Introducción
En 2012, Harvard Business Review proclamó científico de datos como el trabajo más atractivo del siglo XXI. Diez años después, a pesar del auge de plataformas de AutoML (p. ej., AWS Redshift ML y Google Cloud AutoML) y la desaceleración durante la pandemia, el perfil de data scientist sigue siendo de los más demandados. De hecho, figura entre los puestos mejor pagados del sector tecnológico, con un salario medio anual de 150.000 $.
Aunque sus responsabilidades específicas varían según la industria y la empresa, la mayoría de los data scientists comparten la misma misión: ayudar a las organizaciones a crear valor a partir de los datos. Lo consiguen explorando patrones y tendencias en grandes volúmenes de información, comunicando resultados a distintos grupos de interés y construyendo y manteniendo modelos que permitan la toma de decisiones automatizada. Por ello, convertirse en data scientist requiere un conjunto de competencias muy completo y diverso que abarque estadística, programación, visión de negocio y comunicación; y todo ello debe demostrarse a través de entrevistas y ejercicios prácticos para llevar a casa.
En este artículo queremos compartir algunos consejos, desde la perspectiva tanto de quien se postula como de quien entrevista, para que brilles en una entrevista de data scientist y consigas la oferta que buscas.
Consejo n.º 1: conoce bien el puesto y la empresa
Como comentábamos, «data scientist» es un término amplio que puede abarcar roles muy distintos alrededor de los datos. Dos personas con el mismo cargo en empresas o sectores diferentes pueden enfrentarse a tareas completamente distintas. Por eso, es fundamental revisar con detalle el apartado de responsabilidades en la descripción del puesto o preguntar en la entrevista: «¿Cómo sería un día típico en este rol? ¿Se dedica sobre todo a explorar y visualizar datos o a construir modelos?» Cuanto más concretes lo que implica el puesto, antes sabrás si encaja con tu perfil e intereses. Esto te ayudará a centrarte en posiciones que realmente te van y aumentará tus opciones de lograr el empleo que de verdad quieres.
En portales como Indeed y LinkedIn encontrarás buenos consejos sobre marca personal y ajuste de perfil. Si buscas orientación profesional específica para data science y analytics, los servicios de carrera de DataCamp pueden serte muy útiles: ofrecen sesiones personalizadas con coaches especializados en este ámbito.
Una vez hayas identificado el puesto adecuado para ti, el siguiente paso es demostrar a la empresa que te apasiona su negocio. Esto puede ser complicado si estás empezando en data science o quieres cambiar de sector, ya que quizá no tengas mucha experiencia resolviendo problemas de negocio propios de la industria a la que te postulas.
Algo que ayuda mucho es trabajar en proyectos relevantes para los sectores objetivo y mencionarlos en el CV y en las entrevistas. Por ejemplo, si no tienes formación en finanzas pero quieres optar a un rol de data scientist en banca de inversión, hacer un proyecto guiado como Modeling the Volatility of US Bond Yields en DataCamp puede ayudarte a entender qué tipo de preguntas de negocio se espera que resuelva un data scientist en finanzas.
Kaggle también es una gran plataforma con competiciones y conjuntos de datos muy interesantes. Al trabajar en estos proyectos y comentarlos en las entrevistas, no solo adquirirás nociones básicas del sector, sino que además demostrarás a la empresa que te interesa tanto su negocio que dedicas tu tiempo libre a explorar sus casos de uso.
Consejo n.º 2: deja que tu dominio técnico brille en los ejercicios para llevar a casa
Normalmente, el proceso de selección para data scientists incluye un ejercicio práctico para realizar en casa: se entrega uno o varios conjuntos de datos y algunas preguntas de negocio que resolver. Aunque los requisitos de entrega varían, lo habitual es compartir el código, los modelos y los resultados del análisis.
Muchos candidatos ven esto como una gran oportunidad para mostrar sus habilidades técnicas. R y Python son los lenguajes principales en ciencia de datos y cuentan con paquetes imprescindibles para la manipulación de datos, el modelado estadístico y el machine learning; por ejemplo, pandas, scikit-learn y statsmodels en Python, y tidyr, dplyr y caret en R. Si estás empezando, te recomendamos itinerarios de aprendizaje como estos en DataCamp: Data Scientist with Python y Data Scientist with R. Además de una amplia oferta de cursos, DataCamp dispone de un workspace donde puedes practicar con plantillas de código y datos preconfigurados para ganar experiencia práctica y salvar la brecha entre aprender y hacer.
