Viajando a través del dominio de Google Analytics y Ciencia de Datos

Viajando por Google Analytics y Ciencia de Datos

Introducción

Conozca a Rishabh Dhingra, un profesional destacado que se destaca en Análisis y Ciencia de Datos en Google. Rishabh posee una amplia experiencia y pasión por utilizar los datos de manera efectiva. Impulsa la innovación a través de tecnologías avanzadas, extrayendo información valiosa y revolucionando la toma de decisiones basada en datos. El viaje de Rishabh en Google ha sido notable, transformando el campo de Analítica y Ciencia de Datos. Vamos a explorar sus logros y contribuciones que han impulsado el éxito de Google a nuevas alturas.

¡Aprendamos de Rishabh!

AV: ¿Puedes compartir tu trayectoria para convertirte en científico de datos en Google? ¿Qué pasos tomaste para llegar a donde estás hoy?

Sr. Rishabh: Comencé mi carrera como Consultor de BI en Thorogood Associates en 2011 y he trabajado en el campo de los Datos desde entonces. Por lo tanto, aprender lenguajes como SQL, Python, modelado de datos, habilidades de presentación y herramientas como Tableau son los primeros pasos necesarios en el viaje. Y luego, algunas personas comienzan profundizando en matemáticas y teoría y haciendo proyectos. Pero creo que hacerlo y luego entender los conceptos a medida que los aplico funciona mejor. Algunos pasos clave que me ayudaron:

  • Tomar cursos increíbles en plataformas como Analytics Vidhya
  • Identificar oportunidades en tu rol donde puedas aplicar habilidades de Ciencia de Datos
  • Hacer proyectos sobre algo que te apasione
  • Trabajar en estrecha colaboración con el negocio y aprender sobre el negocio
  • Compartir mi conocimiento con los demás, ya que me ayuda a comprender mejor los conceptos
  • Crear una red de contactos y aprender de los demás
  • Adquirir habilidades en tecnologías de Google Cloud

Habilidades para aspirantes a científicos de datos

AV: Como científico de datos exitoso, ¿qué habilidades son más importantes para los aspirantes a científicos de datos? ¿Cómo desarrollaste estas habilidades? 

****Sr. Rishabh:  Como científico de datos exitoso, creo que las habilidades más importantes para los aspirantes a científicos de datos son:

  • Habilidades técnicas: Esto incluye una sólida base matemática, estadística y de programación. Los científicos de datos deben ser capaces de recopilar, limpiar, analizar y visualizar datos. También deben estar familiarizados con técnicas de aprendizaje automático y aprendizaje profundo.
  • Habilidades para resolver problemas: Los científicos de datos deben ser capaces de identificar y resolver problemas utilizando datos. Deben pensar de manera crítica y creativa y encontrar soluciones nuevas e innovadoras.
  • Habilidades de comunicación: Los científicos de datos deben ser capaces de comunicar sus hallazgos tanto a audiencias técnicas como no técnicas. Deben ser capaces de explicar conceptos complejos de manera clara y concisa.
  • Habilidades de trabajo en equipo: Los científicos de datos a menudo trabajan en proyectos con otros científicos de datos, ingenieros y profesionales de negocios. Deben colaborar de manera efectiva y trabajar hacia un objetivo común.

Desarrollé estas habilidades tomando cursos, trabajando en proyectos personales, estableciendo contactos con otros científicos de datos y aprendiendo de sus experiencias.

Los aspirantes a científicos de datos deben evitar cometer errores

AV: ¿En qué deberían enfocarse los aspirantes a científicos de datos? ¿Qué errores deberían evitar?

****Sr. Rishabh:  Creo que estos son errores que los científicos de datos deben evitar:

  • No entender el problema empresarial. Los científicos de datos deben comprender el problema empresarial que están tratando de resolver antes de poder trabajar en los datos. Esto incluye comprender los objetivos del negocio, los datos disponibles y las limitaciones de los datos.
  • No limpiar los datos. Los datos sucios pueden llevar a resultados inexactos y engañosos. Los científicos de datos deben tomarse el tiempo para limpiar los datos antes de comenzar a trabajar con ellos. Esto incluye eliminar errores, valores atípicos y valores faltantes.
  • Usar las herramientas incorrectas. Hay muchas herramientas disponibles para la ciencia de datos. Los científicos de datos deben elegir las herramientas adecuadas para el trabajo. Esto incluye considerar el tamaño y la complejidad de los datos, los objetivos del proyecto y el presupuesto.
  • No comunicar los resultados. Los científicos de datos deben ser capaces de comunicar los resultados de su trabajo tanto a audiencias técnicas como no técnicas. Esto incluye explicar los métodos utilizados, los resultados obtenidos y las limitaciones del análisis.

AV: ¿Qué proyectos deberían seguir los estudiantes para fortalecer su comprensión de los conceptos?

