¿Qué campo es mejor para el científico de datos?

Cuando usted está buscando un trabajo en el campo de la ciencia de los datos, si usted es un candidato experimentado, un nuevo graduado, o un cambio de carrera, hay un montón de cosas que considerar. Es un proceso de varios pasos con muchos tipos de entrevistas, que pueden ser abrumadoras e intimidantes. ¿Por dónde empiezas?

Como cualquier otra cosa, para conseguir un trabajo de científico de datos, tienes que dar ese primer paso, y para la búsqueda de trabajo de ciencia de datos, el inicio del proceso se dirige a la posición correcta.

Objetivo de la posición correcta es crucial para reducir su búsqueda y averiguar qué habilidades que más necesita. En este post, voy a examinar algunas de las características de dos tipos de posiciones de ciencia de datos, basadas en análisis y algoritmos, y si esos roles son adecuados para usted.

El post responderá tres preguntas principales.

¿Cuáles son los tipos de posiciones de Data Scientist por ahí?
¿Cuáles son las diferencias entre ellos?
¿Cómo sabes cuál es el adecuado para ti?

Si quieres aprender sobre este tema, pero te gusta ver mejor que leer, puedes ir a mi canal de YouTube para ver mi video sobre este tema.

¿Qué quiero decir con encontrar tu posición objetivo? Usted puede estar pensando que el científico de datos es su posición objetivo. Sin embargo, la ciencia de los datos es un campo bastante amplio. Hay muchas posiciones que caen bajo este paraguas más grande, tales como analista de datos, científico aplicado y científico de investigación. Para hacer tanto su búsqueda de trabajo y la preparación más manejable, es necesario reducir su búsqueda para encontrar la posición exacta que se adapta a usted.

Y para hacer eso, primero hay que entender los diferentes tipos de posiciones de los científicos de datos. Estos tipos determinan cómo es el proceso de entrevista, así como los criterios de un candidato competitivo.

Si queremos ser muy completos, podríamos categorizar todas las posiciones de científicos de datos en cuatro tipos: análisis, algoritmos, estadísticas e ingeniería. Esta categorización de posiciones de científicos de datos se resumió en uno de mis otros posts de blog Entrevista para su primer trabajo de científico de datos: Qué esperar y cómo prepararse que incluye descripciones detalladas y ejemplos de los diferentes tipos de posiciones. Estos cuatro tipos todavía se aplican hoy en día a la mayoría de las empresas de tecnología.

Sin embargo, para los propósitos de este blog, voy a echar un vistazo más profundo a sólo dos tipos: Análisis y algoritmos . Estos dos papeles son los más populares por ahí, y sé que la mayoría de ustedes están buscando posiciones que encajen en estas dos categorías.

Los otros dos tipos de roles científicos de datos, estadística e ingeniería, son relativamente raros bajo el título de científico de datos. Además, los requisitos para un papel de ingeniería científica de datos pueden ser muy similares a los roles de ingeniero de datos, por lo que no voy a cubrir eso en este post.

Por lo tanto, en general, estamos categorizando las posiciones de los científicos de datos en dos tipos: impulsados por el análisis y impulsados por algoritmos . Las posiciones impulsadas por análisis incluyen analista de datos, analista de productos, científico-análisis de datos y científico de datos de productos. Entre las posiciones impulsadas por algoritmos se incluyen el científico-algoritmo de datos, el aprendizaje científico-máquina de datos, así como otros títulos relacionados con “científicos”, como científico aplicado o científico investigador.

Antes de profundizar en las diferencias entre estos dos, quiero destacar que la división entre estos dos tipos de posiciones es mucho más clara en las empresas de tecnología madura. Las grandes empresas como Meta, Lyft, Airbnb y Netflix tienen equipos grandes y maduros de Data Science que dividen las diferentes posiciones de su equipo en las categorías basadas en análisis y algoritmos.

Sin embargo, las empresas más pequeñas, especialmente las nuevas empresas, podrían tener papeles científicos de datos más fluidos que son más bien una combinación de los dos.

