Si te interesa reclutar a un científico de datos, quiere decir que tu empresa es una Data-Driven Company y conoce el valor que generan los datos a través de insights o estás en camino a ser parte de ese grupo de empresas – las más rentables – las cuales han entendido el valor de la información. A continuación, desde mi experiencia práctica comparto, 5 Preguntas para reclutar a un Científico de Datos.
-
Data Estructurada y No Estructurada. ¿Cuál es la diferencia y cómo podemos analizarla?
El 90% de la data generada actualmente proviene de fuentes no estructuradas. Si bien es un campo de estudio en permanente desarrollo, existen metodologías que nos permiten analizar esta información. Inclusive, la data no estructurada es un campo poco explorado en la práctica local así que una explicación clara de lo conceptos nos dirá que nuestro futuro científico de datos podrá enfrentarse a este tipo de datos.
-
¿Cuáles son las bases de datos con las que trabajas?
En esta pregunta podemos obtener múltiples respuestas; sin embargo, la mejor forma de probar que tiene experiencia es tomándole un buen examen. Un buen set de preguntas que permitan demostrar su lógica y capacidad de resolución de problemas nos dirá de forma bastante objetiva el desarrollo en este campo del científico de datos.
-
¿Cuál es la diferencia entre modelos supervisados y no supervisados de machine learning?
Los modelos supervisados y no supervisados de machine learning son los modelos que más difusión presentan en la Ciencia de Datos. Si nos explica claramente que problemas ayudan a resolver cada uno de estos enfoques, estaremos en buen camino de encontrar a nuestro Data Scientist. Si añade a su respuesta conceptos sobre Reinforcement Learning o Sistemas de Recomendación mejor aún.
-
¿Qué modelo utilizarías para modelar un problema dicotómico?
La mayoría de problemas en las empresas son de la forma: paga/no paga, compra/no compra, falla/no falla entre otros. Esta forma responde a una gran variedad de problemas acerca del riesgo del cliente, la propensión del cliente a tomar nuestro producto, la probabilidad de falla de un sistema, por nombrar algunos. La respuesta en este caso puede ser de variada como: modelos logit, probit, random forest, xgboost, entre otros. Nuestro futuro data scientist podrá explicar la diferencia entre los algoritmos y cuando utilizar uno u otro.
-
¿Cuáles son los indicadores que nos dicen que el modelo funciona correctamente?
En la mayoría de los casos los problemas a resolver por las técnicas de modelos de machine learning se encuentran en el mundo de los modelos supervisados y son 3 los indicadores más utilizados: KS, GINI y AUC. Los 3 miden discriminación de los modelos y un data scientist podrá comentarnos acerca de la interpretación de cada uno de ellos.
Un tip adicional es preguntarle acerca de en qué proyectos ha trabajado, qué obtuvo, cómo añadió valor a la empresa. No sólo es para conocer el grado de complejidad de los problemas a los que se ha enfrentado sino también para percibir su capacidad de aprendizaje, entendimiento y sobre todo pasión impresa en los proyectos elaborados. Si encontramos a un candidato que presente un buen manejo de todo lo expuesto, no lo dejemos ir, es el Data Scientist indicado.
Autor: Darío Ponce
Comienza a usar GRATIS Tecnología y People Analytics en reclutamiento y selección
Comentarios recientes