Cómo Aprender Análisis de Datos

Hace 7 años era un analista financiero en Ecuador y hoy lidero el equipo de estrategia y análisis de datos de un unicornio Alemán de tecnología.

¿Cómo lo hice?

Han influido muchos factores, pero el siguiente creó los cimientos de esta increíble aventura: Durante 1 año, consumí todo el contenido educativo gratis (o de bajo costo) que pude encontrar en internet relacionado a análisis de datos y lo apliqué de varias maneras para armar un portafolio que muestre las habilidades que había adquirido.

Lo más retador fue hacerlo sin una guía ya que no había una que cumpla con las siguientes características:

• Haber sido diseñada para personas que:
  • Quieran cambiarse de finanzas a análisis de datos
  • Quieran cambiarse del sector de consumo masivo al de tecnología
  • Quieran cambiarse de una empresa tradicional a una startup ‘unicornio’ en fase de crecimiento exponencial
  • No tengan absolutamente nada de conocimientos previos de programación, analíticas y métricas de startups
• Gratis o de muy bajo costo (menos de $50 / mes)
• Que cubra tanto habilidades duras como blandas, ya que ambas son igual de importantes para esta transición
• Que recomiende contenido 100% online

Este artículo es mi versión 1.0 de lo que me hubiera gustado tener como guía durante mi año de investigación, ya que me hubiera ayudado a priorizar distintos cursos y contenido educativo, ahorrándome mucho tiempo de prueba y error.

Es importante mencionar que la audiencia objetivo de este artículo tiene formación y experiencia previa en finanzas y negocios.

Abajo, pueden encontrar mis 15 consejos para ser analista de datos:

1. Muy buen manejo de spreadsheets. No es necesario utilizar herramientas avanzadas de BI (ej: Tableau, PowerBI, etc..) o programación para hacer todos los análisis y/o reportes, frecuentemente basta con spreadsheets.
   • ¿Cuándo basta con un spreadsheet?
     • Para testear fácilmente la primera versión de un tablero o reporte que requeriría un mayor esfuerzo para construir en una plataforma de BI más avanzada
     • Cuando los datasets son de un tamaño manejable para tu herramienta de spreadsheets y no afectan su rendimiento
   • Preferiblemente Google Sheets
     • En los startups la colaboración es clave y hacerlo en Google Sheets es extremadamente fácil e intuitivo
     • Tiene fórmulas y ‘features’ muy similares a Excel
     • Se integra fácilmente con otras herramientas de Google y externas
   • Deberías tener un manejo excelente de tablas dinámicas y fórmulas
   • Deberías estar muy cómodo haciendo ‘data cleaning’, evitando al máximo hacerlo de manera manual (al menos que sea un dataset muy pequeño) sino idealmente con fórmulas.
2. Buen manejo de SQL para hacer consultas. En una startup hay pocas cosas más valiosas que la velocidad de ejecución y la capacidad de ‘self-service’. Como analista, tener la habilidad para consultar una base de datos directamente, sin depender de otra persona, es una gran ventaja.
   • Curso recomendado (gratis): https://mode.com/sql-tutorial/
3. Conoce cómo se estructuran y relacionan las bases de datos. No tengo palabras suficientes para describir la cantidad de tiempo y errores que te ahorrarás al familiarizarte con las bases de datos de tu empresa. ¿Que tablas hay? ¿Como se relacionan entre si? ¿Que campos tienen? ¿Cual es la lógica con la que se poblan estos campos?
   • Contenido recomendado (gratis): Database Tutorial for Beginners
4. Exploratory Data Analysis (“EDA”). Al empezar a trabajar con un nuevo dataset, es importante primero entender sus campos. ¿Que campos tiene? ¿Que tipo de datos tienen esos campos? ¿Como se distribuyen los datos de cada campo? ¿Hay campos vacíos, duplicados o con errores? ¿Hay ‘outliers’? Para mi, la manera más divertida de aprender a hacer EDA fue inicialmente viendo el trabajo de otras personas en Kaggle y luego haciéndolo yo mismo en esa plataforma con los ‘datasets’ interesantes que tienen sobre empresas como Netflix, Spotify, Youtube, entre otras.
   • Contenido recomendado (gratis):
     • https://www.kaggle.com/code/ash316/eda-to-prediction-dietanic (Leer “Part1: Exploratory Data Analysis“)
5. Visualización de datos. Un gráfico puede decir más que mil palabras. Al trabajar con grandes cantidades de datos, los gráficos se vuelven herramientas necesarias para mostrar de una manera intuitiva la tendencia, distribución, composición o relación entre los datos. Hay varios tipos de gráficos y cada uno puede tener muchas variaciones, entonces es importante saber el tipo de gráfico ideal para lo que uno quiere mostrar.
   • Contenido recomendado:

