Cinco años, dejé Brex en agosto. El tiempo realmente vuela. Me uní a Brex cuando tenía tres años, y todavía puedo recordar vívidamente mi primer día. Al mismo tiempo, esos cinco años se sintieron mucho más tiempo. Todo esto se debe al amplio conocimiento que he adquirido en el camino, desde unirse a un equipo de datos joven y aprender el ciclo de datos completo, hasta colaborar con operaciones, GTM y producto, y eventualmente transición a la gestión. Este crecimiento acelerado es uno de los mayores beneficios de unirse a una startup como científico de datos.
“¿Debo unirme a una startup o una empresa más establecida?” Escucho esta pregunta de mi red todo el tiempo. En este artículo, compartiré la vida del científico de datos en una startup basada en mi propia experiencia. Con suerte, esto lo ayudará a navegar a través de su propia carrera.
Una nota rápida: “Startup” es un término amplio que cubre muchos tipos de empresas. Para el contexto, Brex es una startup fintech con sede en EE. UU. Que proporciona tarjetas corporativas, servicios bancarios y software de gestión de gastos para clientes comerciales. Me uní a Brex después de tres años de experiencia a tiempo completo en ciencia de datos de productos. En ese momento, Brex era una startup de la Serie C de tres años con más de 500 empleados. Por lo tanto, mi experiencia puede diferir de lo que experimentaría en una empresa en etapa anterior.
I. específicos del dominio versus orientado a objetivos
Las startups se mueven rápidamente: deben ajustar las estrategias en función de los comentarios del mercado e iterar constantemente para garantizar el ajuste del mercado de productos. Los científicos de datos, como un recurso costoso, deben cambiar su área de enfoque en consecuencia para crear el mayor valor comercial.
Tomando mi propia experiencia como ejemplo:
- Cuando me uní a Brex por primera vez, la prioridad era a bordo de tantos clientes como pudiéramos al controlar el riesgo de fraude. Por lo tanto, trabajé en estrecha colaboración con el equipo de incorporación para optimizar el flujo de la aplicación de la cuenta y mejorar la asignación de recursos para el equipo de operaciones.
- A medida que creció nuestra base de clientes, la siguiente prioridad era escalar nuestra función de soporte al cliente (CX) para proporcionar el mejor soporte en su clase. Me asocié con el equipo de CX para analizar los puntos de dolor del cliente y reducir las fricciones del producto. (Leer mi artículo Para más detalles sobre DS en CX.)
- Más tarde, colaboré con el equipo de implementación para acelerar el aumento de los nuevos clientes y con el equipo de productos para identificar a los conductores de agitación y mejorar la retención.
Como puede ver, las nuevas empresas están muy orientadas a objetivos. En las grandes empresas, puede especializarse en una función de producto durante años; En una startup, las necesidades de la compañía pueden cambiar completamente dentro de un cuarto, y los científicos de datos cambian sus dominios con más frecuencia como resultado.
La ventaja es que esto permite a los científicos de datos explorar y colaborar con más funciones y tener una visión más holística del negocio. Trabajé con casi todos los equipos de Brex en los últimos cinco años: observando cómo GTM (Go-to-Market) encontró prospectos y ofertas cerradas, viendo cómo el producto y la atención al cliente trabajaban juntos para abordar los puntos de dolor del cliente y aprender cómo el equipo de éxito del cliente redujo la rotación y condujo. Esta es una forma mucho más efectiva de comprender las operaciones comerciales que leer libros o tomar cursos en una escuela de negocios. También garantiza que los científicos de datos tengan preguntas comerciales claras y de alto impacto para resolver.
Pero, ¿cuál es el desafío? Los científicos de datos deben seguir la estrategia de la empresa y adaptarse a los cambios constantemente. Esto significa cambiar prioridades en consecuencia, y a veces tener que construir las cosas de la manera más rápida, en lugar de la forma más escalable o confiable. La deuda tecnológica se acumula rápidamente con toneladas de paneles únicos y múltiples versiones de la misma métrica, las partes interesadas confusas y el equipo de datos en sí. Establecer las mejores prácticas lleva tiempo, por lo que vivir con el caos a veces es inevitable, aunque poder establecer los estándares de 0 a 1 (o ver a otros haciéndolo) también es una parte gratificante de trabajar en una startup, especialmente para los aspirantes a líderes de ciencias de datos.
II. Analista de datos vs. Ingeniero de datos versus científico de datos? Todo lo anterior.
Los títulos de trabajo en los datos en estos días son confusos: algunos científicos de datos se centran en la experimentación, mientras que algunos son profundos en el aprendizaje automático; Algunos analistas de datos simplemente construyen paneles, pero algunos hacen principalmente análisis de productos. Pero cuando se trata de startups, los títulos son menos importantes: es probable que hagas todo.
Cuando me uní a Brex, todos tenían el mismo título, “Científico de datos”, pero todos tuvimos que usar múltiples sombreros. Dividimos el equipo de datos en funciones DS, DA y DE solo desde principios del año pasado. Como mencioné anteriormente, las nuevas empresas están orientadas a objetivos. Por lo tanto, cuando hay personas limitadas y no hay estructura clara del equipo, deberá hacer todo para lograr el objetivo.
- Ingeniería de datos: Aprendí modelado de datosFlujo de aire, procesos ETL, Optimización de SQLy muchas otras habilidades de ingeniería de datos en los últimos cinco años. Recuerdo que uno de mis primeros proyectos en Brex fue migrar nuestras tuberías de datos de DBT a una herramienta interna. Sí, como científico de datos en una startup, existe una gran posibilidad de que también necesite construir, poseer y mantener sus propias tuberías de datos.
