Una carrera en datos te expone a una gran variedad de tecnologías, habilidades y perfiles. Podrás trabajar en proyectos con un impacto significativo en áreas clave del negocio, a menudo en equipos muy transversales o en colaboración con otros perfiles técnicos.
El salto de un rol junior a uno senior en ciencia de datos varía mucho según el sector y la especialidad, pero para la mayoría de data scientists tarda entre 2 y 5 años. Con los conocimientos y habilidades adecuados, los salarios pueden superar con facilidad las seis cifras. Dentro de 10 años se espera que la demanda de data scientists aumente de forma notable, aunque el rol probablemente será distinto, ya que siguen apareciendo nuevas herramientas, buenas prácticas y metodologías.
El crecimiento en una carrera en datos puede tomar muchas formas, pero sea cual sea tu objetivo, hay consejos y prácticas esenciales que conviene tener presentes. Sigue leyendo para conocer nuestras mejores prácticas y avanzar de forma constante a lo largo de tu carrera.
1. Define qué es el éxito
Trabajar por trabajar no es un problema en sí; la práctica continua es positiva y muchos notan sus beneficios. Aun así, es fácil no sentirse satisfecho si no tienes una meta a la que apuntar. Es fundamental sentarte y definir cómo se ve el éxito para ti. No solo te asegura ir en la dirección correcta, también te da una forma de evaluar tu progreso con el tiempo. Tu idea de éxito no tiene por qué girar en torno a ascensos, ingresos o cargos. Puedes aspirar a objetivos a largo plazo como publicar un paper o completar un doctorado. Tal vez quieras liderar un equipo o desarrollar un producto usado por millones. Al definir tu visión de éxito, podrás identificar los pasos necesarios para crecer en la dirección adecuada.
2. No dejes de aprender
¿Has oído hablar de la mentalidad de crecimiento? La investigación muestra que quienes la adoptan tienden a lograr más que quienes creen que el talento es algo innato. Las carreras en datos pueden ser exigentes; muchas personas se toparán con obstáculos y fracasos. Aprender de los errores se cita a menudo como una de las claves del éxito; incluso emprendedores consolidados hablan de sus muchos fracasos y de lo que aprendieron de ellos.
Otra razón clave para desarrollar tus habilidades de forma continua es seguir el ritmo al que cambia el sector. Elad Cohen comenta en DataFramed (sobre el minuto 49) que, independientemente de si crees que la automatización simplificará partes del flujo de trabajo de data science, muchas personas tienden a subestimar cómo será la tecnología dentro de 10 años. Si no sigues aprendiendo y creciendo, el propio sector puede avanzar más rápido que tú.
3. Sigue construyendo un porfolio
La importancia de un porfolio no se puede subestimar. Aunque suele asociarse a data scientists junior que buscan su primer puesto, un porfolio es un gran lugar para recopilar tu mejor trabajo a lo largo de tu carrera. También puede ser tu vía de escape para trabajar en temas que te apasionan, sobre todo si no tienes la oportunidad de hacerlo en el día a día. Y ampliar tu porfolio te motivará a aplicar la buena práctica anterior de desarrollar habilidades nuevas de forma constante.
Mantener un porfolio durante toda tu carrera te permite:
- Compartir tu trabajo si cambias de rol, de empresa o si te planteas trabajar como freelance
- Recoger tus proyectos más interesantes para poder ampliarlos después
- Tener un espacio donde mostrar tus proyectos personales, algo que a otros data scientists les encanta ver
- Impulsar tu marca personal, lo que puede abrirte puertas en otras áreas de tu carrera
4. Invierte en capacidades de despliegue de modelos
Hoy, una de las mayores desconexiones entre cómo se enseña la ciencia de datos en la universidad y cómo se aplica en la industria es MLOps. En pocas palabras, MLOps es un conjunto de herramientas, prácticas, técnicas, cultura y mentalidad para garantizar un despliegue fiable y escalable de sistemas de machine learning. Uno de los mayores retos de los equipos de datos es el despliegue escalable y eficiente de modelos, y por eso se estima que solo un 8% de las empresas tienen modelos en producción. No sorprende que MLOps haya sido una de las áreas de ciencia de datos con mayor crecimiento en el último año.
