Buscas tu primer empleo de Data Scientist?

Foto de Clem Onojeghuo

Desde junio de 2020 cada semana trato de tener una conversación con personas desconocidas que me contactan para charlar conmigo sobre distintos temas relacionados con el mundo de los datos. La mayoría de las charlas son con perfiles junior que no tienen claro cómo empezar/formarse o que quieren empezar/hacer la transición a un puesto de Ciencia de datos.

Estas conversaciones me aportan mucho pero sobre todo me han ayudado a ser más sensible a la distinta velocidad a la que va el mercado de Data Scientists según la experiencia del candidato. Según testimonios sacados de estas conversaciones, y de otras mantenidas con gente de mi red, entre los años 2015 y 2019 un Data Scientist sin apenas experiencia lograba encontrar y aterrizar en posiciones abiertas sin mucha dificultad. A partir de ese año empiezo a observar que el proceso de entrar a un primer empleo comienza a ser algo más difícil. Esto se debe principalmente a la proliferación de formaciones en Data Science que han dado lugar a una bolsa grande de aspirantes que compiten de manera intensa por su primera posición.

Así, en 2022 nos encontramos en una situación en la que los candidatos noveles a posiciones de Data Scientist no encuentran empleo tan rápidamente como esperaban. Desde las escuelas de formación se bombardea a los alumnos (clientes) con cifras sobre la falta de perfiles de datos y los altos sueldos que se ganan en el oficio. Esto es cierto, pero sólo en parte, ya que esa falta de perfiles actualmente se refiere a perfiles con cierta experiencia (sobre todo en cuanto a poner soluciones en producción y con impacto en el negocio) o perfiles muy especializados (expertos en NLP, bioestadística o Computer Vision)

No eres tú, es el mercado.

En muchas de esas conversaciones hablamos de esa frustración que provoca este desencuentro entre las expectativas del candidato y su experiencia en el proceso de búsqueda de empleo. Una de los primeros mensajes que envío es el mismo que he desarrollado en los parrafos anteriores: no eres tú, es el mercado. Creo que es importante que la persona entienda que pese a los cantos de sirena de abundancia de empleo y sueldo para estos perfiles, le toca competir con muchos otros en su misma situación y que no es tanto una cuestión de si valgo/no valgo para este trabajo.

Y a partir de entender esta realidad el siguiente paso que aconsejo en esa situación es construir una estrategia. A lo que me refiero es que esa búsqueda de primer empleo puedes orientarla de determinadas maneras. Una estrategia puede ser aplicar a todo lo que lleve el título relacionado con Data Science. Una estrategia alternativa puede ser optimizar tu búsqueda aplicando únicamente a aquello que creas que mejor se ajusta a tu perfil y expectativas.

Aplicar a todos los puestos de Data Scientist puede no ser tu estrategia óptima

La mayoría de las personas con las que hablo siguen la estrategia de disparar a todo lo que se mueve. No tiene porque ser mala estrategia a corto plazo, pero si no te funciona rápido puedes acabar sepultado en pruebas técnicas y procesos eternos con todo el estrés que conlleva. Creo que es importante que los candidatos se enfrenten al proceso de búsqueda con una estrategia explícita y de esa manera poder evaluarla y ajustarla a las valoraciones que reciban. Una estrategia tipo que suelo plantear, a modo de ejemplo es la siguiente:

  1. Análisis de fortalezas/debilidades El primer paso es muy evidente pero no todo el mundo lo hace. Quizás lo más importante sea dedicar cierta reflexión de las condiciones iniciales de las que se parte. Si su formación/experiencia es Ciencias Sociales (hello my fellow economists) posiblemente sea razonablemente fuerte en análisis de datos, pensamiento analítico, modelización, estadística y causalidad. Para aquellos candidatos que vienen de carreras más técnicas/posiciones de ingeniería es muy posible que su fuerte sea conocimiento de algoritmos, computación, eficiencia de código, buenas prácticas en desarrollo de software y conocimientos de tecnología. Simplificando mucho entre estos dos tipos de perfiles podríamos asumir en términos generales que las fortalezas de uno son las debilidades del otro, aunque lo cierto es que cada persona tiene que hacer este análisis de manera cruda sobre su propio perfil. Y cuando digo cruda me refiero a que si has dado una clase de SQL, una introducción a la estadística o un modulo de Deep Learning no te puedes considerar experto en esas herramientas.

