Como-empezar-tu-carrera-en-data-science.pdf

Cómo empezar tu carrera en Data Science
La guía definitiva para empezar tu carrera en Data Science
Mensaje de Isaac González
Año tras año data science sigue entre los primeros puestos de las profesiones más
demandadas.
Realmente no es nada nuevo.
Hace ya 20 años yo tomé una decisión (de forma totalmente aleatoria en aquel
momento) de aprender lo que entonces se llamaba data mining.
Acababa de terminar la licenciatura en Psicología, y la verdad, en cuanto a
perspectivas laborales no era de las titulaciones más buscadas por las empresas.
Pero durante la carrera había conocido la estadística, y me había gustado mucho, así
que de nuevo, por más instinto que pericia, decidí seguir formándome por ahí y sobre
todo en ese nuevo área llamado data mining.
El resultado fue que a diferencia de la mayoría de mis compañeros de promoción
(que incluso años después seguían sin un empleo cuali cado) yo no estuve ni un mes
buscando trabajo.
El trabajo vino literalmente a buscarme a mi.
Y poco tiempo después las empresas ya no se jaban en cual era mi licenciatura, si
no en lo que sabía hacer.
Te cuento esto porque estoy viendo una segunda gran explosión en este área ahora
mismo.
Más adelante en esta guía te mostraré rankings y noticias sobre esto.
Pero más allá de los datos, es algo que “se palpa” en el mercado.

Por tanto creo que si estás ahora comenzando tu carrera profesional Data Science es
una de las mejores áreas en las que puedes focalizarte.
Y espero que esta guía pueda ayudarte a decidir si esta oportunidad puede ser para ti
y orientarte en tus primeros pasos.
Si te sirve me encantará saberlo: isaac@datascience4business.com
A tu disposición,
Isaac
Fundador DS4B
Y que concretamente 2023 será un excelente año para este ámbito.

Table Of Contents
Mensaje de Isaac González 1
¿Es Data Science una buena opción laboral en 2022? 4
¿Es Data Science una buena opción para COMENZAR tu
carrera? 6
Los dos tipos de Data Scientist 7
¿Qué herramientas debe dominar un Data Scientist? 10
¿Cómo conseguir un trabajo de Data Scientist si estás
empezando tu carrera? 13
Próximos pasos 21

¿Es Data Science una buena opción laboral en 2023?
Data Science está continuamente en los rankings de las profesiones más
demandadas y con mayor crecimiento.
Pero eso, a nivel de concepto seguramente ya lo sabes, o por lo menos lo intuyes.
Así que más que decírtelo de mi boca, que podrás creer más o menos, pre ero
ponerte directamente unas muestras de algunos de esos rankings.

Si quizá acabas de terminar tu formación superior y estás decidiendo qué quieres
hacer el resto de tu vida.
O si las has terminado hace 3 o 4 años pero todavía no has podido conseguir un
trabajo cuali cado y estable.
¿Sería adecuado en este caso?
De nuevo la respuesta es que sí.
Si hay algo seguro es que la digitalización y el avance de la tecnología siempre va a
generar más datos.
Y por tanto ya siempre serán necesarios per les que sepan explotarlos y usarlos
para mejorar los resultados de negocio de las empresas.
¿Y qué pasa si estás en los primeros años de tu carrera profesional?
¿Es Data Science una buena opción para COMENZAR
ahora tu carrera?

Los dos tipos de Data Scientist
Si en algún momento has mirado ofertas de puestos para data science posiblemente
te hayas jado en que parece que hay mucha variedad.
Mientras que unas tienen un marcado sesgo técnico y se centran en tecnologías
como Hadoop, Spark, bbdd NoSql, Cloud, e incluso cosas como Java, C++, html o css.
Hay otras que se centran más en metodologías de análisis y aplicaciones funcionales
como segmentación de clientes, prevención de abandono, identi cación de fraude,
etc.
Los motivos son varios.
Por un lado es cierto que muchas empresas no tienen claro lo que buscan, y no
saben diferenciar entre los distintos roles (hablaremos más adelante sobre esto).
Pero por otro también es cierto que al nal están persiguiendo 2 grandes objetivos
distintos cuando buscan data scientist, pero a todo le llaman data scientist.
Hace aprox un año escuché un podcast americano (no recuerdo el nombre la verdad)
en la que le pusieron un nombre a este efecto.
Y creo que realmente es muy descriptivo y ayuda, así que vamos a usarlo aquí
también.

