Becoming a Data Head

Pensé que me iba a gustar el libro Becoming a Data Head y ha superado las expectativas con creces.

Los autores introducen el mundo de los proyectos basados en datos de una manera sencilla y amigable con muchísimos ejemplos clarificadores que ayudan a entender que los datos son importantes, pueden ser muy útiles pero también son complejos.

A lo largo de 4 partes diferenciadas introducen las bases de la ciencia de datos, pasando por fundamentos de probabilidad y estadística (¡sin una sóla ecuación matemática!) y llegando a los modelos de Machine Learning clásicos.

Creo que es un libro ideal para alguien que quiera iniciarse en la ciencia de datos sin background ténico porque da una visión global y sencilla de todo el ecosistema.

Además, la cantidad de ejemplos cotidianos que propone consigue un libro divertido, accesible y sumamente legible.

Tal vez sea porque las razones que tuvieron los autores para escribir Becoming a Data Head sean las mismas que las que tuve yo al empezar con el podcast (y después de leer el libro considere que nos llevaríamos genial 😅) pero creo que es un libro ideal para aprender a:

• Pensar de manera estadística y comprender el papel que juega la variación en tu vida y en la toma de decisiones.
• Hablar con propiedad y hacer las preguntas correctas sobre las estadísticas y resultados que te encuentres en el trabajo.
• Entender realmente qué sucede con el aprendizaje automático, análisis de texto, aprendizaje profundo e inteligencia artificial.
• Evitar las trampas comunes al trabajar con e interpretar datos.

Se habla de los datos como de la tierra prometida pero aún hay una alta tasa de fracaso de los proyectos de ciencia de datos.

• Los datos son complejos → Hay incertidumbre en todo lo que observamos.

Además, este alto porcentaje de proyectos fallidos está provocado por un círculo vicioso que se da en muchas empresas data-driven:

1. Empresas quieren solucionar sus problemas gracias a la ciencia de datos sin estar preparadas (tal vez ni siquiera tengan los datos...)
2. Gente que toma las decisiones en las empresas (y en general) utilizando términos técnicos sin realmente llegar a entenderlos → Fallos de comunicación.
3. Proyectos bloqueados 🚧
4. Presupuestos malgastados 💸

Revisemos cómo hemos llegado hasta aquí...

En los años 2000, las empresas se entusiasmaron con el potencial de los datos y el análisis para transformar sus negocios.

A principios de los años 2010, el interés se desplazó hacia el "big data" lo que llevó a la creación de los "científico de datos".

Sin embargo, hacia 2015-2018, el enfoque cambió nuevamente hacia la inteligencia artificial, dando paso al aprendizaje automático.

Becoming a Data Head desafía muchas suposiciones sobre datos en las organizaciones, abordando tendencias que han llevado a direcciones improductivas.

1. El análisis de datos, big data y la Inteligencia Artificial no son fenómenos totalmente diferentes e independientes: Se utilizan técnicas comunes como el análisis de regresión y la visualización de datos en todos ellos. La analítica predictiva es básicamente lo mismo que el aprendizaje automático supervisado. Un buen especialista en datos puede trabajar eficazmente en las tres áreas, y centrarse demasiado en sus diferencias no es productivo.
2. Los científicos de datos no son los únicos que pueden trabajar en este campo
3. Los científicos de datos no son unicornios que lo pueden hacer todo 🦄
4. No se necesita ser un cerebrito para poder entender el análisis de datos y los modelos de Machine Learning: Aunque todo ayuda, lo importante es la capacidad y la curiosidad para hacer buenas preguntas y establecer conexiones entre los problemas comerciales y los resultados cuantitativos.
5. Nunca es demasiado tarde para aprender sobre datos y análisis, independientemente de tu formación previa.

Todos los capítulos de este libro

A continuación encontrarás un resumen de los capítulos del libro.

Parte I. Piensa como un data head

Parte II. Habla como un data head

Parte III. Las herramientas de un científico de datos