E73 - Onboarding para Data Scientists

Resumen

El episodio trata sobre cómo diseñar e implementar un proceso de onboarding (inducción) para Data Scientists. El presentador, con apoyo de Mati, argumenta que sin inducción aparece la "entropía" organizacional: deuda de conocimiento, ineficiencia, tareas irrelevantes y excusas del tipo "nadie me dijo". Se recomienda una duración de dos semanas (tres como máximo) y un contenido que cubre la organización (aspectos administrativos, políticas de datos y ciberseguridad, cultura) y la "trifuerza" de habilidades: negocio, analítica avanzada y programación. Se insiste en hacer preguntas, conocer los números del negocio, documentar, y en aprender git, Linux, nube, MLOps y el uso de CPU/RAM. La pieza central es "el desafío": un caso real con datos de la empresa, presentado ante seniors y gerentes, que entrega feedback en un entorno seguro. La conclusión es que se aprende más aplicando (modelo 70-20-10) y que diseñar una buena inducción es costoso pero más barato que no tenerla.

Capítulos

• 00:00
  IntroEl presentador abre solo porque sus compañeros están ausentes y presenta el tema: la inducción de un Data Scientist, que ha liderado en su empresa actual y en la anterior. Saluda a quienes participan por el chat de Twitch.
• 01:52
  Por qué es relevante?Usa la entropía como analogía: sin orden ni metodología todo se vuelve caótico, y la inducción reduce la "deuda de conocimiento", análoga a la deuda técnica. Evita el "nadie me dijo", mejora la eficiencia y la priorización. Recomienda dos semanas, hasta tres por los trámites de accesos y permisos. Mati cuenta su práctica sin inducción, donde en dos meses hizo algo que pudo hacerse en una semana.
• 14:12
  Elementos a considerarSe plantean dos bloques: conocimiento de la organización y metodología de desarrollo (lo práctico del día a día).
• 14:32
  La organización: administrativo, políticas, culturaLo administrativo (horarios, permisos, vacaciones, canales) debe estar documentado en una guía. Las políticas de gobierno del dato y ciberseguridad evitan, por ejemplo, subir bases con nombres de clientes a GPT, caer en phishing o instalar programas no autorizados. Se tratan los límites de responsabilidad, el riesgo de aceptar pedidos "por la ventana", la transparencia con el jefe directo y el uso de Trello (backlog, WIP, done) con responsable y fecha. Sobre la cultura: reuniones con retraso, descansos de 5 minutos entre reuniones, reuniones en horario de almuerzo, 45 horas laborales y la cultura real frente a la escrita.
• 37:48
  MemesPausa de memes. El primero critica seguir usando Jupyter Notebooks en producción y menciona Quarto como alternativa. Otro compara el código de ingeniería de software con el de ML (tests) y se comenta que las pruebas unitarias casi no existen en data science. El último, "somos una familia" frente a "estoy aquí por el dinero", deriva en una charla sobre el equilibrio entre sueldo y ambiente laboral.
• 47:32
  La trifuerzaPresenta las tres habilidades del Data Scientist: negocio, analítica y programación. En negocio se debe entender el problema, hacer preguntas y buscar alternativas simples antes de la "caja negra", sin dejar de lado el impacto. Mati dice que las formaciones enfatizan analítica y programación y descuidan el business mindset. Se insiste en validar que los números tengan sentido (por ejemplo, 1000 productos vendidos en un retail) y en que la programación de calidad es simple, fácil de modificar, traspasar y depurar.
• 56:15
  Business MindsetPara la inducción se recomienda hacer preguntas y escuchar activamente. También conocer los números relevantes de la empresa (ventas, clientes, fuente principal de ingresos) para priorizar, además de presentar con claridad (estilos de presentación, storytelling, orientar al público objetivo), entender la misión y las áreas de la organización y documentar el conocimiento generado. Se cita el ejemplo del vicepresidente que solo quiere saber si el proyecto funciona y cuál es su impacto.
• 01:04:41
  Advanced AnalyticsEn las dos semanas se repasan EDA, procesamiento (pandas, PySpark), modelos no supervisados y supervisados, métricas de performance (precision, recall) y explicación de variables (importancia de variables, SHAP values). Se espera un nivel mínimo y se identifican fortalezas y debilidades. Se advierte que la explicabilidad es donde más se falla porque se prefieren las redes neuronales.
• 01:07:52
  Hacking SkillsLos perfiles son variados y programar es lo que más les cuesta, porque en la universidad usan notebooks ya configurados. Se enseñan patrones de diseño (flujo de datos entre scripts), MLOps, trabajo en la nube y Linux (terminal, nano, alias, bashrc). También CPU y RAM (Python corre en un solo hilo, así que más núcleos no aceleran), paralelismo, control de versiones con git (commits, ramas, conflictos) y las herramientas de la empresa. Se entrega una guía con referencias y se espera autogestión del aprendizaje; Mati recalca que la inducción cubre lo mínimo, no la profundidad.
• 01:16:42
  El desafíoEs un proyecto real con datos de la empresa (no el Titanic), por ejemplo reducir la fuga de clientes, con guía y diccionario de datos, que se hace en dos semanas. Se observa si la persona hace preguntas de negocio. Se presenta en unos 20 minutos ante seniors y gerentes y se revisa el código y los commits. Se aplica el modelo 70-20-10 y se da feedback en una "zona segura". Se evalúa el uso de métricas, el caso de negocio y la presentación.
• 01:27:07
  CierreMati destaca que el desafío es clave y costoso de diseñar, y que no se debe subestimar el esfuerzo de una buena inducción. Sin inducción se aprende sobre la marcha y sale más caro, y quien la lidera debe luchar contra el "Olimpo" que la ignora. El presentador recuerda que el programa va los martes de 7 a 9 y comparte Discord y YouTube.

Palabras clave