  2. Búsqueda de posiciones que mejor se ajusten a tus fortalezas/debilidades Una vez tengas claras las capacidades/carencias que tienes, toca identificar las oportunidades laborales. Aquí lo primero a tener en cuenta es que Data Science es un término paraguas . Esto significa que la gente cuando dice Data Science se refiere a a multitud de posiciones y además su significado no es estándar. Dentro de Data Science puedes encontrar puestos cercanos a Data Engineer, Data Analyst, ML Engineer, DataOps y cada empresa tiene su propia definición. Una manera de maximizar tu probabilidad de encontrar un primer puesto es orientarte hacia aquellos que más se ajustan a tus habilidades. ¿Suena razonable, no? La mala noticia es que, además de no diferenciar en el nombre la posición, las descripciones de las ofertas en Data Science parecen haber sido fotocopiadas unas de otras. Aunque haya poca señal en la descripción, el aspirante siempre puede minar algo de información y lo mismo ocurre durante las primeras etapas del proceso. En esas primeras entrevistas con RRHH o la persona responsable del proceso, hay que ser muy proactivo en tratar de discernir qué tipo de funciones está la empresa tratando de cubrir. En esta búsqueda de posiciones hay que considerar que, si nuestro objetivo es acabar alcanzando una posición de Data Scientist, podemos llegar a ese puesto pasando primero por una posición cercana. Así suelo recomendar a la gente con formación y experiencia menos técnica que intenten primero encontrar posiciones de Data Analysts o posiciones tituladas de Data Science pero con más contenido de Analítica de datos. Como Data Analyst es muy probable que estes mucho menos expuesto a problemas ingenieriles pero vas a estar mucho más pegado al negocio lo cual puede ser una experiencia fundamental en él exito de tu carrera en el mundo de los datos. Los perfiles más ingenieriles pueden comenzar como Data Engineers y esto les va a permitir ganar mucha autonomía en la preparación del dato para futuros proyectos de Ciencia de Datos. Lo que quiero decir es que dar un rodeo puede ser una buena manera de alcanzar el objetivo y que además puede suponer una experiencia muy enriquecedora para los candidatos, así que es una opción a tener en cuenta en la estrategia. Además una vez que estás dentro es posible que surjan oportunidades para que participes en proyectos de los que te apetece hacer.

  3. Exhibición de tus habilidades en el proceso de selección y autocrítica Por último, una vez ya en el proceso de selección hay que saber demostrar tus fortalezas. Así ante una prueba o entrevista técnica los perfiles más analíticos deberían demostrar sus habilidades en pensamiento crítico, visualización de datos y cómo hacer útil el análisis para el negocio. Para ser más concreto, de este tipo de perfiles me espero que trabajen muy bien el dato que se les pase haga un EDA exhaustivo, identifiquen problemas en la calidad del dato y hagan una buena discusión acerca de los valores faltantes y atípicos. Por su parte los perfiles más técnicos deberán demostrar su capacidad para desarrollar librerías que puedan ser reutilizables por otros DS o en otros proyectos, aplicando buenas prácticas en el desarrollo del software y teniendo en cuenta temas como la complejidad computacional y la eficiencia del código.

Con este ejemplo de estrategia lo único que pretendo es indicar a los candidatos que es importante que analicen sus condiciones, las soluciones que han intentado y no han funcionado y que replanteen sus objetivos . Vamos, nada que no esté ya inventado. A lo largo de mi carrera he aplicado estrategias diferentes. Así cuando hice la transición del mundo académico a la industria mis primeros intentos consistían en tirar a todo lo que se movía. Mi estrategia buscaba aprender cómo eran los procesos de selección y qué solían buscar las empresas. En el camino coseché sonoros rechazos en empresas en las que me hubiera encantado trabajar, pero creo que en todos los procesos aprendí algo que me ayudó a mejorar en siguientes oportunidades. Según voy desenmascarando mis carencias en el propio puesto de trabajo busco nuevas posiciones que me permiten crecer en aquellos aspectos en los que tengo maś recorrido.

“Goals are for Losers” - Scott Adams.

Al final, como dice Scott Adams es mejor tener sistemas a ponerse objetivos, y mi sistema consiste en exponerme a trabajos y funciones que no se hacer todavía y que me resultan estimulantes. Si todavía no has logrado conseguir tu primer empleo de DS espero que estas reflexiones te sirvan para no desesperar y para darle una pensada a tu proceso de búsqueda.

Avatar
Pelayo Arbués
Head of Data Science

My research interests include Urban Economics, Spatial Data Science and Real Estate Valuation Models.