Más consejos para navegar con éxito las entrevistas de trabajo de ciencia de datos para principiantes

Consejos infalibles para triunfar en las entrevistas de trabajo de ciencia de datos para principiantes

 

Los nueve consejos anteriores cubren las recomendaciones más evidentes para los científicos de datos principiantes.

La próxima serie de consejos para las entrevistas se ocupa de los aspectos más sutiles de cómo presentarse como el mejor candidato para el trabajo.

Basándonos en mi artículo anterior, estos consejos adicionales mejorarán aún más tus posibilidades en las entrevistas para trabajos de ciencia de datos para principiantes.

• ¿Cómo acelerará la ciencia de datos la economía circular?
• Guía en profundidad para crear y publicar un paquete de datos de R utilizando Devtools
• Utilizando la ciencia de datos clínicos para mejorar los resultados clínicos

 

1. Preparar un portafolio

 

Crear un portafolio de proyectos de ciencia de datos es una de las mejores formas de demostrar lo bueno que eres como científico de datos.

Puede ser difícil para los principiantes elegir proyectos adecuados para su portafolio. Aquí tienes algunas ideas de proyectos de ciencia de datos para empezar. También puedes explorar las sugerencias de Datacamp o los proyectos de datos que tenemos en StrataScratch.

 

 

2. Practicar codificación con conocimiento del dominio

 

Conocimiento del dominio significa que tienes conocimiento sobre una industria, sector o área específica. Este conocimiento incluye detalles, desafíos, terminología, procesos y matices de ese dominio particular.

  

Debe reflejarse en tus habilidades de codificación, ya que las utilizarás para resolver problemas para una empresa específica dentro de una industria particular.

Cuando practiques la codificación, sería ideal que lo hicieras con preguntas reales de la empresa para la que estás entrevistando. Mencioné StrataScratch y LeetCode en el primer artículo.

Por supuesto, también puedes practicar con desafíos que no provengan directamente de las entrevistas. Pero cuando los elijas, intenta encontrar preguntas de entrevistas de ciencia de datos y conjuntos de datos de la industria relevante. Digamos que estás entrevistando para Meta (industria tecnológica) y Pfizer (industria farmacéutica). Estas empresas trabajan con datos completamente diferentes, que se comportan de manera diferente. Naturalmente, las preguntas serán diferentes también. Por lo tanto, para Meta, utiliza datos tecnológicos/de redes sociales, y para Pfizer, datos farmacéuticos.

De esta manera, también te aseguras de mejorar tu conocimiento del dominio. Es posible que te encuentres con datos específicos con los que no estás familiarizado, por lo que tendrás que aprender sobre ellos y su importancia dentro de la industria.

¡Ahora estás conectando la codificación con el conocimiento del dominio!

 

3. Destacar tus habilidades de narración de historias con datos

 

Contar historias con datos significa que puedes comunicar las ideas de tus proyectos de datos de manera clara y comprensible. Piensa en por qué comenzaste un proyecto específico y qué lograste; siempre hay una historia en ello.

Al crear una historia a partir de tu proyecto, harás que los datos sean más accesibles para personas no técnicas. A cambio, tendrás más influencia en la toma de decisiones.

Aquí tienes algunos consejos para mostrar esta habilidad.

Crea una narrativa: Toda buena historia tiene una estructura: exposición, un problema, acción creciente, clímax, acción decreciente y resolución. Incluye esto al contar tu historia utilizando datos.

Podrías comenzar con el contexto empresarial, por ejemplo, “La empresa lanzó cinco nuevos productos en los últimos tres años”. Luego, el problema. Notaste que las ventas están aumentando, pero la retención de clientes no. Ahora investigarás más a fondo los datos y buscarás las razones del problema de retención. Aquí, tu historia debería adentrarse en los aspectos técnicos del proyecto: qué hiciste y por qué. El clímax es cuando encuentras un producto con altas ventas pero también altas tasas de devolución. La acción decreciente es cuando discutes las posibles razones de las altas devoluciones. En la resolución, haces una recomendación para mejorar el producto. En la resolución, relaciona directamente lo que hizo tu proyecto y cuantifica sus logros. No dejes que tu historia termine con recomendaciones de mejora de producto, sino que habla sobre el aumento de ventas de ese producto, cuánto dinero ha generado para la empresa, etc.

Utiliza visualizaciones claras: Utiliza visualizaciones que respalden tu historia.

En tu proyecto sobre tendencias de ventas en los últimos años, no muestres solo una tabla con cifras de ventas mensuales. En su lugar, utiliza un gráfico de línea para representar visualmente las subidas y bajadas en las ventas. De esta manera, la audiencia comprenderá la tendencia. Para picos significativos en las ventas, utiliza un gráfico de barras para desglosar las ventas por producto o categoría de productos, destacando qué productos impulsaron el pico.

