E67 - Daniel Fischer: Cómo liderar equipos de Data Science y participar en comunidades

Resumen

En este episodio de enCoders, los conductores entrevistan a Daniel Fischer, quien fue su jefe y mentor en Cuprum y Entel, y hoy lidera el área de Data Science de Anasac, un grupo agroindustrial presente en varios países de Latinoamérica. Daniel cuenta cómo está armando un equipo de datos desde cero: parte por la ingeniería de datos (Data Warehouse, ETL, gobierno del dato) y mantiene una proporción de dos a tres ingenieros de datos por Data Scientist. Defiende que el valor de analítica avanzada se demuestra con resultados económicos concretos, y que la estandarización (templates, contenedores, librerías compartidas) es clave para que un equipo funcione y perdure. Repasa su trayectoria: desde macros en Excel y el paso a R, hasta la consultoría, con sus pros y contras. Describe tres etapas de carrera (hacedor, integrador, comunicador). Recomienda construir un portafolio respondiendo preguntas propias con datos, y participar en comunidades como la de R y su blog Geekosas.

Capítulos

• 00:00
  IntroPresentación del episodio 67 y de Daniel Fischer como mentor de los tres conductores. Charla informal sobre configuración de cámaras, la clase de salsa de Rodo y su enfoque "físico" para explicarla.
• 04:36
  Cómo conocimos a DanielCristián relata cómo Daniel lo entrevistó en un Starbucks hace unos 7 años para trabajar en Cuprum (con cuatro cafés de por medio). Destaca que ahí aprendió R aplicado, automatización y manejo de servidores, y el consejo de dejar de acumular cursos y hacer un portafolio.
• 07:54
  Intro de DanielDaniel agradece la invitación y dice que los tres son de los mejores profesionales que conoce. Cuenta que hoy está a cargo de Data Science en Anasac (Chile, Argentina, Perú, Colombia, México), una empresa agro con muchas oportunidades; partieron de cero con Data Warehouse y capa semántica, y ya tienen unos 600 procesos ETL diarios y tres plataformas de datos. Había sido docente en la Universidad de los Andes y activo en la comunidad de R.
• 12:12
  Cómo formar un equipoRelación habitual de 2 a 3 ingenieros de datos por Data Scientist; hoy son cuatro personas, dos en proyectos de Data Science. Menciona un área de soporte (unos 300 usuarios entre Power BI, Snowflake y Analysis Services) y que los practicantes requieren proyectos muy acotados y tiempo de acompañamiento.
• 14:37
  Por dónde empezar. Datos o caso de usoEs el dilema de la gallina y el huevo: la analítica avanzada justifica su existencia porque genera dinero, pero necesita datos. Toda empresa ya tiene datos en algún nivel; conviene partir con el Data Warehouse y, en paralelo, buscar casos de uso para demostrar valor.
• 17:13
  Aplicaciones de DS en agriculturaEjemplo de raleo de fruta con cámaras y conteo por imágenes (línea "Big Fruit"), un modelo de optimización de producción de agroquímicos (evitar contaminación cruzada, inventario y varianza de demanda) y un orquestador casero basado en logs (en lugar de Airflow) con reintentos para extracciones de SAP. Responde sobre MLOps: todo en contenedores y evitar lenguajes sin debug como SQL; usan R, Julia y Python, y un template de proyecto estándar con Docker y documentación.
• 24:51
  Está validado el valor de los datos?Discusión sobre si hace falta justificar el valor de los datos. Daniel dice que nada convence más a la gerencia que mostrar cifras: una decisión de unos 1000 millones de pesos mejorada en 3% son 30 millones. Distingue proyectos de ingeniería de datos (difíciles de medir, se mide por usuarios) de los de analítica avanzada (fáciles de medir).
• 27:46
  Aprendizaje y evolución en tu experiencia laboralDaniel parte en 2010 cuando se llamaba Data Mining; automatiza un "panel" de macros en Excel que fallaba a diario. Compara Java, Matlab, Octave, Python y R, y elige R. Pasa por Virgin (segmentaciones, Markov, proyección de fuga), Cuprum (primera jefatura, con Cristián a cargo) y Entel.
• 38:24
  Estandarización y creación de un ambiente de trabajoEn Entel se armaron labs, git, un template de analytics y una librería compartida con funciones. Los conductores subrayan que esa cultura nació desde abajo, por motivación del equipo, y que sin ese esfuerzo la entropía gana: el código se llena de parches y quien llega nuevo solo "le pone play".
• 44:00
  Recomendarías pasar por consultoría?Daniel pasó por Metric Arts (luego adquirida por UAI) como gerente de analytics. Aporta conocimiento de muchos proyectos, pero es sacrificado: horas presupuestadas ajustadas, ventas paralelas y poco traspaso al cliente. Es un buen impulso inicial para aprender, pero cuesta el balance de vida; el conocimiento profundo se desarrolla dentro de la empresa.
• 51:02
  MemesMemes sobre entrevistas técnicas y revisión de código, participar en demasiadas comunidades, Excel como base de datos, capa semántica conectada a tablas dinámicas, jerarquía de la consultoría y vida de consultor. También critican las planillas vinculadas y valoran el pipe de R por legibilidad.
• 01:02:16
  Qué opciones de hacer carrera hayDaniel describe tres etapas: hacedor (aprender haciendo en el mundo real), integrador (gestionar y mentorear equipos, definir cómo trabajar) y comunicador (articular áreas, traer proyectos, convencer a la gerencia). Recomienda pulir las habilidades de comunicación desde temprano. Anécdotas sobre encuestas en Excel que los usuarios lograron romper.
• 01:10:43
  ShinyShiny permite programar páginas web en R con funciones reactivas, similar a una planilla. Daniel lo combina con ShinyProxy y Nginx (HTTPS y autenticación por Active Directory, todo gratuito, un contenedor por usuario) para prototipos; cuando el proyecto crece, suele pasar a un desarrollador web con Flask o Django. Luego bromean sobre su apellido (significa "pescador" en alemán).
• 01:15:03
  Recursos de DanielSu blog Geekosas fue su portafolio; un artículo sobre la transferencia de votos entre vueltas electorales tuvo mucho tráfico y le abrió charlas y clases universitarias. La comunidad de R le sirvió para conseguir trabajos y contrataciones; cuenta que quedó algo apagada tras la pandemia por el formato en streaming.
• 01:21:31
  Recomendaciones similares a kaggleSu consejo es hacerse preguntas propias y responderlas con datos. Ejemplo: analizó si los videojuegos eran peores comparando notas de usuarios y críticos de Metacritic mediante web scraping.
• 01:23:58
  CierreAgradecimientos, invitación de Daniel a escribirle por LinkedIn con dudas de portafolio y reflexión sobre el valor de tener un mentor. Anuncian el raid a otro canal (Chrono) y recuerdan Discord y YouTube.

Palabras clave