6. Data storytelling. Luego de explorar los datos, encontrar algo interesante que uno quiere destacar y determinar el gráfico que mejor lo muestra, es importante unir todas las partes para contar una historia. La Universidad de Palermo describe storytelling como “una narrativa atrapante de sucesos, con un mensaje final que deja un aprendizaje o concepto” y me parece excelente. 
   • Como ejemplo, les dejo el primer artículo que publiqué y que se viralizó con más de 20K vistas alrededor del mundo. En este artículo, intenté mantener al lector enganchado desvelando nuevos gráficos a lo largo del mismo para llevar la conversación a un nivel cada vez más profundo y darle mayor sustento al punto que quería destacar. Link: https://medium.com/@ignacio.chavarria/can-anyone-save-the-surf-industry-64e63d3ece3f
7. Conocimientos técnicos adicionales
   • Aprender al menos las bases de:
     • Python
     • Estadísticas y probabilidades
     • Lógica condicional
     • Machine Learning
   • Curso recomendado ($45/mes):
     • https://app.dataquest.io/learning-path
     • Elegir path llamado “Data Analyst in Python”
       • Ver partes 1-6
     • Luego, cambiar el path a  “Data Scientist in Python”
       • Ver parte 7 (“Machine learning fundamentals”)
8. Conoce las métricas principales de ‘growth’. Independientemente del área en el que desees trabajar en una startup, es importante conocer cuales son las métricas principales que se miden en este tipo de empresas porque (1) seguramente uno o más de tus KPIs estarán relacionados a ellas, (2) así sabrás el impacto positivo que tu trabajo tendrá no solo en tus KPIs sino en la empresa y (3) escucharás estos nombres en todos lados.
   • Contenido recomendado (gratis):
     • 15 Important Growth Marketing Metrics to Track
9. Conoce lo que es un ‘funnel’. Normalmente se habla de funnels (o embudos) de ventas, pero hay muchas otras áreas más allá de marketing y comercial que tratan con embudos en su día-a-día. Por ejemplo, alguien en talent acquisition maneja un embudo de candidatos a contratar, alguien en real estate acquisition maneja un embudo de propiedades a comprar o alquilar, etc. Conocer cómo otros equipos manejan y optimizan sus embudos te puede dar ideas sobre cómo mejorar el tuyo.
   • Contenido recomendado (gratis):
     • https://growwithward.com/aaarrr-pirate-funnel/
10. Ten un ‘colchón’ de ahorros. Uno de los mejores consejos que me han dado ha sido “para ir a un startup debes primero tener un ‘colchón’ de ahorros porque nunca sabes lo que puede pasar”. Antes de aceptar esa primera oferta (que seguro llegará!!) pregúntate: “En el caso que la startup desaparezca luego de un mes, tengo ahorros suficientes para mantenerme hasta encontrar un siguiente puesto?”
11. Arma tu portafolio. Mientras vayas adquiriendo nuevos skills aplicables a tech/startups encuentra maneras de utilizarlos para crear contenido que puedas consolidar en un portafolio con pruebas tangibles de lo que has aprendido. Por ejemplo, yo me enfoqué principalmente en escribir artículos de análisis de datos, pero también hay otros tipos de contenido como podcasts, vídeos, competencias online (ej: Kaggle.com), entre otros. Sugeriría publicar este contenido en internet y enviarlo a publicaciones o personas para que te den su feedback. El feedback es crítico para saber que vas por buen camino y poder agregar este contenido a tu CV con confianza. A los reclutadores o gerentes que estén buscando personas seguro les gustará ver estos ejemplos que muestran lo que puedes hacer y aparte también muestra que es un tema que te apasiona.
12. Participa en grupos locales y online. Busca grupos de personas de tu ciudad que compartan tu interés de aprender sobre tech/startups. En caso que no encuentres localmente, seguro podrás encontrar en internet participando en foros virtuales.
13. Acostúmbrate a usar stackoverflow.com. Mientras aprendas estos skills (sobre todo SQL y Python) tendrás muchas preguntas y frecuentemente encontrarás “bugs” en tu código. Las probabilidades son muy altas que otra personas haya tenido la misma duda antes, la haya puesto en Stackoverflow.com y que haya recibido una respuesta. Esto te ahorrará mucho tiempo intentando resolver un “bug” por tu cuenta.
14. Ofrece tu ayuda a ‘early stage’ startups locales. Una vez que has adquirido nuevos skills y hayas armado un portafolio inicial con contenido, compártelo con fundadores de startups pequeños locales para pedirles su feedback y en caso este sea bueno ofrece ayudarles (aunque sea gratis) en alguna tarea o proyecto donde puedas aplicar estos skills. Esto te ayudará a mejorar tu network, aplicar tus nuevos skills en un ambiente de trabajo y ponerlo en tu CV para dar aún más credibilidad a tu candidatura.
15. Utiliza entrevistas como entrenamiento. Los procesos de entrevistas te pueden ayudar muchísimo no solamente a conocer como funcionan por dentro las empresas y cómo son sus colaboradores, sino también a identificar lo que has aprendido bien y lo que te falta reforzar aún. Muchas veces, en estos procesos te harán exámenes y casos de estudio que te pondrán en los pies de las personas que están actualmente en esos equipos, ayudándote a determinar si ese rol, equipo o empresa te apasiona de verdad o quizás prefieras evaluar otro. Cada entrevista, aunque termine en una oferta o no, te prepara de alguna manera para la siguiente.