¿Por qué dejaste la ciencia de los datos?
Ciencia de los datos
En este artículo, comparto mi experiencia de ser un científico de datos y cómo encontré que no era para mí.
Siempre pensé que quería ser un científico de datos. Había leído sobre el glam que trae esta profesión. Uno tiene la capacidad de cambiar los resultados empresariales con la ayuda de datos y decisiones basadas en datos. Además de eso, a uno se le paga una buena cantidad de dinero y, a menudo, llega a sorprender a muchos miembros de la familia cuando les hablan de su trabajo, porque sus amigos y familiares pueden no tener una idea de lo que usted hace.
Todo esto parecía muy prometedor. Así que para seguir adelante en esa dirección, perseguí una licenciatura en estadística (H) de una de las universidades más influyentes de la Universidad de Delhi. Para complementar aún más mis conocimientos y obtener comprensión empresarial, obtuve la admisión a un título de postgrado que giró en torno a la empresa y el emprendimiento. Me sentí más lista para emprender una carrera en ciencias de datos que nunca antes.
Después de ser un científico de datos durante unos 4,5 años y trabajar con instituciones académicas y de investigación de primera clase en una variedad de proyectos, renuncié hoy. En este artículo, explico las siete razones por las cuales.
¡Maestro de todos los oficios, jota de ninguno!
Todos pueden haber oído hablar de Jack de todos los oficios, maestro de ninguno. En mi caso, siempre fue al revés. Se espera que muchos científicos de datos, incluido yo, sean expertos en aprendizaje automático, aprendizaje profundo, raspado web, ingeniería de bases de datos, despliegue de modelos de ML a nivel de producción, ingeniería de software, política de datos y gobernanza.
Hablando de herramientas, algunos de mis empleadores anteriores querían que conociera Python, R, Java, Javascript, Hadoop, Spark, Tableau, Power BI, Excel, Scala, Jira y SAS. No pude estar a la altura de sus expectativas de saberlo todo. Muchas veces se espera que los científicos de datos respondan a todo tipo de preguntas de datos aleatorios que llegan a ellos, porque si se les llama “científicos de datos,” deben saber todo acerca de los datos. Lamentablemente, no es cierto.
La solución a este problema es articular claramente en la descripción del trabajo la pila de tecnología que una organización utiliza, en lugar de escribir todo lo que está allí bajo el universo o todo lo que la organización piensa que debe estar usando.
Infraestructura de datos insuficiente o nula
El trabajo de un científico de datos es impulsar la toma de decisiones utilizando datos . El requisito previo es que haya datos que puedan ser analizados y aplicados. He sido parte de organizaciones y proyectos, donde no había datos, y en el peor de los casos, no había infraestructura para capturar, almacenar y extraer datos cuando era necesario para tomar decisiones. La forma en que se capturan los datos en estos lugares fue principalmente en Google Drive o Sharepoint, y después de un punto de tiempo, nadie sabe qué datos es dónde, y cómo se almacena.
Me identifico con Andrew Ng cuando dice que tener buenos datos es más importante que tener buenos modelos. Otro aspecto que se ve es que muchas veces los líderes empresariales no tienen una visión de datos para sus organizaciones, y la mayoría de las veces, las acciones se reflejan de una manera ad-hoc.
La solución a este problema es contar con conocimientos de datos y desarrollar sistemas que puedan capturar y extraer datos cuando sea necesario. Estas son las responsabilidades laborales de un arquitecto de datos o ingeniero de bases de datos.
Expectativas vs Realidad de ser un Científico de Datos
Uno de los mayores desafíos para muchos científicos de datos (¡y para mí también!) es que hay una gran diferencia entre las expectativas del papel y lo que realmente hacen. Muchas veces el científico de los datos espera que obtendrán datos bien cocinados, que lo utilizarán para construir modelos, y estos modelos serán utilizados por los líderes empresariales para tomar decisiones. Desafortunadamente, las cosas no funcionan así en la vida real.
Muchas organizaciones, como se mencionó anteriormente, ni siquiera cuentan con la infraestructura de presentación de datos. Por lo tanto, alrededor del 80% de las veces se pide a un científico de datos que obtenga los datos, los limpie, los transforme y los envíe al siguiente equipo. Esto crea desilusión en las mentes de los científicos de datos. En el peor de los casos, se pide a los científicos de datos que realicen tareas de datos menores, como descargar datos o hacer análisis en Excel.
Cuando estos científicos de datos desilusionados tratan de encontrar otro trabajo, no consiguen otro fácilmente, ya que el futuro empleador no es capaz de ver claramente los logros en sus funciones anteriores. La mayoría de los empleadores buscan personas que sean capaces de construir modelos y luego hacer que hagan limpieza de datos y transformaciones o informes de negocios ad-hoc.
La solución a esto es crear un emparejamiento de expectativas-realidad con posibles candidatos. Esto es útil no sólo para el candidato, sino también para el empleador.
Agentes de atención al cliente
Me cansé de ser siempre tratado como un representante de servicio al cliente donde estaba recibiendo peticiones de todos los departamentos de la organización porque yo era el tipo de “datos”. En muchas organizaciones, especialmente aquellas que no son impulsadas por productos basados en el aprendizaje automático, los analistas de datos y los científicos de datos son tratados como personal de apoyo, que son necesarios para apoyar las cosas más importantes que las organizaciones hacen “dirigidas por la investigación”.