Invertir en capacidades de despliegue es esencial para muchos data scientists hoy, incluso con años de experiencia. Reconocer que puedes tener una brecha de conocimiento e identificar pasos para cubrirla es una gran forma de crecer. No tienes que dominar todas las herramientas nuevas, pero entender los conceptos clave de MLOps u otros avances, y aprender a aplicar sus técnicas, te llevará muy lejos y sentará las bases para especializarte más adelante. Si te interesa empezar con MLOps, en este artículo del blog encontrarás recursos gratuitos para iniciarte.
5. Elige una especialidad
La ciencia de datos es un campo extraordinariamente amplio. En este e-book, DataCamp la define como “un campo interdisciplinar que busca extraer información valiosa de los datos”. Las distintas disciplinas abarcan desde matemáticas, estadística y machine learning hasta programación, visualización de datos y más. Es imposible que una persona sea experta en todas ellas, especialmente cuando cada área requiere un conocimiento profundo para aplicar sus técnicas. Por ejemplo, piensa en cuánta teoría necesitas para desplegar un modelo de lenguaje natural con una precisión aceptable y sin sesgos.
Una vez que hayas tocado varias áreas, merece la pena pensar dónde te gustaría especializarte. Convertirte en experto en un ámbito es una gran forma de abrir puertas y acercarte a tu visión de éxito.
6. Amplía tu red
El networking es una de las formas más importantes de crecer profesionalmente, y puede tomar muchas formas: asistir a eventos, organizar “cafés” con gente del sector o con compañeros, o incluso dar charlas. Una red de contactos te ayuda a saber qué ocurre en otras organizaciones y qué habilidades nuevas quizá debas aprender o se puedan necesitar en tu empresa en el futuro. Además, es la forma más sencilla de entrar con buen pie en otra compañía si buscas cambiar de trabajo.
A muchas personas les intimida la idea de hacer networking, pero hay muchas formas de hacerlo y de encontrar eventos en la comunidad de datos. Aquí recopilamos una lista de conferencias clave de ciencia de datos para 2022 para ayudarte a empezar tu viaje de networking.
7. Combate el síndrome del impostor
El síndrome del impostor se define en Harvard Business Review como “dudar de tus capacidades y sentirte un fraude”, y es algo que muchos data scientists han experimentado en algún momento de su carrera. La amplitud y profundidad de conocimientos de los data scientists con experiencia puede parecer una meta altísima al principio. Incluso más adelante, te encontrarás con especialistas con conocimientos muy profundos en cada una de las muchas subáreas. El término síndrome del impostor se ha hecho mucho más común en los últimos años, con directivos de alto nivel compartiendo sus vivencias. Hay muchos libros que te pueden ayudar a entender cómo te afecta y qué puedes hacer para combatirlo. Este hilo de Reddit también recoge experiencias de data scientists con el síndrome del impostor.
8. Mantén un ojo en el mercado laboral
El crecimiento profesional está muy ligado a cómo pasas tu jornada laboral. Si lo que haces cada día no encaja con tu definición de éxito a largo plazo, quizá debas revaluar tu situación. Esto puede implicar hablar con tu responsable para cambiar tu día a día o moverte lateralmente dentro de tu organización. En cualquier caso, siempre conviene entender qué pasa en el mercado laboral. Puede que descubras que tus habilidades están muy demandadas y que otras empresas ofrecen roles diferentes o mejores condiciones salariales y de beneficios.
Jerry Lee, de Wonsulting, una firma de desarrollo profesional, recomienda hacer entrevistas cada año en empresas que te interesen para mantener en forma tus habilidades de entrevista y asegurarte de que tu empresa actual te valora. La importancia de esto depende de tus objetivos a largo plazo y tus criterios de éxito, pero tomarle el pulso al mercado siempre es una gran idea.
9. Mantente al día
Además de desarrollar tus propias habilidades, también es importante tener una visión general de lo que ocurre en la vanguardia de la investigación, las tecnológicas y los líderes de tu sector. No siempre hace falta entrar al detalle: comprender a alto nivel el potencial de la tecnología más reciente es una gran forma de estar informado. Y si además puedes comentarlo con tu red para aprender cómo lo aplican o enseñarles algo nuevo, mejor aún.