Y el tipo B, que viene de “Builder”, que está más escorado hacia la tecnología y se
centra en crear sistemas o aplicaciones que utilicen data science o machine learning.
Su objetivo no es tanto llegar a los resultados de negocio, si no construir esos
sistemas con los que otros puedan llegar a los resultados de negocio. Suele estar
situado en IT.
Y las herramientas que domina son más tecnológicas.
DataScientistTipoA DataScientistTipoB
Analyst
Escorado hacia negocio
Crear valor y trasladar a resultados
Situado en áreas de negocio o COEs
Pyrhon, SQL, R, Tableau, ...
Builder
Escorado hacia la tecnología
Crear sistemas y data products
Situado en IT
Cloud, Big Data, Python, NoSQL, ...
El tipo A, que viene de “Analyst”, que está más escorado hacia el negocio.
Se centra en crear valor y resultados de negocio analizando datos. Suele trabajar en
áreas de negocio o en Centros de Excelencia.
Y las herramientas que domina están más orientadas al análisis que a la puesta en
producción.
Se podría decir que hay 2 tipos de data scientist:

El data scientist de tipo B se corresponde de forma más ajustada con el rol que se
llama “data engineer”. Incluso últimamente está surgiendo un término para ponerle
nombre a la posición que estaría en medio de data engineer y data scientist de tipo B,
que se llama “machine learning engineer”
Pero todo esto es muy dinámico y los nombres cambian. Por eso lo importante es
que conozcas estos conceptos base para poder “leer entre líneas” lo que se está
buscando en cada caso.
1. Saber a cual de los 2 se acerca más tu per l
2. Identi car en una oferta laboral cual de los 2 están realmente buscando
3. No frustrarte si ves un montón de requisitos para los que no cuali cas porque
realmente un data scientist “del otro tipo” es como un role diferente, aunque como
te decía antes las empresas lo mezclen y no sean capaces de expresar
claramente lo que buscan
Es fundamental que domines este concepto porque te va a permitir:

Herramientas analíticas: Python, R, SQL…
Metodologías: estadística, data science, machine learning, computer vision, NLP,
análisis de series temporales, …
Herramientas Big Data: Hadoop, Spark, Hive, Pig, Scoop, Flume, Storm, …
Plataformas Cloud: AWS, Azure, GCP, …
Herramientas de Visualización: PowerBI, Tableau, Clik, …
Bases de datos relacionales: Oracle, SQL Server, MySql, …
Bases de datos NoSql: Cassandra, MongoDB, Neo4j
Desarrollo de software: Java, C++
Desarrollo web: Html, CSS
Metodologías de negocio: marketing, CRM, Supply Chain Maganement, Riesgos,
Fraude, mantenimiento preventivo, …
Capacidad de convertir resultados en negocio
Capacidad de comunicación a stakeholders
Etc
¿En serio crees que alguna persona domina todo eso?
¿En serio crees que Gustavo o Marta, que fueron contigo a la facultad y ahora ves en
LinkedIn que son data scientist dominan todo eso?
Este es quizá el principal mito de la profesión, alimentado por todo esa confusión y
ruido del mercado.
Es necesario pasar del mito a la realidad.
Y lo vamos a hacer con lo que mejor se nos da: analizar datos.
Si haces caso de lo que oyes en el mercado un data scientist debería dominar:
¿Qué herramientas debe dominar un Data Scientist?

Por eso en DS4B hemos decidido invertir unos cuantos días en analizar realmente
qué es lo que el mercado está pidiendo a un data scientist en términos de
herramientas, competencias y habilidades.
Y hemos analizado las más de 2.000 ofertas existentes en LinkedIn para la búsqueda
“data scientist en España”
MUY IMPORTANTE: Por favor pon mucha atención en lo que acabas de leer, ya que
es una clave que te va a ahorrar años de trabajo, y es posiblemente el consejo más
valioso de toda esta guía.
Entre otras cosas los datos identi can claramente y sin lugar a dudas que de todas
las tecnologías y competencias de las que hablábamos al principio de esta sección se
puede optar a más del 70% de las ofertas de data science con sólo 6 de ellas.
Data Science
Machine Learning
Estadística
Sql
Tableau
Python (o R)
Los resultados son extremadamente reveladores.
Lo repito: puedes optar a más del 70% de las ofertas de data science con solo tener
las 6 capacidades indicadas.
No es algo fácil, pero es algo factible en un tiempo razonable de 6-12 meses.
Céntrate en ello, consigue tu primer puesto de Data Scientist, y a partir de ahí ya
seguirás aprendiendo.

