Mi recorrido para convertirme en un “ciudadano científico de datos”

[RishiK]

Recientemente, Alteryx y algunos de nuestros clientes (incluido McLaren) aparecieron en el sitio web de BBC News. Si no la has visto, revisa la publicación aquí.  Esto me hizo pensar en mi propio recorrido y en cómo creo que me convertí en un ciudadano científico de datos hace muchos años y, posiblemente, sin saberlo.

Fuente de la imagen: Gartner

Me gradué como licenciado en Ciencias Informáticas y, afortunadamente para mí, sabía que tenía un trabajo asegurado en consultoría antes de graduarme.  Desde que comenzó la pandemia, y dado que hoy existen nuevas formas de trabajar, lograr algo como esto ha sido cada vez más difícil para los recién graduados; no obstante, aquí podrás descubrir cómo Alteryx te ayudará a capacitarte, aprender cosas nuevas y mejorar tus conocimientos a fin de aprovechar oportunidades en tu carrera profesional a través de nuestro programa SparkED.

En aquel entonces, parecía que todo lo que las agencias de consultoría buscaban era establecer una relación estrecha con los clientes y mantenerlos por mucho tiempo.  Aunque ese ya no es el caso.

Comencé a trabajar para clientes en proyectos de almacenamiento de datos, por lo que estuve en contacto con diferentes datos desde el inicio de mi carrera profesional.  Cuando estuve en el sector de banca de inversiones, noté algo bastante interesante para alguien que trabajaba en TI.  Mis clientes internos eran controladores financieros a los que se les encargaba que generaran informes para los reguladores de forma diaria, semanal, mensual, trimestral y anual.  Los analistas financieros querían acceder cada vez a más datos, y las decisiones se alejaban de estos.  Se enfrentaron a la habitual desaparición del personal de TI que se dedicaba a gestionar solicitudes de datos, generar hojas de cálculo o recopilar datos en informes.  Los controladores financieros tendrían las respuestas a sus preguntas iniciales, pero eso es todo lo que obtendrían.  Los reguladores se volvían cada vez más curiosos con respecto a los datos que se les presentaban, y hacían más preguntas tras analizarlos.

Fuente de la imagen: Data Science Central

¿Y adivina qué?

Los bancos de inversiones comenzaron a desarrollar sus propias herramientas e interfaces mediante las cuales el personal de TI obtendría los datos de los sistemas comerciales lo antes posible en estas herramientas personalizadas, lo que permitiría que los controladores financieros ejecutaran sus propios cálculos e informes. 

Todo ello significó una revolución porque los controladores financieros obtendrían acceso a sus datos de forma más rápida y me harían más preguntas sobre estos. 

En lugar de complicarme pensando “caramba, Rishi, ¿de dónde sacaré las respuestas?”, volvería a la herramienta y a los datos a los que accedí para responderles, y generaría informes y paneles a los que podrían acceder ellos mismos en el futuro, en caso de que tuviesen las mismas preguntas. 

A pesar del potencial notable que estas nuevas herramientas ofrecían, algunos controladores financieros se mantenían reacios a hacer el cambio.  Esto fue así especialmente para aquellos que se volvieron muy dependientes de Excel, sobre todo en el área de Finanzas.   Estas personas conocían Excel y lo habían dominado. Copiarían mis datos y los pegarían en un archivo Excel para analizarlos en detalle. Sabía que les iba a tomar tiempo y energía aprender a usar las herramientas que teníamos para ellos.  Era mi trabajo guiar a los usuarios para que olvidaran sus fijaciones por Excel, y así mostrarles un nuevo conjunto de herramientas de analítica con paneles de control de autoservicio.  Las personas siempre se sentirán más cómodas con lo conocido, pero sabía que debía hacer que este cambio valiera su tiempo.  Les demostré cómo estos nuevos paneles de control les permitirían ver y utilizar datos que, en un comienzo, eran difíciles de obtener.  Una vez que las personas más reacias reconocieron esto, no solo adoptaron los nuevos paneles, sino que se convirtieron en promotores para todos los demás en Finanzas.

En Gartner, se define a un ciudadano científico de datos como una persona que crea o genera modelos en los que se emplean funcionalidades prescriptivas y predictivas o analítica de diagnóstico avanzada, pero cuya función de trabajo principal está fuera del campo de la estadística y la analítica.  Los ciudadanos científicos de datos son usuarios avanzados que pueden realizar tareas analíticas simples y moderadamente sofisticadas que antes habrían requerido más experiencia.