Evita el lenguaje técnico y simplifica conceptos complejos: Utiliza terminología técnica solo cuando sea necesario. El punto es “vender” (incluso literalmente) tu idea y proyecto a personas de negocios, así que simplifica los conceptos complejos para ellos. En lugar de decir, “La heterocedasticidad en los residuos indicaba que nuestro modelo de regresión lineal podría no ser el mejor ajuste”, di, “Los patrones en nuestros datos sugirieron que nuestro modelo inicial podría no estar capturando toda la información de manera efectiva”. ¡Mucho mejor!

4. Habla sobre fracasos y aprendizaje

Todos cometemos errores. Son necesarios en el proceso de aprendizaje. Los entrevistadores no buscan a un candidato perfecto; buscan a alguien que quiera y pueda aprender.

Permite que el entrevistador conozca ese aspecto de ti. Si compartes honestamente tus fracasos y lo que aprendiste de ellos, construirás confianza y demostrarás tu capacidad de superar obstáculos.

Aquí tienes algunos consejos sobre cómo hablar de esto.

Evita culpar a los demás: Evita culpar a todos y a todo por tus errores. Por supuesto, proporciona el contexto de las circunstancias fuera de tu control, pero no te victimices. Asume la responsabilidad de tu parte, muestra lo que aprendiste de estas circunstancias y habla sobre lo que deberías haber hecho de manera diferente.

Enfatiza el aprendizaje, no el fracaso: Hablar de los fracasos solo debe servir para presentar cómo y qué aprendiste de ellos, así que enfócate en eso.

Habla desde la experiencia: Encuentra un ejemplo real de tu trabajo anterior. Incluso si no es en ciencia de datos, puede ser relevante si muestra tu enfoque en el aprendizaje y la autoconciencia. Si no tienes experiencia laboral, habla sobre los errores que cometiste en tus proyectos de datos y lo que aprendiste.

Habla sobre las medidas que tomaste: Esto se refiere a lo que hiciste para corregir tu error o minimizar su impacto, por ejemplo, cambiando los datos, ajustando el algoritmo o abandonando por completo el proyecto y comenzando uno nuevo.

Esto es cómo podría verse la conversación entre tú (Y) y el entrevistador (I).

I: “¿Puedes contarme sobre una vez en la que un proyecto o tarea no salió según lo planeado y cómo lo manejaste?”

Y: ¡Por supuesto! Durante mi puesto anterior como científico de datos, fui responsable de un proyecto destinado a predecir la pérdida de clientes. Elegí el algoritmo del vecino más cercano basado en mi entendimiento inicial y seguí adelante con ello. Sin embargo, los resultados no fueron tan precisos como esperaba.

I: ¿Por qué sucedió eso? ¿Qué hiciste cuando te diste cuenta?

Y: Hubo algunas inconsistencias en los datos y el plazo era muy ajustado, por lo que mi exploración de datos no fue muy exhaustiva. A pesar de eso, ahora me doy cuenta de que debería haber realizado una exploración de datos más detallada. Después de descubrir las inconsistencias, colaboré con el equipo de calidad de datos para comprenderlas mejor. También exploré otros algoritmos y los evalué. Finalmente, pasé al algoritmo XGBoost, lo cual mejoró significativamente la precisión de predicción del modelo. Aprendí a no subestimar la importancia de la exploración de datos. También me alegra no haber tenido miedo de admitir errores y comenzar desde cero teniendo en cuenta que no tendríamos ningún uso para un modelo en el que no pudiéramos confiar.

Conclusión

La ciencia de datos va más allá de la manipulación ciega de datos y la escritura de código. Esto implica ser capaz de traducir tu trabajo al lenguaje de las personas comunes a través de la narración de datos y las visualizaciones.

Mostrarás esto al hablar de ello en la entrevista. Debes asegurarte de poder hablar la jerga, pero también demostrar que puedes cumplir. La mejor manera de hacerlo es tener un sólido portafolio de proyectos de datos donde tus habilidades de programación, narración y visualización sean evidentes.

Mientras trabajas en los proyectos, cometerás errores. No los ocultes. Habla de ellos abiertamente y busca retroalimentación de tu entrevistador.

Se reduce a dos cosas simples: ser competente y honesto acerca de cómo lograste eso. ¡Más fácil decirlo que hacerlo!

Pero con algunos consejos que te di en este artículo, ¡estoy seguro de que te irá bien en tu próxima entrevista de ciencia de datos!

****[Nate Rosidi](https://twitter.com/StrataScratch)**** es un científico de datos y en estrategia de productos. También es profesor adjunto de análisis y es el fundador de StrataScratch, una plataforma que ayuda a los científicos de datos a prepararse para sus entrevistas con preguntas reales de las principales empresas. Conéctate con él en Twitter: StrataScratch o LinkedIn.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!