¿Puede el analista de datos convertirse en científico de datos?

Las habilidades de análisis de datos sirven como un excelente punto de partida para cualquier persona que busca convertirse en un científico de datos. Descubra cómo pasar de analista de datos a científico de datos en esta guía.

Con el actual cambio hacia el trabajo en casa, muchas personas están readiestrando en campos mejor adaptados a la economía del siglo XXI. Un campo en el que se observa un crecimiento importante son los datos, con analistas de datos cualificados y científicos de datos con una enorme demanda.

Tal vez usted está considerando una carrera en los datos y están interesados en saber qué oportunidades le esperan. Tal vez usted ya está trabajando como analista de datos y quiere saber cómo se puede progresar en un papel científico de datos. La buena noticia es que, aunque el análisis de datos y la ciencia de datos denotan dos trayectorias profesionales distintas, las habilidades de análisis de datos sirven como un excelente punto de partida para una carrera en la ciencia de datos. Una vez que has dominado el análisis de datos, es un caso de agregar más experiencia técnica y compleja a tu repertorio, algo que puedes hacer gradualmente a medida que avanza tu carrera.

Así que: ¿Cómo se pasa de analista de datos a científico de datos?

Aunque no hay una sola ruta hacia la ciencia de los datos, este post describe los principales pasos que tendrá que considerar si desea hacer el cambio. Si usted es un analista de datos experimentado en busca de un nuevo desafío, o son nuevos en el campo y quieren planificar el futuro, ofrecemos una amplia introducción al tema.

1. ¿Cuál es la diferencia entre un analista de datos y un científico de datos?

Antes de embarcarse en su viaje hacia la ciencia de los datos, puede ayudar a entender: ¿Qué? exactamente es ciencia de datos, y en qué se diferencia de la analítica de datos? Primero...

¿Qué es el análisis de datos?

El análisis de datos es el proceso mediante el cual los profesionales recopilan, analizan y extraen información específica de datos estructurados (es decir, datos estructurados). en un formato normalizado). Su objetivo último es informar sobre la adopción de decisiones. Aunque la analítica de datos es un papel especializado, es sólo una disciplina dentro del campo más amplio de la ciencia de datos. Encontrará una explicación más completa en esta guía introductoria para el análisis de datos .

¿Qué es la ciencia de los datos?

La ciencia de los datos es una disciplina científica mucho más amplia, de la cual el análisis de datos es un solo aspecto. Los científicos de datos generalmente trabajan con conjuntos de datos grandes, no estructurados (o no organizados). Mientras que un analista de datos tiende a centrarse en sacar conclusiones de los datos existentes, un científico de datos tiende a centrarse en cómo recopilar esos datos, e incluso qué datos recopilar en primer lugar. Necesitan un nivel mucho más profundo de conocimiento de los datos que el requerido por un analista de datos.

Si esto se siente un poco vago, se puede pensar que la ciencia de los datos es como la industria de la construcción. Su propósito es crear estructuras de datos (como edificios) que puedan utilizarse para fines específicos. Así como se necesitan muchas habilidades diferentes para planificar, diseñar y construir un edificio nuevo, se necesitan muchas habilidades para planificar, diseñar y construir estas estructuras de datos.

En general, podemos dividir la ciencia de los datos en las siguientes categorías, cada una con conjuntos de habilidades y herramientas específicas asociadas a ella:

