Introducción a Business Analytics: cómo aprendí a aprender
Si está leyendo esto, probablemente ya haya leído la siguiente oración de McKinsey 10 veces: “Para 2018, solo Estados Unidos podría enfrentar una escasez de 140,000 a 190,000 personas con habilidades analíticas profundas, así como 1.5 millones de gerentes y analistas con el conocimientos técnicos para utilizar el análisis de macrodatos para tomar decisiones eficaces “. Estamos en 2017 y parece que una oferta de trabajo bien cargada está fácilmente a su alcance cuando ingresa en el Maestría en programa de análisis de negocios , hasta que comience a escribir códigos de Python y tenga dificultades para importar el conjunto de datos durante 15 minutos al comienzo de su clase de Introducción al análisis de negocios.
Esto fue lo que me sucedió, y es solo una simple representación de la serie de desafíos que enfrenta un estudiante de ciencias sociales cuando hace la transición a una carrera profesional en STEM. Las matemáticas son difíciles, los conceptos son abstractos y los códigos son solo serpientes molestas que se aprietan alrededor de tu cuello. Las personas que provienen de entornos STEM se sienten un poco aliviadas, pero dado que la ciencia de datos es un campo tan nuevo, el conocimiento que aprendieron en el pasado se agota rápidamente. Incluso para aquellos que tienen conocimientos técnicos, la parte de interpretación y comunicación sigue siendo un mundo nuevo. Después de todo, el papel de un científico de datos comerciales no se trata solo de extraer datos y crear gráficos. Se trata más de dar sentido a los datos, extraer información de ellos y, finalmente, ayudar a otros a comprender y utilizar los resultados para generar un impacto comercial valioso.
La naturaleza de vanguardia de este campo requiere, por tanto, una habilidad crítica: el autoaprendizaje. Creo que la habilidad más importante para la que me ha estado capacitando el programa MS in Business Analytics es aprender a aprender. La respuesta más frecuente que nos dio la profesora Vilma Todri, ex científica de datos de Google y nuestra profesora de la clase de Introducción a Business Analytics, es “simplemente búscalo en Google”. De hecho, esto es mucho más difícil en la práctica y mucho más valioso de lo que parece. Hay mucha información disponible en los manuales de idiomas, las publicaciones de desbordamiento de pilas y los blogs geek, pero se necesita inteligencia y experiencia para hacer la pregunta correcta para encontrar la respuesta más precisa de la manera más oportuna. En pocas palabras, lo que hicimos en la clase de Introducción a Business Analytics fue aprender muchos conceptos y algoritmos, ver cómo funcionan en la práctica y usarlos en proyectos prácticos. Los ciclos de limpieza de datos, modelado, depuración, dar sentido a los resultados y optimizar el rendimiento se mezclan con alegría, frustración e histeria. Por lo tanto, es una gran suerte para mí tener un grupo de hermanos y hermanas para discutir conceptos extraños, luchar por diferentes algoritmos y aceptar los desafíos juntos. Es aún más afortunado para nosotros tener un grupo de profesores y personal atento, que siempre son generosos y pacientes al brindar orientación, así como donas y galletas calientes después de exámenes y presentaciones.
Para finalizar este blog con información concreta sobre nuestro trabajo de curso, hemos aprendido sobre árboles de decisión, k-NN, regresiones, agrupación de k-medias y búsqueda en cuadrícula (“¡solo búscalo en Google!”). Hemos utilizado Python, R y RapidMiner para realizar la minería de datos para conjuntos de datos cuyos tamaños van de 300 a 800 000 filas. Los temas de nuestro proyecto final incluyeron la clasificación de clientes valiosos para campañas de marketing, descubrir el factor más importante en las coincidencias exitosas de citas rápidas y predecir si la autobiografía de un miembro de la clase sería un éxito en Amazon. Después de completar nuestra clase de Introducción a Business Analytics, ahora estamos equipados con herramientas técnicas esenciales, conceptos teóricos y habilidades prácticas de comunicación para convertirnos en científicos de datos comerciales exitosos. Estamos entusiasmados de profundizar más en el aprendizaje automático, los macrodatos, la visualización de datos y el análisis de redes sociales durante el resto del semestre.