Continuando con las entregas sobre el aprendizaje continuo como habilidad para la ciencia de datos (El aprendizaje continuo como habilidad para la ciencia de datos), esta semana está relacionado con cómo prepararse en el aprendizaje de herramientas de datos.
Parte 2 de 4: Aprendizaje continuo de las mejores herramientas de datos
Quien inicia en ciencia de datos puede sentirse abrumado por la cantidad de programas, conceptos y cursos disponibles. La salida no es intentar aprender todo, sino establecer una ruta basada lo que deseas hacer como científico de datos. Las herramientas son medios para comprender información y apoyar decisiones que resuelven problemas, si no, no sirven.
Ya hemos visto en otros artículos los distintos perfiles de científico de datos que pueden trabajarse (https://elmundo.cr/ciencia-de-datos/perfiles-del-cientifico-de-datos/), no todas las personas harán todo, si eso pasa es más excepción que la regla, ya que hoy en día (y se seguirá incrementando), las opciones y necesidades de especializaciones se incrementan día a día, por lo que deberás tener tu propia ruta de aprendizaje ya hacerla progresiva. Puedes iniciar hojas de cálculo para explorar y resumir y estas comenzando, luego pasarías a herramientas de transformación y bases de datos para integrar información de distintas fuentes. Si deseas continuar y especializarte en estadística de distintos niveles, con R o Python puedes automatizar procesos, realizar análisis estadísticos y trabajar de manera replicable gracias a la automatización que ellas permiten. Luego pasarías a la visualización para comunicar resultados a personas que deben tomar decisiones, ¿Dónde enfocarse? Dependerá de cada uno y su grado de especialización deseado, entre más profundices, más problemas relacionados al perfil podrás solventar, para lo cual debes aprender de forma constante.
Para aprender con eficacia y eficiencia conviene trabajar con ejercicios breves y completos. Por ejemplo: analizar atrasos de entregas, identificar productos con mayor variación de ventas o estudiar la asistencia a un curso. En cada caso debe formularse una pregunta, preparar los datos, obtener un resultado y explicarlo en palabras sencillas. Así se evita aprender funciones aisladas que luego resultan difíciles de aplicar por no tener claro que se desea lograr.
También es necesario aprender a verificar, donde cada análisis debe incluir controles: comparar totales con la fuente, revisar casos extremos, documentar cambios y pedir a otra persona que examine la lógica. Existen formas de trabajar problemas con datos que colocan a la comprensión del negocio, la preparación, el modelado, la evaluación y el despliegue como tareas relacionadas como los estándares de trabajo, que nada tiene que ver con una herramienta en particular.
Una práctica buena en este proceso es organizar sesiones semanales: estudiar, reproducir ejemplos, aplicarlos y registrar lo aprendido. Ese registro debe indicar qué problema se resolvió, qué errores aparecieron y cómo se corrigieron. Con el tiempo se convierte en un portafolio que demuestra capacidad para producir resultados, que documentan el aprendizaje práctico.
La meta no es convertirse rápidamente en especialista de todas las tecnologías. Es construir una base firme y ampliar las herramientas cuando el problema lo exija o profundizar en las ya conocidas para poder hacer más con ellas: ahorrar tiempo, elevar la calidad, descubrir una relación o explicar mejor una decisión. Cuando se aprende con propósito y enfoque, la tecnología deja de ser una barrera y se convierte en una aliada para generar valor con datos.
En la siguiente parte continuaremos con más de este tema.