Teoría de los datos, lo que implica crear algoritmos totalmente nuevos y abstractos. En nuestra analogía, se puede pensar en algoritmos como ladrillos y morteros. Aunque son útiles para construir cosas, alguien primero tuvo que inventarlas. Hoy en día, es comúnmente aceptado que el aprendizaje automático es una herramienta de datos invaluable. Pero la persona que inventó el primer algoritmo de aprendizaje automático tuvo que mostrar una gran cantidad de previsión para entender sus usos potenciales. Por lo tanto, la teoría de los datos es altamente técnica. Es una habilidad (incluso, podría decirse, una forma de arte) que no todos los científicos de datos tienen.
Arquitectura de datos implica tomar algoritmos y aplicarlos a casos o campos de uso específicos, por ejemplo. dominios científicos o empresariales. Para continuar nuestra analogía de construcción, se puede equiparar a un arquitecto de datos con un arquitecto tradicional. Su trabajo consiste en combinar algoritmos (o ladrillos) de maneras novedosas para crear planos para tipos específicos de estructuras de datos (o edificios), tal como lo haría un arquitecto real.
Modelización de datos (o ingeniería de software) implica tomar los planos de un arquitecto y averiguar cómo ponerlos en práctica. Los modeladores de datos son como ingenieros estructurales. Toman la materia prima de algoritmos y código y los aplican para crear estructuras de software que se adapten a su propósito. Generalmente son excelentes programadores ya que parte de su trabajo es superar obstáculos inesperados y arreglar cosas que no encajan entre sí según lo planeado. ¡Estos son los que se ensucian las manos!
Análisis de datos. Finalmente, se puede imaginar a un analista de datos como alguien que utiliza la estructura terminada (o edificio) para hacer su trabajo. Por ejemplo, si la estructura era una estación de bomberos, se podría pensar en un analista de datos como un bombero entrenado que sabe cómo utilizar los diferentes aspectos especializados del edificio. Sin embargo, no se preocuparán necesariamente por los intrincados detalles de cómo se construyó el edificio.

Como se puede ver, "ciencia de datos" es realmente un término paraguas para una amplia gama de diferentes disciplinas. Otro dominio cada vez más popular es la ingeniería de datos. la diferencia entre un científico de datos y un ingeniero de datos aquí . Por lo tanto, si usted está pensando en un paso de análisis de datos, considere qué aspecto de la ciencia de datos más le interesa. Esto te ayudará a formular un plan de carrera. Una cosa es segura... sea cual sea el camino que elijas, ¡tendrás mucho para meterte los dientes!

¿Quieres saber la diferencia entre análisis de datos y ciencia de datos? Vea el siguiente vídeo:

2. ¿Por qué convertirse en un científico de datos?

Teniendo en cuenta la complejidad del campo (y el hecho de que se necesita mucho tiempo para adquirir las habilidades necesarias) es posible que se pregunte: ¿Por qué convertirse en un científico de datos? Aquí hay algunas razones para considerar mudarse al campo.

Los científicos de datos están en demanda

La demanda de científicos de datos cualificados y competentes supera con creces la oferta. Un estudio de 2018 de LinkedIn mostró que, sólo en los EE.UU., había una escasez nacional de 151.717 científicos de datos. Si quieres una carrera en la que no tendrás ningún problema para encontrar trabajo, este es uno a considerar.

Como científico de datos, usted agrega un gran valor a un negocio

Dado que los analistas de datos a menudo se centran en un solo área (como las ventas o la comercialización) que no siempre tienen plena entrada en la estrategia de negocio más amplia. Eso no es cierto para los científicos de datos, que son algunos de los miembros más confiables del equipo senior. A menudo se sientan en la Junta Directiva, trabajan directamente con los CEOs, y crear planes estratégicos para el futuro del negocio.

El campo de la ciencia de los datos está en constante evolución

Los científicos de datos no tienen un solo papel definido. Dado que la posición varía de un negocio a otro (e incluso de día en día) siempre hay nuevos problemas emocionantes para resolver. Ya sea que esto signifique construir algoritmos nuevos desde cero, crear arquitecturas de datos, o simplemente trabajar en un área que es completamente novedosa para ti, ciertamente nunca te aburrirás.

Se necesitan científicos de datos en todas las industrias

Dado que los datos desempeñan un papel cada vez más importante en la economía, Los científicos de datos son necesarios en todas las industrias Se te ocurre. Desde la asistencia sanitaria hasta el deporte, las finanzas y el comercio electrónico (por no hablar de las ciencias tradicionales), las aplicaciones son casi ilimitadas. Para los estudiantes de toda la vida, esto hace de la ciencia de los datos una cornucopia de oportunidades para practicar y crecer.