Un buen recurso para este seguimiento a alto nivel es Adam Votava, que publica cada semana en LinkedIn “Keeping Up with Data”. Estos resúmenes, muy bien escritos, son una forma estupenda de estar al tanto de la investigación reciente, noticias de negocio e incluso paquetes de Python recién lanzados. También puedes suscribirte a nuestro boletín en vídeo Weekly Roundup, que recopila las noticias más interesantes de ciencia de datos, tecnología y la comunidad investigadora.
10. Ten en cuenta el impacto de tu trabajo
Crecer en tu carrera debería acercarte a tus propios objetivos de éxito, pero ¿qué hay del éxito de tu organización? Es importante valorar el impacto de tu trabajo: ya sea ahorrar tiempo con herramientas más eficientes, ayudar a tus compañeros con un dashboard informativo o reducir costes de producción con un modelo bien entrenado. Entender tu impacto en toda la organización te permite:
- Presentar un caso de negocio para un ascenso o un cambio de puesto
- Justificar que tu empresa patrocine una formación
- Hablar de tu trabajo en conferencias
- Entrevistar con solvencia si planeas cambiar de rol
11. Desarrolla habilidades de liderazgo
La buena práctica nº 12 cubrirá los distintos itinerarios de gestión que puedes seguir en ciencia de datos. Pero para llegar ahí, necesitas desarrollar habilidades de liderazgo como contribuidor individual. Competencias como delegar, priorizar, dar feedback y marcar una dirección clara son esenciales. Aunque no gestiones personas, puedes aprender y aplicar estas habilidades cuando te elijan para liderar un proyecto como contribuidor individual.
Tendrás muchas oportunidades para desarrollar estas competencias a lo largo de tu carrera, pero puede que te exijan salir de tu zona de confort. Pasar de la zona de confort a la zona de crecimiento es donde suceden nuestros mejores aprendizajes y logros; no rehúyas estas oportunidades porque representan grandes palancas de crecimiento que te darán frutos durante toda tu carrera.
12. Elige una trayectoria profesional
Hoy en día, las carreras no siempre siguen líneas rectas. Puedes moverte lateralmente a otro equipo o proyecto, o entrar y salir de roles de gestión. Meta ha categorizado algunas de sus trayectorias aquí, señalando que “...convertirse en mánager no es un ascenso. Es solo otra forma de sacar el trabajo adelante”. Esta filosofía es común en organizaciones, especialmente en las más horizontales, con equipos articulados en torno a proyectos más que a funciones. Para Meta, las trayectorias principales son:
- Contribuidor senior: Aunque por lo general no gestionan personas, suelen mentorizAR a perfiles junior y pueden influir de forma significativa en la estrategia y las decisiones. Esta trayectoria implica sobre todo trabajo práctico y código.
- Tech lead: Trayectoria híbrida entre contribuir al trabajo técnico y gestionar un pequeño equipo, a menudo de perfiles de datos.
- People managers: Es la vía de gestión tradicional, con muy poco código y más reuniones de alto nivel y gestión del día a día de las personas.
Conviene saber dónde te gustaría estar más adelante. Si por ahora no te atrae la gestión de personas, puedes invertir más en tus habilidades técnicas; si es al contrario, quizá te interese hacer networking y buscar oportunidades para aprender liderazgo.
Extra: hay muchas formas de tener éxito en ciencia de datos
Este artículo ofrece muchos consejos para data scientists que trabajan en una organización, pero hay muchas maneras de triunfar en carreras de datos. La academia, la docencia, el freelancing y la creación de contenidos son vías para aportar valor, aprender o desarrollar algo nuevo, o aumentar tu potencial de ingresos. No te encasilles en una sola empresa o trayectoria: piensa cómo es el éxito para ti y sal a ejecutar tu visión.
Más recursos para ti:
- Suscríbete al podcast DataFramed
- Descubre nuestras certificaciones
- Mira este webinar sobre cómo crear un porfolio de ciencia de datos