A veces se subestima el poder del data storytelling. Un buen data scientist también sabe contar historias con datos: comunica las salidas de sus modelos de forma que convence a los stakeholders y genera cambios reales. Como se suele decir, «una imagen vale más que mil palabras». Así que incluye visualizaciones claras en tu informe para ayudar a los entrevistadores a entender cómo has descubierto patrones en los datos y cómo tu modelo aporta valor. Además de bibliotecas habituales como matplotlib (Python), seaborn (Python) y ggplot2 (R), plotly es una opción interesante si quieres crear un panel web interactivo. Este curso de DataCamp puede ayudarte: Introduction to Data Visualization with Plotly in Python.
Otra opción es recurrir a herramientas de BI sin código como Tableau, Power BI y Google Data Studio. Tienen dos ventajas. Por un lado, son herramientas de visualización muy extendidas entre perfiles no técnicos como analistas de datos y product managers, así que dominarlas demuestra que te integrarás fácilmente en el stack de analítica de la empresa. Por otro, ofrecen más opciones de personalización que muchos paquetes de Python o R, lo que facilita crear informes interactivos con formato de presentación. Si eres nuevo en estas herramientas, este curso de Introduction to Tableau en DataCamp es un buen punto de partida.
Y, por último, cuida también la entrega de tu código. Salvo que te indiquen lo contrario, es buena práctica construir tu solución en Git e incluir todas las dependencias en tu proyecto. Pocas cosas frustran más a quien entrevista que recibir un .zip, ejecutar el código y encontrarse con errores del tipo «no se encuentra el paquete XYZ». Asegúrate también de acompañar tu código con documentación clara y ordenada que facilite seguir tu razonamiento.
Consejo n.º 3: ten presente el ciclo de vida del producto de datos al hablar de tus proyectos anteriores
En la mayoría de procesos, se espera que compartas experiencias de proyectos previos. Un error común es dedicar demasiado tiempo a describir lo técnico (p. ej., cómo limpiaste los datos o ajustaste los hiperparámetros). Esto puede saturar a los entrevistadores con información que quizá no dominen y, además, resta tiempo para evaluar tu visión de negocio y tu capacidad de gestionar stakeholders.
Por ello, cuando prepares la respuesta sobre tus proyectos anteriores, procura seguir el método STAR y cubrir todas las etapas del ciclo de vida de un producto de datos, incluso aunque no hayas participado directamente en todas:
- Objetivos y preguntas de negocio: ¿Qué problema(s) intentaba resolver tu proyecto? ¿A qué objetivo(s) o KPI contribuía?
- Recogida de datos: ¿Qué dificultades encontraste al obtener los datos y cómo las solucionaste?
- Análisis exploratorio: ¿Cómo presentaste los resultados a perfiles no técnicos? ¿Qué preguntas o críticas plantearon y cómo respondiste?
- Modelado y lógica: ¿Por qué elegiste el/los modelo(s) que implementaste (motivos técnicos y no técnicos)? ¿Cuáles son las principales limitaciones de tu enfoque?
- Pruebas y despliegue: ¿Cómo probaste y desplegaste tu(s) modelo(s)?
- Monitorización: ¿Qué métricas utilizaste para evaluar el rendimiento? ¿Qué aprendiste y cómo mejoraste el modelo a partir de ello?
Además, no olvides destacar los distintos roles implicados (p. ej., product managers, analistas de datos, data engineers, QAs y responsables de operaciones), sus responsabilidades y cómo te coordinaste con ellos. Con esto, es probable que causes una buena impresión por tu visión de negocio y tu trabajo en equipo.
Conclusiones
En este artículo hemos visto el crecimiento reciente de la demanda de data scientists. Después, hemos compartido varios consejos para afrontar con éxito preguntas técnicas y no técnicas en entrevistas para este rol. Si aspiras a conseguir un puesto de data scientist, quizá te interese poner en práctica estas recomendaciones o empezar tu camino con un curso acreditado de ciencia de datos.