3. Conocimientos de analista de datos vs. conocimientos científicos de datos

Hay un montón de razones para seguir una carrera en la ciencia de los datos. ¿Pero a dónde ir desde aquí? Como analista de datos, especialmente uno nuevo, es probable que esté a años de una carrera científica de datos floreciente. Pero esto es bueno, significa que tienes mucho tiempo para desarrollar tus habilidades.

Comience por realizar una “auditoría de habilidades”—¿Qué habilidades de análisis de datos tiene actualmente?

Antes de ramificarse, es aconsejable llevar a cabo una auditoría personal de sus habilidades de análisis de datos. ¿Qué huecos necesitas para enchufar, y cómo puedes llenarlos?

¿Tiene experiencia con el uso de Python ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ¿Qué hay de R? ¿Qué lenguaje de programación es mejor para el análisis puro y cuál elegiría para la construcción de aplicaciones? ¿Tiene alguna experiencia trabajando con bases de datos relacionales como MySQL? ¿Qué hay de recopilar y limpiar datos, manipularlos usando MS Excel o crear visualizaciones?

Aunque se pueden aprender habilidades prácticas, las habilidades blandas más importantes para cultivar son:

Pensamiento crítico
Creatividad
Competencias analíticas
Solución de problemas
Competencias de presentación

Mientras que usted nutre estos rasgos centrales entonces usted tendrá un montón para construir encendido. Es un largo viaje de analista de datos de cara fresca a científico de datos en toda regla, y no hay prisa. Cada momento que pasa trabajando como analista de datos cuenta como un paso valioso en su viaje hacia convertirse en un científico de datos.

¿Qué habilidades necesitas como científico de datos?

Además de ser expertos en análisis de datos, los científicos de datos requieren una mentalidad experimental, una comprensión profunda de las metodologías estadísticas y una amplia gama de capacidades técnicas. Las habilidades que usted requiere dependerán mucho de su trayectoria profesional o dominio de negocio elegido. Como guía aproximada, tendrá que desarrollar al menos algunas de las siguientes habilidades:

Idiomas de los datos , por ejemplo. Python y R avanzados (y otros, si se relacionan con su campo de interés).
Títulos de posgrado, como un Master o Ph.D. en un campo como la informática, las estadísticas o la ingeniería de software.

Esto no es en absoluto una lista exhaustiva, pero te da una idea de las habilidades que necesitarás desarrollar. Ya sea que tenga una calificación formal o no, acumular estas habilidades puede llevar muchos años. Es por eso que necesitarás una pasión natural por aprender cosas nuevas. Si usted ve el desarrollo profesional como una necesidad tediosa para la progresión de la carrera, este podría no ser el camino correcto para usted. Sin embargo, si usted está vendido en las oportunidades y quiere seguir adelante, vamos a explorar cómo a continuación.

4. Cómo aprender las habilidades de la ciencia de los datos

No hay azúcar-recubrimiento: El proceso de análisis de datos a la ciencia de datos es gradual y a menudo impreciso. Esto puede ser desafiante, pero también gratificante, ya que significa que usted puede tallar su propia trayectoria profesional. El primer paso es hacerse cargo de su desarrollo personal. Perseguir tus intereses te ayudará a construir las habilidades fundacionales que necesitas, al tiempo que te permitirá decidir qué áreas de la ciencia de datos te interesan más. Aunque la transición no ocurrirá de la noche a la mañana, la buena noticia es que puedes empezar de inmediato.

Aprender algunos nuevos lenguajes de programación (y otras habilidades técnicas)

La mayoría de los analistas de datos se las arreglan con una sólida comprensión de Python. Los científicos de datos suelen añadir el lenguaje de programación R a su arsenal, también. Echa un vistazo a algunos tutoriales introductorios para R , o avance sus habilidades de Python construyendo aplicaciones en su tiempo libre. Hagas lo que hagas, desafíate a ti mismo: aprenderás mejor experimentando y cometiendo errores. Tratar de mejorar en otras áreas técnicas también, por ejemplo, jugando con herramientas informáticas o estadísticas distribuidas.