Por qué estamos en el mejor momento para hacer esa transición
Por qué ves tanto ruido en el mercado y tanta información diferente e incluso
contradictoria
Los 2 tipos fundamentales de data scientist que existen
A cual te acercas más o a cual te quieres dirigir
Cómo leer entre líneas para interpretar lo que están buscando las empresas en
cada caso
Por qué no debes creer todo ese bullshit del “data scientist moderno” que tiene
que saber todo de todo
Las 6 competencias concretas que te permiten optar al 70% de las ofertas de data
science
Si data science puede ser una opción deseable para reconvertir tu carrera o
simplemente iniciarla
Pero posiblemente estés pensando “vale, ya tengo las cosas mucho más claras, pero
cómo puedo usar toda esta información para transformarla en pasos operativos para
los próximos meses”
Así que voy a darte el framework que suelo utilizar cuando alguien me dice que
quiere seguir este camino.
Llegados a este punto, y lo que ya llevas leído de esta guía, espero que ya tengas
más claridad sobre:

Por tanto en este caso los pasos que tienes que dar son 3:
1. Elegir un rol y capacitarte técnicamente para él
2. Darte una capa de negocio que no tengan otros candidatos
3. Demostrar con pruebas lo que sabes hacer
Vamos a ver este framework paso a paso.
E incluso con él, la pregunta es “¿y cómo me diferencio frente a otros candidatos que
también tienen un gran conocimiento técnico como yo?”
Tu gran problema es básicamente que no tienes nada de experiencia. No tienes nada
que ofrecer más allá de tu conocimiento técnico.
¿Cómo conseguir un trabajo de Data Scientist si
estás empezando tu carrera?

Paso 1: Elegir un rol y capacitarte técnicamente para él
Dado que el componente técnico sí va a tener mucho peso en tu caso tu gran reto va
a ser cómo conseguirlo en el menor tiempo posible.
Y para eso vas a tener que hacer dos cosas:
1. Seleccionar el rol que más se ajuste a tu per l y apostar por él
2. Conocer lo que está pidiendo el mercado para separar el trigo de la paja y
centrarte justo en aquello que te dará más oportunidades laborales
Sobre el punto 1 ya hemos hablado, es básicamente decidir entre data scientist de
tipo A o de tipo B.
Y sobre el punto 2 también. Esperablemente me habrás hecho caso y te habrás
centrado en empezar por dominar las 6 competencias comentadas.

Paso 2: Darte una capa de negocio que no tengan otros candidatos
Asumimos que ya tienes un conocimiento técnico potente.
Pero también que será difícil que seas quien tiene el mayor conocimiento técnico de
todos los candidatos.
Por tanto por ahí es difícil destacar.
Pero hay otra ruta más inteligente.
Una que la mayoría de los data scientist dejan desatendida: la dimensión de negocio.
Y aquí no se trata tanto del conocimiento de sectores, mercado, etc, que lógicamente
todavía no tienes.
En un junior lo que se busca en este punto es el enfoque y la forma de pensar.
Y créeme que es más difícil de encontrar de lo que parece.
Y las empresas cuando lo encuentran no lo quieren soltar.

La mayoría de los junior tienen un pensamiento técnico.
Piensan que su trabajo es únicamente ejecutar lo que les dicen aplicando su
conocimiento técnico.
Y no se dan cuenta de que realmente esas tareas en la empresa se hacen siempre
con un objetivo.
Que suele ser ganar dinero en alguna de sus formas.
Puede ser generando nuevos ingresos.
Puede ser reduciendo los datos.
O lo que sea, pero al nal las cosas se hacen con un objetivo.
Y al nal seguía haciendo lo que me gustaba, pero acompañado de mejores salarios
y promociones, que al nal a nadie le amarga un dulce.
Si tu eres capaz de demostrar que tienes los conocimientos técnicos pero además
que entiendes que tienen que estar al servicio de un resultado serás increíblemente
magnético para una empresa.
Cuando yo empecé a trabajar en esto lo que me gustaba era hacer modelos.
No quería mayores salarios, no quería promociones.
Básicamente lo único que me importaba era que alguien me pagara un sueldo que
me permitiera vivir mientras dedicaba todo el día a hacer lo que me gustaba (los
modelos).
Una vez mi gerente me dijo “en la empresa no hay que tener el mejor modelo, si no el
mejor modelo posible teniendo en cuenta los recursos que tenemos para hacerlo”.
Cuando por n entendí aquello (y lo extrapolé a todo lo que hacía) fue cuando mi
carrera se empezó a disparar.

Por tanto, como paso 2 del framework tienes que incorporar la dimensión de negocio
desde el principio.
Aprende a identi car objetivos, aprende a aterrizarlos en métricas medibles, aprende
a conseguirlos mediante técnicas de data science y aprende a comunicarlos en
términos de negocio.
De nuevo, si haces eso, te diferenciarás ampliamente del resto de juniors y tendrás
un gran atractivo para las empresas.
Ahora bien, no sólo hacer falta saber hacer todo lo anterior, si no también poder
demostrarlo, y eso lo hacemos en el paso 3 del framework.

