olly - Fotolia

Evaluar Conozca los pros y contras de las tecnologías, productos y proyectos que está considerando.

Cinco errores que interrumpen las mejores prácticas de ciencia de datos

Al hacer preguntas y comprender los problemas del mundo real que enfrentan otras partes de la empresa, los científicos de datos pulen su contribución a la empresa.

Los datos tienen un enorme valor en este momento, y las empresas confían en los datos para alimentar todo, desde los gastos del mercado y las decisiones de personal hasta el desarrollo de productos, lo que significa que los científicos de datos se están volviendo más prominentes en el lugar de trabajo.

A medida que aumenta el desarrollo de la IA, los científicos de datos son cada vez más deseados, y los científicos de datos ciudadanos están siendo entrenados en todas las empresas. Desde nuestra posición como habilitadores de IA hasta modelos para capacitaciones de empleados, es importante que seamos lo suficientemente conscientes para asegurar que los científicos de datos agreguen valor constantemente y utilicen las mejores prácticas de ciencia de datos. Aquí hay un vistazo a cinco errores comunes que cometen los científicos de datos, junto con cómo evitar que perjudiquen los resultados comerciales.

1. Centrarse en las computadoras, no en los colegas

Existe una idea errónea común entre los estudiantes de ciencias de datos de que en el mundo real sus trabajos consistirán en escribir código técnico y alguien más presentará sus hallazgos a las partes interesadas del negocio. Nada más lejos de la verdad. El trabajo de un científico de datos es descubrir información que ayudará al crecimiento de un negocio.

Primero, los científicos de datos deben poder comunicar cómo la información que descubren afecta al negocio más grande y, segundo, deben saber dónde buscar esta información. La segunda parte es crítica: un científico de datos que pasa todo el día en su escritorio puede que nunca se dé cuenta de que el equipo de ventas tiene un problema con abandonos de clientes o que el equipo de marketing está luchando con una parte del embudo de conversión.

Ningún negocio es perfecto, y hay muchos problemas que un científico de datos puede ayudar a resolver. No solo mire los datos, aléjese de su escritorio para enterarse del trabajo diario de la empresa para que pueda comprender cómo agregar el mayor valor.

2. Ignorar el contexto empresarial más amplio

Además de asegurarse de comunicarse regularmente con sus colegas, es importante asegurarse de tomarse el tiempo para comprender el contexto a gran escala del negocio en el que está trabajando. Si está trabajando en soluciones para una empresa minorista, tome el tiempo para ir a su ubicación física y observar cómo funciona: qué están haciendo los asociados de ventas, cómo los compradores se involucran con el espacio, cómo trabajan los gerentes, etc.

Obtener la comprensión contextual completa es crucial para ofrecer información comercial y un componente clave de las mejores prácticas de ciencia de datos. Si no sabe cómo funciona el negocio, es imposible ayudarlo a funcionar mejor. Los científicos de datos deben entender lo que representan los datos. Sin eso, se encontrará con situaciones en las que todo debería funcionar perfectamente de acuerdo con sus modelos, pero donde todavía hay problemas del mundo real que solo conocería al ver el negocio en acción.

Cuando tenga una idea del contexto comercial más amplio, puede identificar procesos que no funcionan, mirar los datos, formular hipótesis sobre lo que está mal, probar y confirmar su hipótesis y realizar cambios que mejoren las operaciones.

3. Centrarse en la teoría e ignorar la práctica

La ciencia de datos, como muchos campos, es mucho más espinosa en la práctica que en teoría. Y la cuestión es que no puede aprender a manejar el lado práctico de la ciencia de datos hasta que realmente lo haga en entornos de implicación.

En una empresa, los científicos de datos deben capear todo tipo de fuerzas, incluyendo:

  • Coordinación con otros departamentos y otros equipos. Esto podría significar saltar de un proyecto a otro a medida que cambian las prioridades internas o encontrar soluciones alternativas cuando su solución principal no se puede implementar como se recomienda.
  • Desafíos de integración del código. A veces, su código no puede integrarse fácilmente con el código existente, lo que significa que debe encontrar una solución alternativa.
  • Limitaciones presupuestarias. En el mundo real, cada proyecto tiene limitaciones presupuestarias. Descubrir cómo trabajar dentro de ellos para llegar a soluciones lo suficientemente buenas (en lugar de perfectas) es una parte clave para ser efectivo en un rol de científico de datos.

Si bien también es importante mantenerse al día con los últimos artículos y blogs y tecnología de punta, hay ciertas partes del trabajo que solo puede aprender haciendo. Un científico de datos eficaz sabe cómo equilibrar ambas partes de su desarrollo profesional.

4. No hacer preguntas

Para ser un mejor científico de datos, simplemente pregunte por qué. Esta pregunta ayuda a eliminar las barreras de comunicación entre los científicos de datos y los empleados en otras partes del negocio.

Imagine que un líder de marketing de una empresa minorista solicita un modelo de datos que muestre cuánto gastan los clientes en función del canal que utilizan para llegar al sitio web. Podría crear ese modelo o preguntar por qué. ¿Es para entender qué clientes son más valiosos para que sepan dónde canalizar dólares adicionales de marketing? ¿Es para ayudar al equipo de ventas a priorizar clientes potenciales? ¿Tienen una manera de medir clientes nuevos versus clientes recurrentes? ¿Han tenido en cuenta las devoluciones de productos?

Para construir un modelo verdaderamente útil, debe comprender el problema que su colega está tratando de resolver con él y, cuando lo haga, podrá resolverlo más fácilmente de lo que inicialmente pensó, lo que beneficia a todos.

5. Asumir que sus datos están limpios

En muchos casos, el 80 % del trabajo de un científico de datos es limpiar datos: el último 20 % está ejecutar modelos de aprendizaje automático o de aprendizaje profundo para obtener una idea.

El primer paso a seguir cuando se recibe un conjunto de datos es descifrar cuánto puede confiar en él, y el segundo paso es determinar qué tendrá que hacer para que sea utilizable.

Los datos nunca son perfectos; si lo fueran, los científicos de datos no tendrían trabajo. Tenemos que hacer que los datos imperfectos sean utilizables, lo que requiere que comprendamos el contexto comercial más amplio (¿qué información no necesita? ¿Cuáles son de misión crítica?).

Es fácil caer en la mentalidad contemporánea de que los datos son la fuente de todo significado y valor dentro de una empresa (especialmente si usted es un científico de datos). Pero si queremos continuar aportando valor a las empresas para las que trabajamos, para utilizar las mejores prácticas de ciencia de datos, debemos reconocer que nuestro trabajo es más valioso cuando es parte del ecosistema empresarial más grande, y que depende de nosotros comprometernos con ese ecosistema para garantizar la calidad de nuestro trabajo.

Investigue más sobre Análisis de negocios e inteligencia de negocios

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close