****Sr. Rishabh: Mi sugerencia es llevar a cabo dos tipos de proyectos: uno que se alinee con tu negocio y con el que trabajes de cerca, esto podría implicar asumir proyectos desafiantes dentro de tu trabajo y tratar de agregar valor al negocio, lo cual te ayudaría a aprender en el trabajo y tener un impacto. Y el segundo tipo de proyecto sería tu proyecto personal. Por ejemplo, si te gusta el deporte, elige un conjunto de datos relacionados con este tema, desarrolla tu hipótesis y haz un proyecto al respecto.

El viaje de Rishabh

AV: ¿Qué desafíos únicos enfrentaste como Gerente de Ciencia de Datos y Analítica en Home Depot, y cómo los superaste?

****Sr. Rishabh: Realmente disfruté mi tiempo en Home Depot Canadá y tuve la suerte de enfrentar diversos desafíos en ciencia de datos. Una de las experiencias de aprendizaje que es muy subestimada, en mi opinión, es definir el problema empresarial y las métricas de éxito de los proyectos de ciencia de datos, y lograr la alineación con todas las partes interesadas es fundamental para el éxito del proyecto. Esto guiaría a todos antes de saltar a soluciones y construir cosas, analizando el problema empresarial y definiendo el éxito.

AV: Si pudieras elegir cualquier producto de Google para tener un suministro ilimitado por el resto de tu vida, ¿cuál sería y por qué?

****Sr. Rishabh: Youtube: Voy a Youtube para aprender cualquier cosa y encontrar respuestas a todas mis preguntas de “Cómo hacer”. Tiene tanto contenido e información disponible para aprender nuevas habilidades, ya sea en ML/AI o cómo cocinar ‘Biryani’ – todo está disponible en Youtube.

AV: ¿Cuáles son algunos de tus pasatiempos o intereses favoritos fuera del trabajo? ¿Cómo equilibras tu vida profesional con tus actividades?

****Sr. Rishabh: Me involucro en muchas cosas fuera del trabajo: escuchar podcasts y dirigir mi propio podcast ‘Inspired’, practicar deportes, especialmente cricket, ser instructor de análisis de datos y ciencia de datos, orientar a nuevos inmigrantes en Canadá, leer libros, administrar mi negocio secundario de decoración del hogar. Equilibrar todo esto con la vida profesional a veces se vuelve difícil, pero eso hace que la vida sea interesante y me mantiene en marcha.

Iniciativas analíticas a corto y largo plazo

AV: ¿Cómo equilibraste la necesidad de iniciativas analíticas a corto y largo plazo como Gerente de Análisis de Datos e Información en TD Insurance?

****Sr. Rishabh: Como líder, necesitas tener una visión a largo plazo y victorias a corto plazo que ayuden al negocio. Debes ser muy claro y comunicar la visión a largo plazo del viaje analítico a las partes interesadas y a tu equipo para que todos tengan claridad sobre cómo se verá el futuro y qué pasos debemos dar para alcanzarlo. Pero también debes aprovechar los momentos a corto plazo en los que puedes impactar al negocio utilizando análisis. Sin embargo, tus decisiones a corto plazo deben estar alineadas con tu visión a largo plazo. Sugiero identificar y aprovechar las oportunidades rápidas para tener un impacto que se alinee con la visión a largo plazo.

AV: ¿Qué tan importante es el aprendizaje continuo y la mejora de habilidades en ciencia de datos? ¿Cómo te mantienes actualizado con los últimos desarrollos y tecnologías en la industria?

Sr. Rishabh: El campo de la ciencia de datos está en constante cambio, con nuevas tecnologías y técnicas emergiendo todo el tiempo. Los científicos de datos deben aprender y mejorar constantemente para mantenerse a la vanguardia. Algunas formas en las que me mantengo actualizado sobre los últimos desarrollos en la industria son:

  • Escuchar varios podcasts
  • Realizar nuevos cursos
  • Proyectos personales
  • Networking

Pronóstico futuro

AV: ¿Hacia dónde crees que se dirige el futuro de la ciencia de datos en los próximos 5-10 años? ¿Qué metas esperas lograr en este campo durante ese tiempo?

****Sr. Rishabh:  Creo que el futuro estará en la IA; veremos la IA incorporada en todos los aspectos de nuestra vida. Habrá mucha demanda de desarrolladores/ingenieros de IA. Se desarrollarán nuevas técnicas de aprendizaje automático e IA para resolver problemas del mundo real y hacernos más productivos. Al igual que vemos cómo la IA Generativa nos está haciendo más productivos en estos días. Debes haber visto los anuncios que Google hizo en el evento I/O 2023 sobre las grandes características de IA que llegarán a los productos de Google y cómo nos harán más productivos. También creo que las herramientas y bibliotecas de ciencia de datos de código abierto seguirán creciendo continuamente. Mis metas en este campo serían encontrar problemas del mundo real donde podamos aplicar las nuevas técnicas de ML/AI y educar a otros sobre mis aprendizajes, e idealmente me gustaría entrar en la gestión de productos en ML/AI.

