Propósito

A través de esas interacciones aprendí mucho sobre el estado de Data Science en Chile.

Y como más sabe el diablo por viejo que por diablo…

¿Madurez Estructural?

La firme: Si buscan unirse/convertirse a/en una organización que haga Data Science, lo primero que deben evaluar es la Infraestructura.

María Cuky Pérez de AirBNB define los siguientes niveles de madurez estructural de una organización en función de Data Science.

  • Visualización: ¿Hay capacidad de explorar, visualizar y comunicar los resultados de experimentos y análisis?
  • Experimentación: ¿Existe una plataforma para experimentar?¿Existe conocimiento que permita evaluar los resultados?
  • Productos y Servicios Basados en Datos: ¿Las decisiones de producto/servicio son data-driven?
  • Analítica Avanzada: ¿Hay procedimientos de descripción, predicción, prescripción?
  • ETL: ¿Es un proceso automatizado con responsables claros?
  • Infraestructura: ¿Dónde están los datos?¿Cómo se almacenan?¿Cómo se acceden?

Para una posición de Data Scientist debe al menos haber ETL automatizado. Si no, un rol de Data Science es pura fantasía en un Mundo de Bilz y Pap.

Al pan, pan, y al vino, vino: Tres Preguntas Críticas

¿Cuál es la infraestructura de organización, almacenamiento y consulta de los datos? Ojo piojo: que “los datos” estén en archivos almacenados no implica que sean de calidad ni accesibles. Si alguien dice “Están en una base de datos Access, te la copio en un pendrive”, cuidado, es indicio de una pesadilla.

Entonces, ¿Son los datos “materia dispuesta”?

¿Cómo se aprovechan los datos en la estrategia de la empresa? Aquí quieren saber si la pirámide de management de la empresa entiende:

  1. Prioridad a la evidencia basada en datos.
  2. Trabajar en proyectos con incertidumbre.
  3. Que no haya barreras para la transferencia.

Ojo piojo: cuando un/a manager crea más en sus tincadas que en tu experiencia, considera huir.

El que sabe sabe, y el que no…

¿Cómo se transfieren los resultados de Data Science al negocio? ¡No es lo mismo un equipo de Data Science que Data Science en los equipos!

Ojo piojo: fragmentación en silos con sus propios datos no compartidos. Peor: equipos/áreas que compiten entre sí en vez de colaborar.

Si no es así, ¿remamos todes para el mismo lado?

Ojo, Pestaña y Ceja: Tres Cosas en las que Fijarse

¿Hay diversidad en los equipos? Estamos trabajando en problemas con incertidumbre. Necesitamos verlos desde la mayor cantidad de ángulos posible.

Ojo piojo: Si no puedes ver los sesgos en el mundo físico, menos podrás verlos en espacios de información abstracta.

Como DS tendrás que aprender a mirar debajo del agua.

¿Cómo se comparte conocimiento en la empresa? ¿Hay repositorios de conocimiento (por ej., Wiki)? ¿Al menos archivos sueltos (si es que)?

Ojo piojo con el viejito que lleva treinta años en la empresa es el repositorio de información (y que solo te la entrega si le caíste bien).

Conocimiento pasado a gladiolo: se va alguien y se pierde.

¿Cómo actuamos ante los problemas y desafíos? La cultura es importante. La política también. En Data Science fallarás 90% del tiempo. La organización debe estar preparada para ello.

Ojo piojo con la “sobreagilidad” y el discurso de management donde hay más keywords que sustancia.

Por la boca muere el pez (y caemos todos con él)

Paren la Oreja: Una Verdad Incómoda

¡No hay una única solución a los problemas! Y así como hay un universo de soluciones, debido a todas las maneras posibles de hacer las cosas (ver figura abajo), hay aún más universos de problemas y fallos.

Fuente: 583, https://fivethirtyeight.com/features/science-isnt-broken.

Fuente: 583, https://fivethirtyeight.com/features/science-isnt-broken.

Fuente: 583, https://fivethirtyeight.com/features/science-isnt-broken.

Personas: prepárense para estar equivocados gran parte del tiempo.

Organizaciones: tener una sola persona, por muy buena que sea, no entregará “la” solución correcta (o la “mejor”).

Todavía hay gente que cree en el Viejo Pascuero.