¿Cuál es el camino para el científico de datos?

Para cualquier tipo de función técnica, incluida la ciencia de los datos, hay dos vías: la ruta de gestión y la ruta del contribuyente individual.

La trayectoria del contribuyente individual incluye científicos de datos que trabajan en proyectos básicos, aportan código, ejecutan análisis y construyen tuberías de ETL y modelos de aprendizaje automático. La ruta de gestión abarca a los científicos de datos que gestionan a las personas, escalan la estrategia de datos y trabajan en el ajuste conjunto de las piezas de una organización de datos.

Ambas rutas se originan en el mismo viaje desde el nivel de entrada a la posición de científico de datos de alto nivel, donde luego divergen. A medida que se avanza en la carrera, los contribuyentes individuales pueden decidir convertirse en administradores o seguir siendo científicos de datos altamente especializados.

Para este artículo, vamos a centrarnos en la trayectoria profesional de la ciencia de datos del contribuyente individual y lo que se necesita para nivelar como científico de datos.

Papel científico de datos a nivel de internado y entrada en la ciencia de los datos

Comencemos con científicos de datos jóvenes y pasantes en ciencias de datos. ¿Qué tienes que saber y qué es lo que realmente haces? ¿Cómo puede crecer tu carrera científica de datos?

Honestamente, no tanto. En esta etapa, los científicos de datos son súper crudos y principalmente trabajan en el desarrollo de sus habilidades técnicas básicas, como SQL y Python . Como tal, las tareas son generalmente sencillas y tienen un objetivo objetivo claro.

Si eres un interno en ciencias de datos, normalmente puedes aportar valor construyendo scripts o prototipos de proyectos con visualizaciones de datos y modelos. Usted no tendrá mucho tiempo para enviar código de producción o construir una comprensión de todo en el negocio, por lo que lo mejor que puede hacer es añadir valor donde y siempre que sea posible.

Los científicos de datos jóvenes también trabajan dentro de un ámbito específico. Por ejemplo, en lugar de abordar problemas de análisis ambiguos (por ejemplo, ¿Qué está influyendo en el comportamiento de compra de clientes en nuestro sitio web de comercio electrónico? ), es más probable que a un científico de datos de nivel inicial se le encomiende la tarea de escribir una consulta para calcular las tarifas de los clientes o construir un tablero para ver las compras por medio de un canal de marketing.

Si a un científico de datos de nivel inicial se le diera una tarea más avanzada de construir un modelo e implementarlo en la producción, probablemente habría un check-in diario con científicos de datos de alto nivel para ayudarlos a desbloquear, hacer revisiones de código, y aprender cómo integrarse en el sistema existente.

Observe la palabra clave que he estado usando aquí: jóvenes científicos de datos se les da una tarea en lugar de encontrar uno . Entender qué construir separa a los jóvenes científicos de datos de roles más avanzados. Un científico de datos junior podría intercambiar ideas sobre estrategia y arquitectura, pero la mayoría de sus tareas se centran en la producción de trabajo para sus gerentes y otras partes interesadas.

Los sueldos de los pasantes de ciencias de datos pueden oscilar entre el salario mínimo y $40 por hora en algunas empresas de la FAANG. Del mismo modo, los científicos de datos de nivel inicial suelen pagar alrededor de $80k-$100k al año, pero es bastante común que los científicos de datos de nivel inicial de las empresas FAANG ganen más de $150K al año en compensación total, incluso en su primer año. En este caso, estas empresas están contratando para el potencial de la ciencia de datos más que el valor real que estos científicos proporcionan.

Científico de datos de nivel medio

Después de aproximadamente uno o dos años de experiencia como científico de datos de nivel inicial, su trayectoria profesional en ciencias de datos puede pasar a un papel científico de datos de nivel medio. Los científicos de datos de nivel medio son colaboradores individuales avanzados que pueden abarcar ámbitos de proyectos más amplios y problemas empresariales más ambiguos.

Por ejemplo, mientras que un científico de datos junior crearía las consultas SQL para una tubería ETL, un científico de datos de nivel medio debería ser capaz de diseñar toda la tubería ETL desde cero y utilizarla en su modelo de aprendizaje automático.

Un científico de datos que ha pasado de la etapa junior no necesitará tantos chequeos y por lo general puede desbloquearse sin pedir ayuda a otros científicos de datos. Además, desde la perspectiva del producto, un científico de datos de nivel medio tiene un mayor nivel de comprensión de los problemas empresariales y cómo utilizar la ciencia de datos para resolver esos problemas .

Este avance en habilidades y experiencia significa más autonomía en términos de elección de proyectos y gestión de proyectos. Los científicos de datos siempre tendrán proyectos más que suficientes para trabajar. Dar prioridad a los proyectos es el primer paso en nivelar tu carrera para que alguien no tenga que asignarte trabajo manualmente.

La mayoría de los científicos de datos de nivel medio pueden ganar entre $120k y $180k en el Área de la Bahía y otras ciudades, sin importar dónde terminen trabajando. En las compañías FAANG, este número puede disparar hasta más de $200k al año en compensación total.

Senior Data Scientist Trayectoria Profesional

Finalmente, ¿qué separa a los científicos de datos de los demás? Aunque los años de experiencia siguen siendo importantes, hay mejores características que diferencian a un científico de datos más senior de un científico de datos menos senior.

Una vez que alguien ha trabajado en la ciencia de los datos durante cinco a siete años, su título probablemente será denotado como un senior. Pero alguien con más de 20 años de experiencia podría ser un científico de datos peor que alguien con cinco años de experiencia. Muchas empresas ahora han instituido diferentes “niveles” para evaluar los candidatos que van a los papeles de los contribuyentes individuales que ayudan a determinar la compensación total también.

Alcance del proyecto entendido y dónde priorizar las aplicaciones de la ciencia de datos
Buena comunicación de conceptos técnicos
Una fuerte capacidad de mentor de científicos de datos junior

Una buena puntuación en estos diferentes rasgos determina cómo un científico de datos senior será. Los mejores científicos de datos pueden tomar un problema altamente ambiguo y diseñar una solución de principio a fin por sí mismos o en un entorno de equipo. El nivel de eficiencia con el que pueden completar esta tarea determina su valor.

Por ejemplo, digamos que un startup quiere construir su primer sistema de pruebas A/B. Un buen científico de datos senior averiguaría los requisitos y el alcance del negocio–

¿Por qué necesitamos un sistema de pruebas A/B?
¿Lo necesitamos para el correo electrónico, el motor, o sólo el front-end?
¿Cuántos usuarios necesita manejar el sistema en el futuro?

Ahora que el alcance está establecido, el científico de datos senior comenzaría a diseñar un sistema para construir. Pensarían en cómo distribuir aleatoriamente a los usuarios en diferentes cubos, cómo crear diferentes funciones que otros científicos de datos puedan reutilizar en su código más adelante, y qué tipo de entregable se construiría para que los gerentes de productos y ejecutivos pudieran ejecutar experimentos y monitorear pruebas.

¿Cuánto les pagan? La respuesta corta es mucho. Un científico senior de datos, dependiendo de su nivel, puede hacer cualquier lugar desde $150k a un millón de dólares por año o más. Los mejores científicos de datos de alto nivel entienden cómo pueden justificar sus salarios.

En última instancia, al final del día, la progresión de la carrera científica de datos puede ser como cualquier otro papel. Como seres humanos, asumimos tareas más y más grandes a medida que ganamos experiencia en el juego de la vida. Su valor como científico de datos corresponde entonces a cuánto valor puede agregar y las soluciones que construye en relación con los datos.