AV: ¿Qué consejo tienes para las empresas que buscan implementar una solución de inteligencia empresarial y análisis como Tableau y cuáles son algunos errores comunes a evitar durante el proceso de implementación?

****Sr. Rishabh: A continuación, te sugiero algunas cosas para las empresas que buscan implementar una solución de BI y análisis como Tableau:

  • Define tus metas y objetivos: ¿Qué deseas lograr con la solución de BI y análisis? ¿Cómo te ayudará a ti y al negocio? ¿Cuáles son tus criterios de éxito?
  • Evalúa tu entorno actual: ¿Qué datos tienes disponibles? ¿Cómo se almacenan? ¿Cómo están estructurados? ¿Cómo se integra la solución de BI y análisis en tu panorama tecnológico actual? ¿Se alinea esto con tu visión a largo plazo del panorama tecnológico general?
  • Ejecuta PoCs para evaluar diferentes soluciones y elige la solución adecuada: Es importante elegir una solución que sea adecuada para tus necesidades. Ejecuta PoC y evalúa diferentes herramientas en varios casos de uso críticos para tu negocio. Considera factores como tu presupuesto, metas y experiencia técnica.
  • Obtén el respaldo de las partes interesadas. Las soluciones de BI y análisis no son solo para TI. Deben ser utilizadas por personas en toda la organización. Asegúrate de obtener el respaldo de las partes interesadas en toda la organización antes de comenzar a implementar una solución.
  • Monitorea y evalúa tus resultados. Una vez que utilices una solución de BI y análisis, debes monitorear y evaluar tus resultados. Esto te ayudará a ver si la solución cumple tus metas y objetivos.

Recomendación de recursos

Personas que buscan una entrada/transición en Ciencia de Datos

Libros

  • Data Science from Scratch
  • Python for Data Analysis
  • 100 Page Machine Learning Book
  • Practical Statistics for Data Scientists
  • Machine Learning for Absolute Beginners

Cursos

Applied Machine Learning – Beginner to Professional de Analytics Vidhya

Podcasts

  • SuperDataScience
  • Inspired
  • DataSkeptic

Recursos para profesionales para mantenerse actualizados en las novedades de la industria

Boletines informativos

  • TechCrunch
  • TLDR

Podcasts

  • Bloomberg Technology
  • TechCrunch
  • ALL-IN
  • Lex Fridman
  • WIRED Business
  • The Week in Startups

Recursos específicos para Tableau/ Power BI/ lenguajes – python/SQL

Libros

  • Storytelling with Data
  • Automate the Boring Stuff with Python
  • Python for Data Analysis
  • Big Book of Dashboards
  • Data Modelling with Tableau

Sitio web

  • Fleragetwins
  • RealPython

Recursos, en general, para mantenerse motivado/desarrollar habilidades de liderazgo de pensamiento, etc.

Libros

  • Atomic Habits
  • Think Again
  • Thinking Fast & Slow
  • The Power of Habit
  • Rework

Podcast

  • On Purpose with Jay Shetty

Conclusión

En conclusión, Rishabh Dhingra es un verdadero ejemplar en el campo de la Analítica y la Ciencia de Datos, dejando una huella indeleble en el trabajo innovador de Google. Sus habilidades excepcionales, dedicación inquebrantable y notable capacidad para brindar orientación perspicaz lo convierten en un recurso valioso para aquellos que ingresan o se trasladan a la industria de la ciencia de datos. El compromiso de Rishabh de compartir conocimientos y capacitar a los recién llegados con ideas invaluables en análisis y ciencia de datos asegura que la próxima generación de científicos de datos tendrá las herramientas y la inspiración para tener éxito. A medida que Rishabh Dhingra continúa revolucionando el campo, su impacto tanto en Google como en la comunidad más amplia de ciencia de datos es un testimonio de las infinitas posibilidades que se avecinan en esta industria dinámica y en constante evolución.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Donde las rocas y la IA chocan La intersección de la mineralogía y la visión por computadora de cero disparos

Los minerales son sustancias inorgánicas de origen natural con una composición química y una estructura cristalina de...

Inteligencia Artificial

UE busca liderar en el mundo del Metaverso y evitar la dominación de las grandes empresas tecnológicas

La Comisión Europea ha delineado una estrategia para que la Unión Europea asuma un papel líder en el sector del metav...

Inteligencia Artificial

Revolucionando la segmentación de objetos en videos Descubriendo a Cutie con técnicas avanzadas de lectura de memoria a nivel de objetos

El seguimiento y segmentación de objetos de un vocabulario abierto definido en una anotación de primer fotograma es n...