Novedades del sitio

Mejores prácticas para contratar científicos de datos

 
Picture of System Administrator
Mejores prácticas para contratar científicos de datos
by System Administrator - Thursday, 13 April 2017, 1:21 PM
Group Colaboradores y Partners

Mejores prácticas para contratar científicos de datos

por Ed Burns

Los trabajos de científicos de datos pueden ser notoriamente difíciles de llenar, pero las empresas pueden recurrir a herramientas que llenan las lagunas en la dotación de personal y se encargan de sus necesidades analíticas.

No es un secreto que contratar científicos de datos puede ser difícil, pero los recursos están ahí fuera para aquellos que saben dónde buscar.

Huey Antley se unió a KAR Auction Services como vicepresidente de soluciones de ciencia de datos hace un año. Durante su tiempo con la empresa de subastas de vehículos al por mayor de empresa a empresa, ha estado ocupado construyendo un equipo de científicos de datos.

Él ha contratado a ocho personas para su equipo con una mezcla de doctorados y maestrías. Algunos salieron directamente de los programas académicos, mientras que otros han estado trabajando en la ciencia de datos por un tiempo.

Sin embargo, la construcción de las capacidades de ciencia de los datos de KAR no se limita a contratar científicos de datos. Antley también ha aprovechado los servicios disponibles para ampliar las capacidades de su equipo. Estos incluyen proveedores de servicios de outsourcingconsultores y herramientas automatizadas que realizan algunas de las tareas de ciencias de datos.

"Es difícil encontrar gente, pero mi estrategia es tener un equipo interno central, pero también tener recursos externos", dijo Antley.

Además de trabajar ocasionalmente con consultores en proyectos específicos, Antley trabaja con un contratista de ciencia de datos offshore en India. Dijo que estos recursos permiten al equipo escalar rápidamente basado en la demanda del proyecto, sin comprometerse con grandes inversiones continuas. Su equipo también utiliza una plataforma de aprendizaje automático llamada DataRobot, que automatiza la selección de técnicas de modelado basadas en características específicas en conjuntos de datos. Antley dijo que esto permite a sus científicos de datos internos omitir algunas de las tareas más mundanas del aprendizaje automático.

También se ha centrado en contratar científicos de datos con una mezcla de habilidades. Un equipo pequeño significa que todo el mundo tiene que hacer un poco de todo. Por ejemplo, KAR no tiene un equipo formal de gestión de datos. Los científicos de datos deben ser capaces de obtener los datos que necesitan por sí mismos. La mayoría de los datos que utiliza el equipo está en bases de datos SQL, por lo que la consulta de los datos no requiere una habilidad única. Pero las habilidades de consulta SQL tienen que ser emparejadas con habilidades de análisis de datos más complejas, incluyendo el uso de programación R y Python, las dos principales herramientas de análisis utilizadas por el equipo.

Hasta la fecha, el equipo ha construido dos modelos predictivos operacionales: una herramienta de optimización de canales que ayuda a los vendedores de vehículos a determinar los mejores horarios y ubicaciones para listar sus vehículos, y una herramienta de optimización de precios que analiza datos de ventas históricos y en tiempo real, así como las tendencias del mercado y económicas para determinar el precio óptimo para los vehículos.

Antley dijo que cada vez es más importante para las empresas, independientemente de la industria, tener gente entre su personal que pueda construir modelos predictivos y realizar otros tipos de análisis avanzado. A pesar de que KAR no es una empresa de tecnología tradicional, invertir en este tipo de analítica predictiva ha dado a la empresa una ventaja sobre la competencia y ha hecho a la organización más productiva.

"Casi todas las empresas están empezando a darse cuenta de que están recopilando datos que les dan una visión única de su mercado", dijo. "Aprovechar algo que se ha pensado como abrumador en el pasado, pero [que] se puede convertir en inteligencia ahora, es importante".

Link: http://searchdatacenter.techtarget.com