No es raro recibir peticiones como, “hey Aayush, ¿puedes por favor descargar este conjunto de datos para mí, hacer un análisis exploratorio rápido, hacer algunas diapositivas, y compartir conmigo antes de las 8 de la mañana siguiente porque necesitamos compartirlos con algunos financiadores la próxima semana?” o “hey Aayush, me encontré con este hermoso trabajo de investigación que utiliza el aprendizaje automático. ¿Puedes leer este periódico y decirme qué hay ahí?”.
La solución a este problema es tener respeto por las tareas y deberes de cada persona, y no considerarlos como productos de uso y lanzamiento en una organización.
Aislamiento y monotonía
En mi caso, yo era la única persona en el equipo de datos (a veces en toda la organización), lo que llevó a mi trabajo en aislamiento. El entorno de trabajo remoto lo exacerbó aún más. Como se explicó anteriormente, la mayoría de las solicitudes anteriores eran ad-hoc, lo que significaba que estaba trabajando solo y haciendo las mismas actividades una y otra vez.
Mi personalidad no estaba en sintonía con esto, ya que soy una persona a la que le encanta trabajar con colegas y en una variedad de tareas. Todo el ciclo de producción de aprendizaje automático parecía y resultó ser mentalmente agotador y monótono para mí. Y con toda la laboriosidad que se lleva a cabo, las decisiones no fueron tomadas por la dirección, ya que tenían otras prioridades en mente.
La solución a este problema es estructurar equipos con un conjunto diverso de personas. Además, también será útil aclarar las dudas del candidato y explicarles de antemano los períodos de aislamiento.
Falta de orientación por parte de científicos de datos y expertos en dominios
Muchos líderes de alto nivel tienen conocimientos limitados sobre los matices de la cuestión en cuestión y cómo la ciencia de los datos puede ser útil para resolverlos. Tienen ideas elevadas y luego piden y esperan que los científicos de datos operen con plena eficiencia dentro de estas directrices indefinidas y objetivos vagos. Esto tiene el potencial de hacer que los científicos de datos tomen no el enfoque más lógico y estructurado para resolver problemas, sino más bien un método hit-and-trial para encontrar soluciones.
Este enfoque no es bueno ni para las finanzas de la organización ni para la eficiencia operacional. Además de esto, esto tampoco es muy útil para los científicos de datos que están operando en este entorno. Además, no hay muchos científicos de datos de alto nivel disponibles que puedan ayudar a los científicos de datos jóvenes en su crecimiento profesional y técnico.
La solución a esto es capacitar a los científicos de datos en el conocimiento del dominio, escuchar sus argumentos respaldados por datos, y planificar el crecimiento profesional para ellos en la organización. Muchos millennials no son movidos por salarios altos, sino más bien por un alto crecimiento en su vida profesional y personal.
Política
En mis papeles anteriores se me había pedido que estuviera haciendo pequeños favores a mis colegas para que supieran y entendieran que ahora soy un científico de datos en la organización. Este tipo de comportamiento agradable a la gente sin propósito no fue muy alentador para mí. Además, muchas veces ni siquiera se me dio acceso a los datos que otros departamentos tenían porque los cuidadores de esos departamentos no querían que los datos salieran a la luz.
A veces, incluso se me pidió que presentara información en parte de una manera que fuera útil para que los colegas presentaran su programa. Como científico de datos, no fui entrenado para maniobrar estos. Esta es también una preocupación que muchos futuros científicos de datos enfrentarán en el trabajo.
La solución a esto es aceptar los caminos de las organizaciones y avanzar en ese sistema (¡a menudo, el más fácil!) o si usted es lo suficientemente apasionado, expresar sus opiniones y sugerir formas prácticas y tangibles de cambiar estos en las empresas. Sin embargo, puede que no siempre funcione.
Conclusión
Las razones anteriores son de mi experiencia personal y no todo el mundo puede estar teniendo este tipo de situaciones en el trabajo. Tengo la intención de sacar adelante estas lecciones mientras me embarco en mi próximo viaje. Las ideas y experiencias que obtuve trabajando como científico de datos me enseñaron que los tipos de roles a los que soy más adecuado deberían incluir trabajar con un equipo de manera colaborativa, realizar un conjunto diverso de actividades y ser la voz de los usuarios para su éxito.
Mi educación y experiencia me dieron habilidades analíticas relevantes que son útiles en muchas organizaciones. Con la mentalidad analítica adecuada y las capacidades de resolución de problemas, espero ayudar a las organizaciones a tomar las decisiones estratégicas correctas. A medida que avance más en mi carrera, voy a ser más un científico de decisión aplicada, en lugar de un analista de datos.
Para cualquier pregunta o detalle, puedes ponerte en contacto conmigo y podemos hablar más sobre tus experiencias. Nunca es una cosa emocionante para tomar decisiones equivocadas y mi esperanza es que con mi experiencia, usted estará en una mejor posición para decidir si le gustaría proceder en la dirección de las ciencias de los datos.
Artículos Relacionados: