E45 - Knowledge Transfer y educación de temas técnicos

Resumen

El episodio abre con una larga sesión de preguntas del chat: cursos y bootcamps, si un magíster sube el sueldo, rangos salariales en Chile, normalización de direcciones, grandes volúmenes de datos (Spark, Glue, Snowflake) y cómo buscar trabajo tras un tiempo cesante. El tema central es la transferencia de conocimiento (knowledge transfer) al traspasar proyectos técnicos, algo que casi siempre se hace mal. Se defiende que el código limpio (reutilizable, modular y fácil de entender) es la base de un buen traspaso. También se propone que el traspaso sea paulatino y colaborativo, con un respaldo (backup) del proyecto que se pruebe periódicamente. Se repasan los cinco principios SOLID y se concluye que son útiles como lineamientos, pero no siempre aplicables en ciencia de datos, donde se usan menos clases. Hacia el final se discute la tensión entre la presión del negocio por entregar rápido y las buenas prácticas.

Capítulos

• 00:00
  Intro y preguntasSesión de preguntas del chat. Recomiendan el bootcamp de TripleTen (9 meses en Data Science, unos 7 en Data Analyst) y cursos de Coursera. Un magíster casi no sube el sueldo, pero sirve para obligarse a estudiar y para armar red de contactos. Para normalizar direcciones sugieren la API de Google (cara), paquetes de R/Python o el método manual con diccionarios y expresiones regulares (regex101). Para grandes volúmenes mencionan Spark, AWS Glue y Snowflake. Dan rangos salariales aproximados en Chile y consejos para quien lleva tiempo cesante.
• 31:24
  Qué es knowledge Transfer y por qué es importante?Es el acto de transferir conocimiento, aquí aplicado al traspaso de proyectos y código cuando alguien deja un proyecto. Cuentan traspasos de mala calidad, como un cuaderno de pasos sin contexto. Una buena metodología evita perder lo hecho y tiempo.
• 35:33
  Calidad del códigoEl código limpio debe ser reutilizable, modular (como bloques de Lego) y fácil de entender, con buenos nombres de variables. Un proyecto analítico se descompone en cargar datos, procesar, unir, modelar, métricas y predicciones. También hablan del copy-paste de queries, de Excel frente a código y de la diversidad de profesiones en Data Science. Tratan los diplomados, el portafolio, los CRM como Salesforce y la obsolescencia de tecnologías (efecto Lindy).
• 59:48
  MemesProponen llamarlo "knowledge acquisition", porque el otro debe usar el proyecto para entenderlo. El traspaso debe ser paulatino y colaborativo. Describen la sesión de "backup" (el suplente recibe solo el repositorio y debe hacerlo funcionar, evaluado con rúbrica de 1 a 5). Comentan las malas prácticas por presión de tiempo y un proyecto heredado, desordenado y lento que terminó eliminado. Cierran con el rol de las redes de contacto en la búsqueda de empleo.
• 01:15:26
  Principios SOLIDRepasan los cinco principios: responsabilidad única, abierto/cerrado (parámetros opcionales para no romper lo existente), sustitución de Liskov, segregación de interfaces (ejemplo del murciélago y el dron) e inversión de dependencias. Dicen que son lineamientos y no la ley, con menos aplicación en Data Science. Destacan eliminar el código innecesario o comentado.
• 01:34:25
  DiscusiónComentan lo difícil de aplicar SOLID cuando se programa de forma funcional. Subrayan que los traspasos fallidos son comunes y que el tema debería tener más peso en las empresas. Debaten guardar scripts en una carpeta sandbox con commits frente a scripts sin nombre, y la presión por entregar números rápido y validar su plausibilidad.
• 01:42:28
  CierreInvitan a unirse al Discord, agradecen los follows y subs, y anuncian el próximo episodio el martes a las 7 (hora de Chile).

Palabras clave