Ahora vamos a sumergirnos en estas dos posiciones y entender sus similitudes y diferencias.

Comencemos con roles impulsados por el análisis. Este tipo de papel puede implicar un montón de cosas diferentes, como mirar los registros, datos de usuario, y datos de rendimiento del sistema, etc. Estos científicos de datos serán capaces de impulsar las decisiones de las empresas haciendo recomendaciones basadas en una investigación detallada de los datos.

Es un papel técnico, pero hay mucha comunicación que también tiene lugar. Esto incluye ayudar a las partes interesadas a tomar decisiones informadas, realizar análisis exploratorios, definir métricas empresariales y hacer visualizaciones de datos, como paneles de control.

Echemos un vistazo a algunos puestos de trabajo para obtener una idea del requisito exacto.

En primer lugar, la Científico de datos — Tecnologías de los medios de comunicación posición en Apple. Las cualificaciones necesarias que Apple quiere para este puesto son:

Experimente la articulación y traducción de preguntas y el uso de técnicas estadísticas para llegar a una respuesta utilizando los datos disponibles
Capacidades de obtención de datos ( SQL y/o Spark, etc.)
Experiencia con un lenguaje de scripting para el procesamiento de datos y el desarrollo (por ejemplo, Python, R, o Scala)

A primera vista, esta es una posición típica del científico de datos de nivel de entrada en la pista de análisis. No tiene un nivel de experiencia especificado, pero las habilidades básicas incluyen SQL, lenguaje de scripting para el procesamiento y desarrollo de datos, experiencia con análisis de datos estadísticos y métodos de muestreo A/B. También se esperan fuertes habilidades de comunicación y colaboración.

Además de las habilidades básicas, otras habilidades son la experiencia de desarrollo de software en C, C++. La comprensión de algoritmos de aprendizaje automático, incluyendo el agrupamiento de regresión y la clasificación también puede ser útil. Pero tenga en cuenta que son agradables tener pero no requisitos difíciles.

A continuación tenemos un puesto más alto... Científico de datos, análisis en Meta. Este trabajo enumera las siguientes cualificaciones mínimas.

Meta está buscando a alguien que tenga más de cinco años de experiencia trabajando con datos. Alguien que le encanta trabajar con datos y tiene habilidades superiores de análisis de datos.

La publicación afirma que las habilidades básicas que se requieren incluyen el conocimiento experto de SQL, Python y R. Esto es además de la experiencia de trabajo con varios interesados y tomadores de decisiones para entender mejor los datos. El conocimiento de la experimentación en pruebas A/B también se enumera como un plus.

Estos son puestos de trabajo típicos de posiciones impulsadas por el análisis, y podemos decir más acerca de lo que se espera de alguien en un papel de análisis mediante la comparación de lo que tienen en común.

Ambos tienen responsabilidades comunes relacionadas con productos y empresas tales como: “visión de productos”, “ideas de productos” y “tomando decisiones empresariales”. Los roles también mencionan a menudo palabras clave relacionadas con las pruebas A/B tales como: diseño de experimentos, pruebas de hipótesis, etc.

Por último, la mayoría de los puestos de trabajo hacen hincapié en la competencia en SQL. Por otro lado, usted puede encontrar, lenguajes de scripting como python, R, y conocimiento de aprendizaje automático a menudo se enumeran en la buena para tener categoría.

Así que, en resumen, un científico de datos en una función analítica utilizará sus conocimientos técnicos para recopilar datos y luego interpretar esos datos para ayudar a tomar decisiones empresariales. Usted necesitará no sólo know-how técnico, sino habilidades suaves como la comunicación para tener éxito en este tipo de papel.

A continuación, tenemos posiciones impulsadas por algoritmos. Estos roles también se llaman Data Scientist — Machine Learning. Bajo este tipo de papel, usted sigue siendo un científico de datos, pero en lugar de trabajar en los conocimientos empresariales y de productos, a menudo trabajará en el desarrollo o la mejora de modelos de aprendizaje automático para diversos propósitos empresariales, como hacer predicciones.

