Creo que más importante que mirar empresas es qué tipo de trabajo se le ofrece. Deje en claro durante las rondas de entrevistas. Ahora, como saben, Data Science es un término vasto que ahora cubre casi todo lo relacionado con el procesamiento de datos, ya sea que tenga o no ese componente de reconocimiento de patrones (ciencia).
1. Los KPO generalmente contratan analistas para el procesamiento de datos de alto nivel. Si eres un experto en métodos de aprendizaje automático y optimización, estos no son los adecuados para ti.
Pro: Fácil de ingresar si no eres un experto.
Con: No aprenderás mucho una vez que estés dentro. Te apegarías a las herramientas en las que estarías entrenado en lugar de buscar y encontrar todo lo que existe en el mundo.
2. Las empresas de nicho de análisis tienen múltiples equipos que están asignados a proyectos totalmente diferentes. MuSigma definitivamente ha estado trabajando en cosas reales de Data Science que en la categoría anterior. Hay empresas que resuelven problemas desafiantes de manera creativa utilizando Data Science. Mira alrededor. El aprendizaje automático está en casi todos los campos ahora. Si puede encontrar una empresa con 10-50 personas, únase alegremente a eso. Las pequeñas empresas tienen sus propios privilegios. Sientes un sentido de pertenencia.
Pro: buen ambiente, excelentes personas de buenas universidades, mucho que aprender.
Con: No se puede generalizar. No puede estar seguro de con qué equipo podría estar etiquetado. Tal vez ingrese como científico de datos, pero siga escribiendo consultas SQL durante los próximos tres años.
3. Las instituciones financieras suelen tener grandes alas de análisis. Pero generalmente contratan a otras compañías de terceros para trabajos avanzados de análisis predictivo. Una vez más, olvidó a aquellos como Bloomsberg, Factset, etc., que tienen excelentes equipos trabajando en aplicaciones de Machine Learning en análisis y predicción de finanzas. Sin embargo, me quedaría con los bancos aquí.
Pro: Obtendrá muchos conocimientos de dominio.
Con: Más análisis estadístico, pero lejos de las aplicaciones reales de aprendizaje automático (aunque existen excepciones).
- ¿Cuáles son los mejores corredores de alquiler en Manhattan?
- Poesía: ¿Cuál es un gran ejemplo de un buen poema?
- ¿Cuáles son las mejores consultoras en Delhi NCR que contratan estudiantes de primer año en SAS?
- Cómo voltear el trabajo buscando su cabeza
- ¿Cuáles son algunas de las mejores comparaciones hechas?
4. Las empresas de comercio electrónico que han cruzado la marca que separa las nuevas startups y el próximo fenómeno tienen un equipo con expertos reales. Conozco los equipos de Data Science en Amazon, Flipkart y Housing. Contratan a graduados de las mejores escuelas con una sólida experiencia en aprendizaje automático y habilidades de algoritmos regulares. El trabajo en su equipo de ciencia de datos es bastante impresionante. Están trabajando en las últimas tecnologías, creando nuevos algoritmos solo para hacernos comprar más de lo que queremos.
Pro: Grandes equipos, trabajará para procesar los datos que llegan rápidamente con las últimas herramientas e implementará algoritmos de última generación.
Con: Las empresas con capital en miles de millones y miles de empleados comienzan a construir un marco de gestión burocrática. Una vez más, es posible que haya varios equipos allí, y tendrá que encontrar el ajuste adecuado.
5. Las startups basadas en ML están en la cima. (Ciclo de Gartner) Algunos de ellos tienen fundadores como expertos de alto nivel de gigantes como Google, Microsoft, Amazon, etc. Ese es un factor muy importante al mirar a una empresa: los fundadores y el equipo inicial construyen una cultura que seguirá durante años y décadas. Si los fundadores son geniales, ese es un gran lugar.
Pro: rápidamente aprendes mucho. Si el equipo es excelente, se mejora su aprendizaje. Grupo pequeño: en lugar de colegas, te conviertes en una familia. No hay juegos de oficina. Todos están enfocados en construir o mejorar el producto.
Contras: si está habituado al trabajo estándar de 9 a 5 con plazos establecidos en equipos de cinco, le resultará difícil sobrevivir. El trabajo es relativamente más desafiante que otras categorías.
Aconsejaría mencionar el conjunto exacto de habilidades en lugar del vago término de ciencia de datos antes de esperar esa clasificación. La definición habitual utilizada en las principales empresas y academias implica una buena cantidad de habilidades matemáticas, un conocimiento profundo de los algoritmos de aprendizaje automático más modernos, programación, conocimiento sobre herramientas para procesar grandes datos y las habilidades de piratería necesarias para realizar el trabajo.