Recuerdo que leí esta definición y repasé mi trayectoria profesional, y pensé “He estado haciendo todo eso desde 2004, ¡pero no lo sabía! Entonces, ¿esto significa que ya era un ciudadano científico de datos en aquel entonces?”. No estaba muy seguro en ese momento.

Mi relación con Alteryx se estableció poco después, cuando me uní posteriormente a una empresa de consultoría.  Nunca había oído hablar de la empresa, pero mi ahora excolega, Shaan Mistry, llegó a nuestras oficinas en una extravagante camiseta para capacitar a mi equipo y a mí por dos semanas.  En ese momento, seguía relacionando esta plataforma con la de mis días en la banca, cuando pasamos años en su desarrollo a fin de ofrecer determinados servicios a nuestros usuarios finales en Finanzas, y la comparaba con Alteryx (porque esta hacía exactamente lo mismo).  Me quedé en Alteryx (no solo por la camiseta de Shaan, sino porque pude notar que aún había muchas organizaciones que tenían los mismos problemas que los controladores financieros en 2010).

Trabajaba para un analista de inversiones que normalmente me pedía extraer datos financieros relevantes, desde ingresos y ganancias por acción hasta márgenes operativos, de una plataforma de investigación financiera disponible en el mercado, como Bloomberg.  En un punto, tuve que encargarme de cierta solicitud… afortunadamente, este banco ya tenía plataformas analíticas incrustadas dentro de la organización junto con Alteryx, así que las utilicé para obtener un conjunto de datos de un tamaño adecuado y trabajé con el analista de inversiones en eso.  Teníamos un sistema en el que otorgábamos puntuaciones de 1 a las buenas inversiones y de 0 a las que no eran tan buenas.

Finalmente, nuestros hallazgos se entregaban a los científicos de datos de nuestro equipo; sin embargo, la preparación de datos era una tarea tediosa y extensa, y para algunos de ellos significaba hasta el 80 % de su carga laboral.  El analista de inversiones y yo decidimos recurrir a las plataformas a las que teníamos acceso, ya que nos permitirían manipular y preparar los datos de una manera repetible.  Estas plataformas nos brindaron insights realizables sobre cómo corregir de mejor manera los errores en nuestros datos, por ejemplo, con los valores faltantes en los “porcentajes de pago de acciones”.  Ambos sabíamos por qué sucedía esto y pudimos completar automáticamente todos los porcentajes de pago de acciones faltantes con cero.  Con el objetivo de ahorrar tiempo en actividades similares en el futuro, guardamos las tareas de preparación de datos en un flujo de trabajo para fines de auditoría y reutilización por parte de nuestros colegas.

En esta etapa, fue posible ver la prometedora forma en la que se distribuyeron los objetivos de inversión en los diversos puntos de datos financieros captados, como el “flujo de caja”.  Había una gran posibilidad de que no se evidenciaría un patrón claro.  No obstante, las actividades de preparación de datos dirigidas por el usuario le ofrecieron al analista de inversiones una oportunidad única para visualizar y manipular los datos sin procesar antes de trabajar con el científico de datos a fin de implementar modelos dentro de la misma plataforma. 

Esto cambió el panorama y le permitió al analista y al científico de datos emplear un 80 % del tiempo en el material avanzado y un 20 % en la preparación, etc.

Ahora trabajo para Alteryx, y pienso en los más de 15 años de mi carrera profesional.  A medida que recuerdo mi trayectoria, me doy cuenta de que fui un empleado inteligente que no fue capacitado específicamente en matemáticas o estadística, pero tuve, y sigo teniendo, perspectivas intuitivas sobre los problemas de negocios a los que espero aplicar soluciones para mí, la empresa en la que trabajo y mis clientes.  Estaba siendo preparado para convertirme en una persona que desarrollaría y administraría modelos basados en analítica predictiva o prescriptiva; además, tuve acceso a asistentes y plantillas desarrollados para tipos determinados de análisis comerciales y a interpretar los resultados para el beneficio de usuarios de otras líneas de negocios. 

Fuente de la imagen: Data Science Foundation

Esta denominación de ciudadano científico de datos fue la más adecuada para mí, debido a mi pasión por los datos, pero también por mi paciencia, mi buena comunicación con los demás y mis habilidades en consultoría.  Fui, y sigo siendo, capaz de relacionar los problemas de negocios con las herramientas tecnológicas que se pueden utilizar para solucionarlos.

¿Has recorrido el camino para convertirte en un ciudadano científico de datos como yo, pero todavía no te das cuenta de ello? Comunícate conmigo y analicemos juntos tu recorrido (ya sea que se relacione con Alteryx o no). Me encantaría apoyarte y ayudarte con tus casos prácticos y problemas de negocios hoy mismo.