En este papel, se le pedirá que tenga habilidades de codificación más fuertes desde a veces se espera que trabaje con ingenieros de software y para implementar modelos o construir tuberías para la formación de modelos.

Para tener una mejor idea de este tipo de rol, echemos un vistazo a una posición típica de pista de algoritmo. Posición en la nube de la empresa científica de datos en Microsoft. Las calificaciones mínimas que Microsoft quiere en esta posición son:

Las habilidades básicas que Microsoft está buscando incluyen la construcción de estadísticas, modelos y algoritmos de aprendizaje automático, el desarrollo y la prueba de nuevos modelos, la ejecución de experimentos computacionales y la realización de afinación de hiperparametros. Además, necesitas ser competente en uno o más lenguajes de programación o scripting como Python.

Para comparar, aquí está otra posición más experimentada publicada por Lyft, científico de datos — Algoritmos . Según el puesto de trabajo que ocupa, las responsabilidades correspondientes a este puesto son las siguientes:

5+ años de experiencia profesional en una empresa de tecnología en la que participa un producto
Asociarse con Ingenieros, Gerentes de Productos y Socios de Negocios para enmarcar problemas, tanto matemáticamente como dentro del contexto empresarial
Realizar análisis de datos exploratorios para obtener una comprensión más profunda del problema
Desarrollar y ajustar modelos estadísticos, de aprendizaje automático o de optimización
Escribir Código del modelo de producción ; colaborar con Ingenieros de Software para implementar algoritmos en la producción

Requiere más de 5 años de experiencia profesional. Las habilidades básicas requeridas son el análisis de datos exploratorios, el desarrollo y ajuste de modelos de aprendizaje automático o optimización. Además, está obligado a escribir el código del modelo de producción.

Entonces, ¿qué tienen en común estas publicaciones? En primer lugar, ambos enfatizan el aprendizaje automático, usando frases como “métodos de aprendizaje automático” y “algoritmos de aprendizaje automático”. También puede ver palabras clave relevantes, como “análisis de datos exploratorios” y “afinación de hiperparametros”, etc.

Usted encontrará que estos roles también requieren competencia en lenguajes de scripting como Python, etc. Por otro lado, a diferencia del rol analítico, es menos probable que encuentre palabras clave o énfasis en desarrollar ideas de negocio, usando SQL, o ejecutando experimentos de pruebas A/B.

Por lo tanto, los roles impulsados por algoritmos requieren fuertes habilidades técnicas, pero no tendrán que tomar decisiones de negocios o sugerencias de productos tan a menudo.

Ahora que hemos visto dos roles diferentes y puestos de trabajo, ¿cuál es la diferencia entre los dos? ¿Es sólo que un papel está relacionado con el aprendizaje automático y el otro no?

Esa es definitivamente la mayor diferencia. Sin embargo, eso no es lo único. La pista basada en análisis se centra más en obtener información empresarial de los datos. Aunque es una posición técnica, las habilidades blandas son especialmente importantes. En comparación, la pista impulsada por algoritmos es más técnica enfocada. Se espera que trabaje más en entregables técnicos y con colaboradores técnicos.

La otra diferencia importante a tener en cuenta es que la pista basada en análisis tiende a tener más demanda de empleo. Este papel es el tipo más común de trabajo científico de datos en el mercado. Si bien eso no significa que no hay roles impulsados por algoritmos por ahí, es algo a considerar al elegir una posición al objetivo.

Así que ahora que sabes la diferencia, ¿cómo eliges una posición que es adecuada para ti? Su interés es sin duda un gran factor en la elección del papel. Aún así, quiero tener una discusión más objetiva sobre la elección basada en sus antecedentes.

Científico de datos con un par de años de experiencia

Di que ya lo eres. un científico de datos con un par de años de experiencia y usted está buscando un trabajo, ya sea porque desea cambiar a una empresa diferente o desea trabajar en un campo diferente. Para usted, todo tipo de papeles de ciencia de datos en la mayoría de las empresas de tecnología funcionaría si usted puede demostrar la experiencia de la industria relevante.

