E81 - Cómo hacer una evaluación de OKR y competencias a los DS

Resumen

En este episodio (E81) Cristian, Rodrigo y Matías conversan sobre cómo se evalúa a un Data Scientist o a un equipo de datos en las evaluaciones anuales o semestrales de una empresa. Separan la evaluación formal de la empresa del feedback continuo que debe dar cada líder semana a semana. Revisan los dos componentes de una evaluación: los objetivos (OKR) y las competencias. Discuten la dificultad de definir objetivos medibles en un área de datos, que muchas veces actúa como habilitador y tiene una fase de investigación incierta. Para las competencias presentan cuatro dimensiones (cliente, equipo, calidad y adaptabilidad), con la iniciativa como eje transversal, evaluadas en tres niveles: insuficiente, esperado y excepcional. Concluyen que el feedback debe ser continuo y oportuno, que las competencias son más objetivas que los OKR, y que lo ideal es mezclar objetivos concretos de tareas con indicadores generales de negocio.

Capítulos

• 00:00
  IntroPresentan el tema: cómo evaluar a un Data Scientist y qué métricas usan las empresas. Cristian cuenta que antes odiaba las evaluaciones anuales por falta de liderazgo y de objetivos claros, y que ahora, desde el otro lado, les ve sentido.
• 02:46
  Por qué evaluamos?Distinguen la evaluación formal anual de la que el líder hace semana a semana con su equipo; la empresa necesita un estándar para promociones y ajustes, pero el líder debe dar feedback frecuente. Uno de los participantes critica sobre todo los instrumentos de evaluación, que no consideran las distintas velocidades de cada rol, y todos coinciden en que dar feedback una vez al año es difícil de accionar porque los objetivos cambian durante el año.
• 11:22
  Componentes de una evaluaciónSe evalúan dos cosas: objetivos y competencias. Anuncian la agenda: objetivos, aplicación a un Data Scientist y competencias.
• 12:03
  Objetivos y OKRsLa empresa debe generar valor (ventas, menos costos, mejor experiencia) y los objetivos caen en cascada desde la estrategia a gerencias, áreas y personas. Los KR deben ser específicos y medibles (formato SMART); aclaran que el valor no es solo ingreso económico, y que los productos analíticos deben pensarse para su uso y productivización.
• 23:02
  Aplicación a un Data ScientistEn Data Science es difícil fijar objetivos porque hay una fase de investigación con hipótesis que puede fracasar; se proponen entregables por etapa (caso analítico, caso de negocio, prueba de concepto, métrica como F1) y se discute que el área es habilitador y su impacto es difícil de medir (A/B testing, grupos de control). Recomiendan documentar lo hecho como evidencia y valorar también los análisis fallidos; debaten qué hacer cuando una consultora prometió un nivel de error inalcanzable, con la transparencia como consejo central.
• 46:13
  MemesSección de memes: el programadores chile de Facebook, un meme de "hagamos un OKR para hacer menos OKR", un chiste del cero absoluto y comentarios sobre el project manager. Además comentan que los OKR se pueden aprovechar para incluir actividades que a uno le interesan (por ejemplo IA generativa) si se alinean con la empresa.
• 53:18
  CompetenciasLas competencias miden el comportamiento profesional del día a día con tres niveles: insuficiente, esperado y excepcional; esperado es cumplir la pega al 100% y no se puede ser excepcional en todo. Debaten que el excepcional debe tener ejemplos concretos y que un jefe que no sabe dar uno está evaluando mal.
• 59:06
  ClienteDimensión del cliente interno: escucha activa, priorizar tareas que aportan valor y comunicar con claridad a personas no técnicas. Ejemplo de excepcional: un DS que identificó una oportunidad con LLM, consiguió datos y API y construyó una demo.
• 01:03:57
  EquipoLo esperado es participar activamente, dialogar y comprometerse; insuficiente es la pasividad y evitar conflictos; excepcional es liderar la mesa y gestionar conflictos. La iniciativa y asumir ownership son transversales, y el insuficiente debe ir respaldado por feedback previo con ejemplos concretos.
• 01:10:50
  CalidadEsperado: usar la metodología del equipo y mantenerse actualizado; insuficiente: ser porfiado y saltarse los procedimientos; excepcional: ser un referente que enseña y eleva al resto del equipo. Comentan que la evaluación suele ocurrir en marzo en algunas empresas.
• 01:16:23
  AdaptabilidadLos objetivos cambian y las tareas con ellos, por lo que hay que ser flexible; a los Data Scientists suele costarles menos por estar acostumbrados a nuevas herramientas. Excepcional es aprender de los errores: Cristian cuenta cómo aprendió a hacer presentaciones tras una mala presentación a una subgerente.
• 01:21:05
  CierreRecomiendan conocer los objetivos de la empresa y área y conectarlos con los personales. Matías valora las competencias como objetivas y prefiere una mezcla de KR concretos y generales; todos insisten en el feedback continuo, y anuncian el próximo contenido y el Discord.

Palabras clave