Dabble con algoritmos de aprendizaje automático (y otros)

Usar herramientas existentes es una cosa. Sin embargo, los científicos de datos a menudo tienen que crear soluciones desde cero. Los algoritmos de aprendizaje automático son un ejemplo común, y a menudo se utilizan en la ciencia de los datos. Dabble con algoritmos como árboles de decisión o bosque al azar para tener una idea de cómo funcionan. Lea sobre el tema y aprenderá qué algoritmos ML funcionan mejor para diferentes tipos de datos, y qué tareas se pueden utilizar para resolver.

Sigue las últimas noticias y eventos en el campo

Para una idea más amplia de lo que ofrece la ciencia de los datos, siga a los líderes de pensamiento de la industria en las redes sociales, o suscríbase a algunas publicaciones. Esto no sólo le ayudará a obtener una mejor imagen general del campo (incluyendo cosas como la arquitectura de datos y el modelado) sino que también le expondrá a los últimos desarrollos. Si estás en Twitter, echa un vistazo Andrew Ng , Kirk Borne , Lillian Pierson , o Hilary Mason , para empezar.

Sube a GitHub.

¡Un científico de datos que no comparte proyectos en GitHub es como un panadero sin pan! Muchas empresas y organizaciones utilizan GitHub para el control de versiones y para compartir código. Es importante, entonces, que lo uses activamente. ¿Por qué no compartir algunos proyectos? Si usted está en necesidad de un poco de inspiración, usted encontrará una colección de ideas únicas del proyecto de datos en esta guía .

Ingrese algunas competiciones de Kaggle

Kaggle es un gran lugar para practicar sus habilidades de ciencia de datos en un entorno seguro y basado en la web. Ofrecen tareas regulares y prácticas en las que puedes conectarte con el modelado de datos, el aprendizaje automático y mucho más. No te preocupes por hacer un trabajo perfecto. Como hemos dicho antes, aprendes cometiendo errores. Apunten a fracasar hacia adelante. Una vez que se siente seguro, ¿por qué no encontrar un conjunto de datos en línea y tener una oportunidad por su cuenta?

5. Cómo pasar de analista de datos a científico de datos: Pasos prácticos

Aprender las habilidades necesarias es un gran lugar para empezar. Sin embargo, el mayor desafío es tener la confianza para dar a conocer sus ambiciones. Después de unos años en el análisis de datos (construyendo sus conocimientos como hemos descrito anteriormente), usted puede encontrar que usted está listo para seguir una ruta más formal en la ciencia de datos. Estos son algunos consejos prácticos para cómo proceder:

Tomar un curso estructurado

Aunque es genial explorar diferentes herramientas y habilidades, es una buena idea consolidar lo que has aprendido a través de un curso estructurado de ciencia de datos. Aunque no hay sustituto para trabajar en proyectos reales, no hay daño en conseguir una calificación en línea, tampoco. Se verá bien en su currículum y mostrará a cualquier empleador potencial que usted es serio acerca de la mudanza en el campo.

Haga una lista de empresas para las que le gustaría trabajar

¿Qué compañías te inspiran? Piense en aquellos para los que le encantaría trabajar y escribirlos. No te limites—aim alto. Añadir a la lista como nuevas empresas llamar la atención. De vez en cuando, echa un vistazo a sus listados de trabajo científico de datos (específicamente, la sección de habilidades) y toma nota de lo que te estás perdiendo. Esto es genial para decidir en qué nuevas habilidades enfocarse.