- Analítica: Unirse a una startup significa que hay muchas áreas de negocio sin soporte de datos no o mínimo. Por lo tanto, para ayudar al equipo a comprender mejor su rendimiento y ganar su confianza, el primer paso (después de haber construido las tuberías de datos) es definir las métricas de éxito y construir los paneles. Una vez que las métricas se monitorean de cerca, preguntas como por qué se movieron o cómo moverlas Ven a continuación naturalmente. Estas son todas las tareas de análisis comunes.
- Ciencia de datos: También hay muchos casos avanzados de uso de ciencia de datos en las nuevas empresas. Los modelos de aprendizaje automático son útiles para detectar fraude, predecir la rotación, estimar LTV (valor de por vida), etc. La inferencia causal también es crítica para evaluar el impacto de una campaña de marketing o un lanzamiento de productos.
¿Es bueno o malo usar múltiples sombreros?
Si aún no está seguro del tipo de pista de datos que está más interesado, unirse a una startup lo ayudará a obtener un sabor de todo y decidir qué ruta ir a continuación. O si desea convertirse en un jefe de datos o incluso construir su propia empresa algún día, esta exposición al ciclo completo es súper valiosa.
Mientras tanto, el inconveniente también es muy claro: pasará tiempo en cosas que no le interesan, o no tan relevante para su objetivo profesional a largo plazo. El hecho de que sea dueño de todo el ciclo de vida de datos también puede confundir a las partes interesadas, ya que generalmente solo les importa un cierto tipo de producción, por ejemplo, paneles o modelos, pero no se da cuenta de que necesita pasar otro 50% de tiempo en la canalización de datos.
Iii. Mayor visibilidad
Los científicos de datos en las nuevas empresas nunca carecen de visibilidad. Desde el primer día en Brex, trabajé directamente con el C-suite. El liderazgo a menudo llegará a usted con preguntas comerciales urgentes e importantes, con la esperanza de que pueda hacer algo de magia de datos para descubrir ideas e impulsar el crecimiento del negocio. Esto no es algo que suele experimentar en una empresa establecida, especialmente como científico de datos junior. Es un entorno de alta presión pero altamente gratificante.
Por ejemplo, durante el Crisis de Silicon Valley Bank en marzo de 2023muchas nuevas empresas fueron afectadas, enfrentando el riesgo de perder sus fondos operativos. Trabajé muy de cerca con el equipo de liderazgo para ayudar a las nuevas empresas a sobrevivir este momento difícil. Creé un rastreador en tiempo real en nuevas aplicaciones de clientes, analicé la velocidad de revisión de aplicaciones para estimar las necesidades adicionales de la fuerza laboral y colaboré con otros DS para automatizar y acelerar las verificaciones de incorporación. Fue un fin de semana intenso, trabajando de manera cruzada en una sala de guerra (prácticamente en zoom) desde las 8 am hasta la medianoche. Sin embargo, este es uno de mis mejores recuerdos en Brex, que muestra la verdadera obsesión del cliente de nuestro liderazgo y cómo los científicos de datos pueden contribuir directamente e impulsar un gran impacto comercial.
IV. Exposición a nuevas herramientas
Las nuevas empresas jóvenes también son lo suficientemente valientes como para probar una nueva pila tecnológica. Por lo tanto, a menudo son los primeros adoptantes de nuevas herramientas, mientras que las empresas más grandes pueden llevar meses (y capas de aprobación) antes de incluso probar, sin mencionar los costos de migración significativos.
Por ejemplo, durante mi tiempo en Brex,
- Comenzamos a explorar los casos de uso de LLM en la ciencia de datos hace dos años, y tenemos acceso a todas las API de LLM principales (OpenAi, Claude y Gemini) internamente, abiertas a todos. Cada año, Brex organiza un hackathon interno y alienta a los empleados a innovar. Hace dos años, colaboré con ingenieros para construir un Plataforma de comentarios de clientes con alimentación de IA Para clasificar, resumir y analizar automáticamente varios datos de retroalimentación no estructurados. El año pasado, construí un chatbot basado en trapo para ayudar a las partes interesadas a recuperar los comentarios de los clientes relacionados con una función de producto específica fácilmente. Este año, trabajé con otros científicos de datos para explorar las capacidades de texto a SQL con Claude Code y Snowflake CLI. Disfruté absolutamente de estas oportunidades para aplicar técnicas de vanguardia a Data Science Worktreams.
- Con frecuencia pilotamos nuevas soluciones de datos. Por ejemplo, fuimos un cliente temprano de Maleficio para cuadernos de datos colaborativos y fáciles de compartir. Usamos Estadística para experimentación y seguimiento de eventos. También probamos varios software de inteligencia empresarial con IA para un mejor análisis de autoservicio.
Trabajar en una startup me ayudó a mantenerse informado de las nuevas tecnologías y adoptarlas en mis flujos de trabajo diarios. Eso no solo hizo que el trabajo fuera más emocionante, sino que también me mantuvo competitivo a medida que la industria evolucionó.
Por otro lado, ser uno de los primeros en adoptar puede significar interrumpir los flujos de trabajo existentes y la reconstrucción de la reconstrucción. También significa una experiencia de desarrollo menos estable.
Conclusión
Entonces, ¿debería unirse a una startup o una empresa más establecida?
Las startups ofrecen velocidad, variedad, visibilidad y exposición de vanguardia. Pero también traen caos, prioridades cambiantes y la necesidad de usar sombreros que no pueda disfrutar. Si prosperas en ambigüedad y quieres acelerar tu curva de aprendizaje, una startup puede ser un lugar increíble para crecer como científico de datos.
Para mí, cinco años en Brex me han enseñado una increíble cantidad de conocimiento sobre negocios y datos. Siempre estaré agradecido por las lecciones, la gente y la oportunidad de ver cómo puede verse la ciencia de datos en una startup de rápido crecimiento.