con números todo el día.
Y pues tengo la suerte que la carrera en data es una de las más atractivas hoy en día y con buen pronóstico laboral. Con frecuencia la gente me pide consejos de como hacer para dar el brinco y entrar en el área. Aquí mi resumen.
Por dónde empezar: usar las palabras adecuadas
La primera complicación para mi es semántica. Cuando finalmente entendí que la data y yo teníamos un matrimonio permanente decidí estudiar y formalizar nuestra relación. En ese momento la universidad nos asignó un nombre diferente ya que no éramos estadísticos, así que nos llamaron, un poco despectivamente, especialistas en Análisis de Datos. Para nosotros era un poco discriminatorio, pero al final del día aprendimos técnicas interesantes.
Al migrar, ponía en mi CV que era experta en estadística tal como lo hacía en Venezuela, pero al no recibir ni una entrevista comencé a explorar, y me di cuenta que en Canadá, las competencias en Estadística no aparecían con frecuencia entre las solicitudes laborales, pero Análisis de Datos era un común denominador en la mayoría, así que ahora el nombre de titulo era muy valorado, sin embargo no aprendi nada de lo que se buscaba en el mercado. Ya no se hablaba de recolección de datos sino la colección de los datos. Y poco a poco me tocó traducir mis experiencias y habilidades a los mismos términos que las empresas hablan. Una vez que aprendí a hablar el idioma de la data digital ,empecé a conseguir entrevistas.
Revisar lo que se busca en el mercado
Es una área muy dinámica y cambiante. La mejor fuente de información para saber cual es la tendencia son las ofertas de trabajo. Al revisar ofertas es posible ver cómo las mismas habilidades son requeridas una y otra vez por la mayoría de los empleadores. Hacer una lista de esas habilidades es primordial.
Luego toca clasificarlas entre lo que se llama habilidades técnicas y podríamos decir suaves (soft skills) o que se pueden transferir de otros trabajos y que se han adquirido más en base a la experiencia y la propia personalidad.
En la mayoría de los casos, las descripciones de cargo son una lista de deseos imposible. Ahora que soy parte de equipos de entrevista y definición de cargos puedo confirmar que se inicia con lo que es necesariamente requerido, pero luego cada uno comienza a decir habilidades que serían muy enriquecedoras en el equipo, y una maravilla si se consiguieran. Al final el anuncio es una búsqueda de un unicornio. Es muy poco probable que alguien reúna todas esas habilidades, pero la idea no es desmoralizar a los candidatos, todo lo contrario, abriendo el espectro se abren posibilidades para quienes reúnan más habilidades.
¿Qué hay que aprender?
Hay montones de infografías y cursos online para convertirse en expertos en datos. La mayoría de la gente que me llama me pregunta lo mismo: ¿qué aprendo primero? Y es una pregunta absolutamente temporal. El mundo del siglo XXI es dinámico y cambiante. No solo en el ámbito de la data, basta como ejemplo ver como de un día para otro todos aprendimos sobre pandemia, cuarentena y carrera por vacunas.
Yo recuerdo que cuando comencé a trabajar como Analista de Datos, un gran amigo con el cargo de Científico de Datos (Data Scientist) en ese momento, que se había graduado como Ingeniero en Sistemas me dijo, “hoy nos llamamos así, mañana quien sabe, lo importante es mantenernos al día”. Y yo he experimentado eso, en 5 años en el área de data digital he visto como las habilidades más requeridas cambian, pero puedo también ver las que se mantienen.
Una gran ventaja en el área de datos es que por el momento no existe una certificación universal que necesitemos para mostrar que somos expertos en el área. Todos venimos de diferentes áreas y muchos han aprendido independientemente usando cursos online. Y eso es aceptado en todas las empresas, al menos a las que yo he tenido acceso. Ciertamente los laboratorios de Inteligencia artificial que buscan publicar artículos científicos prefieren PHD’s, pero eso es otro nivel. En resumen, no, no es necesrio hacer un costoso certificado para migrar a data.
Mi muy sesgada y discutible lista para migrar a data
Querer aprender y estar dispuesto a salir de la zona de confort. Si bien la estadística es la misma, y las pruebas que se aplican se mantienen, digamos no cambia la definición de porcentaje o de varianza, pero los lenguajes y software si. Hoy en día la tendencia es open source y es aceptado que buena parte del tiempo de trabajo se dedicará a aprender. Esto es un cambio cultural enorme. Cuando yo me gradué se esperaba que con el título universitario fuera una certificación como experto, hoy en día se espera un aprendiz dispuesto a pasar muchas horas aprendiendo nuevas tecnologías.