Crear un portafolio de ciencia de datos

Ya sea que ya estés trabajando como analista de datos o aspirando a serlo, deberías tener —o estar en el proceso de construcción— una cartera de análisis de datos profesionales . A medida que vaya ampliando gradualmente su conjunto de habilidades para incluir la ciencia de datos, puede reflejar la transición en su cartera. Por ejemplo, una vez que hayas hecho algunos proyectos de Kaggle y los hayas puesto en tu GitHub, actualiza tu cartera. Crea un par de estudios de casos, comparte algunos artículos que has encontrado interesantes o incluso los que has escrito tú mismo. Al canalizar tus proyectos de mascotas e intereses personales en un solo lugar, tendrás algo tangible que compartir con los empleadores. Incluso si usted no ha trabajado formalmente en la ciencia de los datos antes, esto les mostrará que usted es serio al respecto.

Haz lo que puedas para que te noten en el trabajo.

¿Por qué no ser voluntario para hacer un almuerzo y aprender una sesión de entrenamiento en su oficina? ¿O incluso organizar un hackathon de la compañía? El negocio para el que usted trabaja puede no emplear actualmente muchos (o incluso cualquier) científicos de datos, pero no hay nada como mostrar un poco de iniciativa para demostrar su valor. Haga una buena impresión en el trabajo y nunca se sabe cuándo podría volver a aparecer, incluso si es sólo en la forma de una recomendación brillante a un futuro empleador.

Solicitar empleo, incluso si no crees que estás listo para ellos

¿Vio un trabajo que parece atractivo, pero sólo tiene algunas de las habilidades requeridas? Aplíquese de todos modos. Muchas habilidades se enumeran como “deseables” no “esenciales”, lo que significa que todavía puede tener una oportunidad. Incluso si te rechazan, aprenderás algo nuevo cada vez y te saldrás con un mejor sentido de lo que las organizaciones están buscando. Además, si sigues solicitando empleo en tu empresa de ensueño, es posible que empiecen a recordarte. La persistencia da sus frutos.

Construir su red

Como dice el viejo refrán: no es lo que sabes, es a quien conoces. Aunque “lo que sabes” es ciertamente importante en este caso, también lo es la construcción de una red. Hable con otros científicos de datos, conéctese con personas cuyos proyectos admira y asista a eventos de la industria. Te sorprenderá la cantidad de gente que está dispuesta a ayudar si lo necesitas. Y cuando se trata de solicitar ese primer trabajo, ¿quién sabe? Tal vez lo encuentres a través de tu red.

6. Llaves para llevar

Como hemos visto, la ciencia de los datos no es tanto un destino profesional como un viaje en el desarrollo personal. Si bien el hecho de que no haya un único camino hacia la ciencia de los datos puede ser un desafío, esto es también lo que lo convierte en un campo tan diverso, fascinante y gratificante en el que trabajar. Si usted es curioso, abierto a la experimentación, analíticamente mente, y el amor aprender cosas nuevas, entonces una carrera en la ciencia de datos bien podría ser para usted.

De hecho, la ciencia de los datos no es para todos. No hay camino de la noche a la mañana hacia el éxito, y requiere la acumulación de un montón de experiencia técnica. Sin embargo, es un siguiente paso ideal para aquellos que han comenzado en el análisis de datos y quieren invertir en su futura carrera. Sumérgete en la ciencia de los datos hoy, ¿y quién sabe lo que depara el futuro?

¿Aún no has empezado con el análisis de datos? Prueba esto. curso corto gratuito de análisis de datos de cinco días . Mientras tanto, para obtener más información sobre dónde una carrera en análisis de datos puede potencialmente guiarte, echa un vistazo a los siguientes posts:

Análisis de datos

Un escritor británico con sede en Berlín, Will ha pasado los últimos 10 años escribiendo sobre educación y tecnología, y la intersección entre los dos. Tiene un interés fanático limitado en STEM, y ha sido publicado en TES, el Daily Telegraph, la revista SecEd y más. Su ficción ha sido corta y larga lista para más de una docena de premios.

¿Qué es CareerFoundry?

CareerFoundry es una escuela en línea para personas que buscan cambiar a una carrera gratificante en tecnología. Selecciona un programa, hazte emparejar con un mentor y tutor experto, y conviértete en un diseñador, desarrollador o analista listo para trabajar desde cero, o recupera tu dinero.