Paso 3: Demostrar con pruebas lo que sabes hacer
La primera consiste en tener que resolver pequeños problemas, normalmente muy
centrados en la parte de programación, o también en resolver en tiempo real
sencillos casos analíticos, como hacer un modelo de XGBoost con Sklearn por
ejemplo.
Éstas son las más sencillas si tienes el conocimiento técnico, porque al nal si sabes
hacerlo simplemente te pones en el ordenador y lo resuelves.
Cada vez más lo procesos de selección se hacen por competencias.
Es decir, no importa tanto lo que digas, ni siquiera importa tanto los títulos que
tengas, lo que importa es lo que sabes hacer.
Pero tienes que demostrar que sabes hacerlo.
Para ello es posible que te planteen tres tipos de pruebas:
1. Pruebas técnicas in situ
2. Prueba para hacer en casa
3. Evaluación de competencias durante la entrevista
En la segunda, prueba para hacer en casa, no importa tanto la parte técnica, ya que
tienes varios días para hacerla, puedes mirar en internet, preguntar a tu amigo, etc.

Por tanto lo que importa es más la integración del conocimiento técnico con la
dimensión de negocio que te explicaba antes.
Lo que quieren ver es “cómo piensas” y cómo planteas la resolución de un problema.
Usando una metodología, poniendo foco en los objetivos y aplicando los
conocimientos técnicos para generar un entregable o un resultado.
Y la tercera consiste en hacer esa resolución de competencias en la propia
entrevista.
Es posible que también te planteen un caso y sirva con que expliques con lápiz y
papel cómo lo resolverías.
Pero aquí también tienes otro gran recurso que te permitirá diferenciarte de forma
mucho más profesional y atractiva: el portfolio.
Tener un portfolio es algo habitual en otras profesiones como arquitecto o diseñador
web.
Y cada vez empieza a ser más usado por data scientist, especialmente los junior.
La lógica es muy clara: si no tengo experiencia previa real que enseñarte al menos te
enseño proyectos que he hecho por mi cuenta.

Ello demuestra que sabes hacerlos, porque es algo que puedes enseñar.
Pero también demuestra que estás comprometido, y que, aunque ahora mismo no
tengas trabajo todavía, no te pasas el día jugando a la play o de compras, si no que
inviertes el tiempo en seguir aprendiendo y mejorando.
Son mensajes muy positivos para una empresa.
Vale, pero ¿cómo creo un porfolio?
Pues sí, lo has adivinado, también tengo un framework para ello 😊
1. Decide si eres tipo A o tipo B
2. Elige un par de sectores en los que te gustaría trabajar
3. Vete a kaggle.com, crea una cuenta gratuita, vete a la sección de datasets y
busca unos datos del sector elegido en el punto 2 y que te permitan demostrar las
habilidades del tipo elegido en el punto 1
4. Resuelve el caso aplicando una óptima integrada entre negocio y técnica
5. Publica tu caso, puede ser en wordpress, en github, o en lo que te resulte más
sencillo
. Imprímelo y encuadérnalo para llevarlo también físicamente a las entrevistas por
si no hay internet o no funciona

Por último recuerda que en DS4B estamos para acompañarte en este camino.
Al haber descargado esta guía ya estás en nuestra NEWSLETTER. Recibirás
aprox un email cada semana. Por supuesto puedes darte de baja cuando
quieras pero te recomiendo estar ahí porque es el hub desde el que comparto
todo el contenido y recursos de alto valor que te ayudarán enormemente en
este viaje
Si quieres ver más contenido relacionado con data science, tanto técnico
como de desarrollo de carrera suscríbete a nuestro canal de YOUTUBE
Si estás empezando en Data Science / Big Data y quieres una visión general
que te ayude a situarte te recomiendo mi libro
.
Big Data para CEOs y
Directores de Marketing
Y para cualquier otra cosa puedes localizarme en
isaac@datascience4business.com
Un placer y hasta la próxima!
Isaac
Y sobre todo ponlos en práctica.
Pero realmente son conceptos muy valiosos. Léelo una segunda vez si es necesario
e intenta comprenderlos de forma profunda.
Sé que han sido muchos conceptos en poco tiempo.
Bueno, pues hemos llegado al nal de esta guía.
Próximos pasos

Como-empezar-tu-carrera-en-data-science.pdf

Más contenido relacionado

Similar a Como-empezar-tu-carrera-en-data-science.pdf (20)

Último (20)

Como-empezar-tu-carrera-en-data-science.pdf