3 habilidades que debe tener un “Data scientist”

Antes que todo, aclaro que el título “Data scientist” suena mejor que “Científico de la información” y lo voy a seguir usando de esa manera.

Según Pete Skomoroch, LinkedIn senior research scientist, hay 3 habilidades principales que debe tener todo Data Scientist.

La primer habilidad, como es de esperarse, es con respecto a las estadísticas, matemáticas, algoritmos y aprendizaje de computación.  Según Skomoroch se debe tener fuertes conocimientos en esas areas para poder extraer las señales que los datos nos están brindando.

La segunda habilidad es que se debería tener conocimientos de software de código abierto y buen uso de estas herramientas. Hadoop, Java y Python  son algunas de las herramientas y debe saber como codificar en cada una de ellas.

El tercer conjunto de habilidades se refiere a poder llegar a mostrarle la información a las personas. Eso implica tener buen manejo de la visualización de la información. Esto bien puede ser con la utilización de APIs e integrarlas con diferentes servicios para cruzar información.

Y algo que menciona Skomoroch, que en mi opinión es muy importante, es  tener habilidad para ver adonde la información puede generar valor y trabajar con diferentes equipos de la empresa para la creación de nuevos productos.

Links de interés:

Pete Skomoroch en LinkedIN

Pete Skomoroch en Twitter

Strata Conference O’reilly

Comic: Un amigo de verdad

Amigos en Facebook?

Amigos en Twitter?

Amigos en LinkedIN?

No, amigos de verdad. No perdamos ese concepto.

En una entrevista laboral no hay Ctrl + Z

Una vez que ingresas a esa oficina donde el entrevistador te va a sacudir con preguntas, tenés que estar preparado para todo.  Muchos de ellos dejan que hables y otros simplemente te hacen preguntas sin parar. Pero al final, lo que más importa es tu actitud y lo que dijiste ahi adentro.

No hay Ctrl-Z. No se puede volver atrás. Suena dramático, y lo pongo así porque sinceramente lo es. Lo que menciones durante la entrevista de trabajo, serán tus últimas palabras.

Voy a repasar 3  puntos importantes para los cuales hay que estar preparado.

Read more

Cuando Long Tail no es Long Tail

A la hora de analizar miles o millones de Keywords provenientes de los buscadores lo mejor es agruparlas y considerarlas como un segmento personalizado.  El típico segmento personalizado es el de “branding” donde se agrupan las palabras clave relacionadas con el dominio o marca de la empresa.

Al definir X cantidad de segmentos, siempre va a haber keywords que sobran, llegando a ser a veces centenares, miles o millones.  Muchos suelen agrupar estas palabras clave sobrantes como “Long Tail“, pero hay aspectos a tener en cuenta.

Con el tiempo, dentro del segmento Long Tail puede llegar a haber un grupo de keywords que día a día vaya creciendo y no lo estemos notando. Es importante que analicemos periódicamente la long tail o bien analicemos el portal en base a encontrar nuevos segmentos personalizados.

Entonces, mi sugerencia es que consideremos a la Long Tail como algo cambiante porque podemos encontrar un grupo de palabras claves interesantes que nos pueden ayudar a tomar decisiones y desarrollar campañas de marketing de mayor enfoque para mejores resultados.

Links relacionados:

Recomendaciones de segmentación en Google Analytics por parte de Avinash Kaushik