Lectura 1 CIENTÍFICO DE DATOS.

EL TRABAJO MÁS SEXY DEL SIGLO XXI

Jhonatan Golman (2006)

LinkedIn los usuarios no estaban buscando conexiones con las personas que ya
estaban en el sitio a la tasa que los ejecutivos esperaban. Aparentemente faltaba
algo en la experiencia social. A la llegada de Golman comenzó a formar teorías, a
probar corazonadas y a encontrar patrones que le permitieran predecir en qué
redes aterrizaría un perfil dado, sin embargo, el equipo de ingeniería de la
empresa no parecía interesado con sus ideas.

Por fortuna Reid Ho cofundador de la empresa y CEO en ese momento de la

empresa tenía fe en el poder de la analítica debido a sus experiencias en PayPal,
y le había otorgado a Goldman un alto grado de autonomía. Por un lado, le había
dado a Goldman una forma de evitar una dificultad en el ciclo tradicional de
lanzamiento de productos mediante la publicación de pequeños módulos en forma
de anuncios en las páginas más populares del sitio.

Golman comenzó probando que sucedería si a cada usuario se le presentara

nombres de personas con las que aún no se había conectado, pero que parecían
conocer, ya sea por trabajo o escuela. “Personalización” con las 3 mejores nuevas
coincidencias por usuario en función de los datos ingresados. El éxito fue notorio
la tasa de clics en esos anuncios fue la más alta jamás vista. Ellos le llamaron “el
cierre del triángulo” que se basa en que si yo conozco a Larry y Sue existen altas
probabilidades que ellos se conozcan.

Los anuncios de "Personas que quizás conozcas" lograron una tasa de clics un
30% más alta que la tasa obtenida por otras indicaciones para visitar más páginas
del sitio. Generaron millones de nuevas visitas a la página. Gracias a esta
característica, la trayectoria de crecimiento de Linked In cambió de significado.
Cantly hacia arriba.

CIENTÍFICO DE DATOS
Golman es un buen representante a lo que difiere el tema es un profesional de alto
rango con la capacitación y la curiosidad para hacer descubrimientos en el mundo
del big data. Son las personas que entienden cómo obtener respuestas a
importantes preguntas comerciales del actual tsunami de información no
estructurada. A medida que las empresas se apresuran a capitalizar el potencial
de los grandes datos, la mayor limitación que muchos enfrentan es la escasez de
este talento especial.

Gran parte del entusiasmo actual por los grandes datos se centra en las
tecnologías que hacen posible la domesticación, incluido Hadoop (el marco más
utilizado para el procesamiento de sistemas de archivos distribuidos) y las
herramientas de código abierto, la computación en la nube y la visualización de
datos relacionadas.

PASOS PARA SATISFACER LA NECESIDAD DE LOS CIENTÍFICOS DE DATOS

1. Entender lo que hacen los negocios
2. ¿Qué habilidades necesitan? La habilidad más básica y universal de los
científicos de datos es la capacidad de escribir código, habilidades
especiales involucradas en la narración de historias con datos, ya sea
verbal, visual o, idealmente, ambos
Las empresas que buscan personas que pueden trabajar con datos
complejos han tenido buena suerte al reclutar a personas con antecedentes
educativos y laborales en las ciencias físicas o sociales.
3. ¿En qué campos se encuentran más fácilmente esas habilidades?

¿Qué hacen los científicos de datos?

 Aportan estructura a grandes cantidades de datos sin forma y hacer posible

el análisis.
 Identifican fuentes de datos enriquecidas, las unen con otras fuentes de
datos potencialmente incompletas y limpian el conjunto resultante.
 Ayudan a los tomadores de decisiones a pasar del análisis ad hoc a una
conversación continua con datos.
 Son creativos al mostrar información visualmente al hacer los patrones que
encuentran claros y convincentes.
 Asesoran a ejecutivos y gerentes de producto.
 Diseñan sus propias herramientas e incluso realizar investigaciones de
estilo académico.
¿Cómo buscar científicos de datos?

 Preguntar a los candidatos si pueden desarrollar prototipos en un lenguaje

de programación convencional como Java.
 Enfoque de reclutamiento en el "sospechoso habitual" universidades
 Escanear la membresía de grupos de usuario dedicados a la ciencia de
datos. Los grupos de usuarios R (para una herramienta estadística de
código abierto favorecida por los científicos de datos) y los grupos de
interés de Python (para Piggies) son buenos lugares para comenzar.
 Buscar científicos de datos el LinkedIn
 Salir con científicos de datos en los estratos, estructura: ya que ellos
realizan reuniones informales
 Hacer amigos con quien haya recibido propuestas de big data
 Organiza una competencia en Kaggle o TopCoder, la analítica y la
codificación sitios de competencia. Ir a la par de Los participantes más
creativos.
 No te molestes con ningún candidato quien no puede codificar Habilidades
de codificación no tiene que estar en una clase mundial nivel, pero debería
ser lo suficientemente bueno como para arreglárselas. Busque evidencia
también de que los candidatos aprenden rápidamente sobre nuevos
tecnologías y métodos.
 Asegúrese de que un candidato pueda encontrar una historia en un
conjunto de datos y proporcionar una narración coherente sobre datos clave
visión. Prueba si él o ella pueden comunicarse con números, visualmente y
verbalmente
 Tenga cuidado con los candidatos que son demasiado alejado del negocio
mundo. Cuando preguntas cómo el trabajo puede aplicarse a su gestión
desafíos, ¿están atrapados por respuestas?
 Pregunte a los candidatos sobre su análisis o conocimiento favorito y cómo
mantienen sus habilidades agudo. ¿Han obtenido un certificado? en la pista
avanzada de Stanford curso en línea de Machine Learning, contribuido a
proyectos de código abierto, o construyó un repositorio en línea de código
para compartir (por ejemplo, ¿en GitHub)?