¿Cuál es una mejor opción de carrera en el campo de la analítica y la ciencia de datos?

Depende de lo que le interese más, porque no debe subestimar la importancia de la pasión y la satisfacción laboral no solo ahora, sino en 3–4 años. Hágase lo siguiente y cualquier otra pregunta relevante (y piense realmente en la respuesta):

  • ¿Prefieres realmente profundizar en los detalles tanto que no solo domines el lado algorítmico, sino que disfrutes asegurando la calidad de los datos? ¿O prefiere administrar equipos de personas para lograr un resultado?
  • ¿Prefiere codificar, depurar y analizar datos por sí mismo? O, ¿prefiere administrar un conjunto de KPI de negocios y considerar cómo afectan el negocio de manera integral?
  • ¿Prefieres trabajar principalmente con personal técnico? ¿O también disfruta trabajar con personas no técnicas?
  • ¿Quieres ser juzgado por tus modelos y tu capacidad de modelado? O, ¿desea ser juzgado por su capacidad para facilitar y entregar información sobre el núcleo del negocio?
  • Finalmente, ¿desea un papel técnico en la hipotética empresa naciente en 3 o 4 años? ¿O quieres un puesto de negocios?

Responder estas preguntas lo ayudará a (a) crear un historial que será valorado por una startup o cualquier empresa, y (b) disfrutar de lo que está haciendo. En cualquier caso, siguiendo tu pasión, probablemente disfrutarás siendo el mejor a tu elección.

Pero, para responder a su pregunta desde otro punto de vista práctico, las startups funcionan de manera eficiente. Por lo tanto, es posible que pueda unirse a un inicio antes eligiendo la Opción 1, mientras que la Opción 2 puede ubicarlo mejor para un inicio en una etapa posterior, que ha solidificado su modelo de negocio inicial. Eso puede o no ser importante para usted, y ninguno de los dos es inherentemente mejor que el otro, ya que unirse a startups de Ground-0 puede sonar muy emocionante, pero unirse a startups de etapa posterior puede tener un ROI esperado más alto.

Y, para responder a su pregunta desde una perspectiva de opciones reales (es decir, si realizó las preguntas y simplemente no sabe), la Opción 1 puede tener un valor de opción más alto, porque a menudo es más fácil pasar de lo técnico a lo comercial.

De cualquier manera que elija, pase el tiempo para asegurarse de que es probable que sobresalga, y tendrá la respuesta a la pregunta de seguimiento a esta pregunta, que es cómo puedo tener éxito en dicho inicio hipotético.

Respuesta corta: opción 1.

Es difícil ser un buen gerente (opción 2) sin una comprensión sólida de lo que implica ser un contribuyente individual (opción 1).

Hacerlo por usted mismo es la mejor manera de obtener la capacidad de administrar bien la función. Es difícil para su equipo respetarlo si no comprende lo que está haciendo a un nivel bastante detallado. Esto no quiere decir que necesite ser mejor que todos los que lidera en cada detalle técnico, eso es imposible dada la rapidez con que evoluciona la ciencia de datos, pero es decir que necesita una comprensión bastante íntima de en qué consiste el trabajo para que pueda represente bien a su equipo ante otras partes de la organización.

No seas ese tipo que promete demasiado o poco porque te resulta difícil imaginar cómo es la entrega.

Sobre el tema de asumir roles muy visibles, eso es completamente inútil en una startup. En una startup, tenga la seguridad de que todo es muy visible . Elija valor real sobre ‘visibilidad’ cada vez.

Sugeriría comenzar con la Opción 1: construir e implementar los modelos de aprendizaje automático por su cuenta. Observe y ajuste los algoritmos a las necesidades del negocio. Una vez que las cosas estén en movimiento, eventualmente lo ascenderán con la opción 2, es decir, la oportunidad de monitorear, mejorar o agregar nuevos algoritmos de ML. Como gerente, se encontrará asesorando a otros profesionales de datos junior y delegándolos con la tarea de desarrollar o mejorar los modelos existentes, mientras desempeña un papel más activo en la gestión de la empresa.