Mi problema con la ciencia de datos

La definición de Data Science “Ciencia de Datos”

Tengo un problema con el concepto de “Data Science” 🤔
Hay mucho ruido ahí afuera, me parece un término efímero, ambiguo, me dice mucho y nada a la vez.

👉 Cuando era estudiante, recuerdo muy claramente las palabras de un profesor quién cuestionaba:
Ustedes como Ingenieros en Mecatrónica deberían de conocer:

  • ¿Más computación que un ingeniero en sistemas?
  • ¿Más electrónica que un electrónico?
  • ¿Más mecánica que un mecánico?

¿Más robótica o conocimiento de automatización industrial que un Técnico Superior Universitario?

Desde una perspectiva práctica y de ejecución, probablemente la respuesta sea un rotundo “NO”.

Si en tu día a día trabajando con ciencia de datos te toca:

  • Manipular, transformar, limpiar data – ¿Esto no es una función de un Data Engineer?
  • Crear dashboards, reportes, graficar, comunicar con negocio – ¿Esto no lo tendría que hacer un analista de datos?
  • Crear modelos de AI-ML hacer entrenamiento, deep learning – ¿Esto no es un rol de AI-ML Developer?
  • Toca desplegar modelos en prod, conocer de infraestructura, docker, integraciones vía API con otros módulos – ¿Esto no es algo que debería cubrir DevOps, MLOps o incluso ingenieros de software en algún caso?

Claramente, decir que uno es “Ingeniero en mecatrónica” o “Científico de datos” suena cool. Argumentar que trabajas con inteligencia artificial -robótica- es algo que impresionará a tus tías, sobrinos y al público en general.

¿Pero qué tanto deberíamos de saber en términos prácticos de ejecución, para poder comenzar a dar resultados en ese campo?

Una definición genérica, no es suficiente

No te abrumes, créeme que las empresas están tan confundidas como tú. Mientras las organizaciones comiencen a elevar su madurez en datos y trabajando en definir su “Tech Stack”, estos roles se irán definiendo.

Si buscas en diferentes empresas los requisitos para ser “Data Scientist”, te darás cuenta de que no hay un consenso.

El problema de todo esto es que con definiciones tan poco certeras, cada persona puede tener un concepto diferente. En entornos donde se tienen que comprometer entregables, las expectativas se vuelven irreales.

La próxima vez que veas una oferta de trabajo buscando un “Data Scientist”, recuerda:

Hablar de “ciencia de datos” es hablar de todos los roles, actividades y responsabilidades que implica llevar esos modelos hasta producción.
“Ciencia de datos” no es un rol, es una disciplina completa.
El hacer “Data Science”, requiere un esfuerzo en equipo.

NO necesitas ser mecánico para poder hacer mecánica.
NO necesitas haber estudiado diseño para saber diseñar.
Tampoco necesitas tener un título o educación académica formal para entrar a este mundo de datos.

Cuando veas los requisitos, olvídate de los títulos y piénsalo de la siguiente manera:
Las organizaciones buscan personas competentes quienes tengan ciertas habilidades y conocimiento de herramientas.
NO importa donde ni como lo aprendiste, mientras que seas capaz de mostrar tu competencia.

  • ¿Como poder demostrar tu nivel de competencia, incluso si aún no has tenido tu primera oportunidad?

🔗 Como dejar de ser un “Data Scientist” genérico

🔗 Como demostrar experiencia en entrevistas de trabajo

Sígueme para más consejos:

IVAN CHAVEZ

Hi there! If you’re into the data world like me, then you’re in the right place.

In this website, we’re going to dive into the exciting world of DataOps & Analytics. From the latest trends and innovations to practical tips and tricks, I got everything you need to stay on top of the game.
So grab a cup of coffee (or your beverage of choice), get comfortable, and let’s get started!

-IC