Valorar la data. Es un lugar común escuchar que la data es un activo importante. La expresión basura entra basura sale “garbage in garbage out” es común en los equipos de data, porque hoy en día manejamos volúmenes enormes de data, pero sin el adecuado cuidado en lugar de ayudar, puede más bien desorientar las decisiones. Para trabajar con datos es importante estar atento a los detalles, saber que serán horas de revisar la estructura de datos, significados, buscar y crear documentación para poder hacer un procesamiento lo más adecuado posible.
Saber que perfecto es enemigo de lo bueno. Y casi imposible con los volúmenes actuales de data. Cuando podiamos validar encuestas manualmente y revisar una a una las celdas del archivo de excel era posible y esperado. Hoy en día puede tomar días y hasta semanas lograr un refinamiento perfecto de la data, cuya variación en el resultado será realmente mínimo. Es decir si hemos encontrado que habrá una caída en las ventas, poco cambia para los equipos de estrategia decirles que será de 15% o 18%. Pero si habrá un cambio si lo saben un mes antes para ajustar las acciones a tomar.
Énfasis en contar historias simples e interesantes: Todas las fases del trabajo con data son importantes, Yo defino tres: preparación y calidad, análisis y visualización. Visualizar la data es realmente importante no solo con gráficos sino contando la historia. Es simplificar todo lo que se hizo para que toda la audiencia en la empresa, con o sin conocimientos técnico pueda entender y aplicar los resultados. Yo suelo decir que escribo textos que mi abuela entendería (quien no terminó la primaria)
Trabajar en equipo: El trabajo en data no es solitario, es tan enorme y complejo que no importa el proyecto ni su alcance, siempre se requiere colaboración. Y seguramente muchas cosas van a fallar. Yo cometo errores a diario y ninguno me ha costado mi trabajo, al contrario los usamos como aprendizajes para reforzar los procesos. Perola clave está en no señalar culpables, por el contrario en reconocer los errores y buscar en conjunto soluciones.
Tener los conocimientos técnicos básicos: Y quizá esto es lo único que todos buscan de un post como este, y a propósito lo deje para el final porque ciertamente es importante pero no lo más importante. Los lenguajes y software se aprenden, casi cualquier persona puede aprenderlos, pero una actitud adecuada con la data y los equipos son fundamentales.
Entonces, que debo estudiar:
Al menos un lenguaje de procesamiento de datos. SQL es básico, hay muchos tutoriales online. A mi me parece que la mejor opción es usar un curso online y practicar con data publica en mode analytics.
Adicionalmente es importante aprender Python o R. Ambos son lenguajes que permiten trabajar estadísticas más refinadas con los datos, además de automatizar procesos.
Los software de visualización de datos son clave. Cambia con frecuencia el líder en el mercado. Hoy en día Marzo 2021, yo recomendaría saber un poco de Tableau, Power Bi y Looker. Pero quizá en dos meses quizá sean otros. De nuevo buscar la tendencia y estar dispuesto a explorar y aprender.
Aprender sobre control de versiones (Github - Gitlab) como la idea es trabajar en equipo y colaborar, y además sabemos que podemos fallar, es importante aprender a usar herramientas que nos permiten colaborar con nuestro equipo y rápidamente revertir un cambio si está causando problemas.
Documentación. De nuevo los software son imposibles de seguir porque hay nuevos competidores cada día, pero empezando por manejar por ejemplo google docs, es importante estar al día con opciones para agregar documentación apropiada a los proyectos, seguir lo que otros hacen y aprender de manera autónoma buscando
Términos de la data digital. Esto implica un cambio fundamental. Hay medidas que son completamente nuevas y muchas están directamente relacionadas al área de trabajo. Las Saas (Software as a service company) usan términos que son completamente nuevos como clicks, bounce rate o churn. La mayoría no están traducidos y se usan directamente en inglés.
En resumen:
1- Utiliza los términos sobre data que se utilicen en el entorno.
2- Identificar en el mercado qué posiciones están disponibles, las habilidades que se buscan y cruzar eso con las propias habilidades.
3- Estar dispuesto a aprender nuevos métodos. Usar cursos online para aprender.
4- Trabajar en equipo.
5- Aprender y mantenerse aprendiendo sobre los software, métodos y términos que se usan en la industria.
6- Tener atencion a los detalles y valorar la data.
7- Querer contar historias usando data.
8- Empezar aprendiendo SQL.
9- No temerle a la estadistica ni a la programacion Todo se puede aprender.
Comentarios