Trabajar en un Startup y desea avanzar a las empresas más grandes

Ahora imagínate que has sido trabajando en una startup en la pista de análisis durante 2 años. Si quieres continuar en la pista de análisis pero cambiar a una gran empresa pública como Google o Meta, tendrías una muy alta probabilidad de obtener entrevistas entre todos los candidatos porque tienes la experiencia exacta que están buscando.

Pero, ¿qué pasa si quieres cambiar al algoritmo o a la pista de aprendizaje automático? Usted todavía tiene una alta probabilidad de ser un candidato competitivo si usted puede demostrar que ha estado involucrado en proyectos relacionados con el aprendizaje automático, como tener experiencia de primera mano en el manejo de los datos específicos y el desarrollo del modelo.

La pista de algoritmo también podría ser adecuada para usted si ha estado aprendiendo continuamente, como obtener un título de maestría en línea o tomar cursos en línea. Por lo tanto, si usted tiene experiencia como científico de datos por lo general puede hacer que cualquier tipo de puesto funcione para usted.

Nuevos graduados

¿Y ahora qué si lo eres? un nuevo graduado y no tienen ninguna experiencia de trabajo o pasantía ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ ♪ En este caso, el tipo correcto de posición dependerá realmente del trabajo de curso que hayas hecho.

En términos generales, si se especializó en estadística o ha tomado muchos cursos de estadística, o si se graduó de la escuela de negocios pero ha tomado cursos relacionados con el análisis cuantitativo, entonces la pista de análisis científico de datos puede ser la mejor opción para usted.

Por otro lado, si te especializaste en ciencias de la computación o has tomado extensos cursos de codificación y aprendizaje automático, entonces las ciencias de los datos, algoritmos y roles de aprendizaje automático son probablemente los mejores para ti.

Cambiadores de carrera

¿Y si cambias de carrera? Estas son las personas de las que recibo más preguntas. La mayoría de los cambiadores de carrera con los que he trabajado están cambiando de un puesto no técnico, como un analista de negocios o un consultor, a un puesto de científico de datos. También podrían estar cambiando de una compañía no tecnológica, como una compañía de seguros o una tienda minorista, a una compañía tecnológica. En esos casos, mi recomendación general es centrarme en los roles impulsados por el análisis.

Hay dos razones por las que doy esta recomendación. En primer lugar, el número de aperturas para la pista de análisis es el más alto. En segundo lugar, ya que ya tiene alguna experiencia en la industria, el conocimiento del producto y las métricas de negocio pueden volverse muy intuitivos para usted, lo que es un requisito clave para la pista de análisis. Esto haría su transición mucho más suave. No quiere decir que cambiar de carrera sea fácil, pero la cronología y el esfuerzo necesarios son definitivamente un factor clave a considerar.

Yo no te desanimaría de ir a una posición impulsada por algoritmos si tienes una pasión por el aprendizaje automático, y te has tomado el tiempo para construir tu base en la codificación. En términos generales, sin embargo, si usted no tiene esas habilidades listas, podría tomar meses o incluso años para construir desde cero. Es por eso que Generalmente no recomiendo que los cambiadores de carrera vayan por el camino impulsado por algoritmos.

¡Eso es todo lo que necesitas saber para encontrar la posición científica de datos adecuada para ti! Una vez que usted sabe qué posición a objetivo, usted ha dado el primer paso y puede comenzar a hacer progresos hacia el aterrizaje de un trabajo científico de datos. El simple acto de averiguar a qué posición apuntar le ayudará a darle dirección a medida que usted toma los próximos pasos.

Hablando de los siguientes pasos, si quieres aprender más sobre el siguiente paso en el proceso, conseguir entrevistas, echa un vistazo a mi blog de seguimiento En eso. También puedes ver el vídeo correspondiente sobre ese tema en mi canal.