Conoce a la gente que puede persuadir el tesoro fuera de la red, datos inestructurados.

Cuando Jonathan Goldman llego a trabajar en junio de 2006 en LinkedIn, el sitio de

trabajos en la red, que aun parecía un start-up. La empresa tenía menos de 8 millones
de cuentas, y el numero crecía rápidamente como los miembros existentes, invitaron a
sus amigos y colegas a unirse. Pero los usuarios no buscaban conexiones con la gente
que estaba en el sitio sino con los ejecutivos que había esperado.
Algo al parecer fallaba en la experiencial social. Como un gerente de LinkedIn dijo,
“era como llegar a una recepción de conferencia y realización que usted no conoce a
nadie. Entonces usted esta de pie en una esquina bebiendo su bebida- y
probablemente se marcha temprano.
Goldman, un doctor en la física de Stanford, estaba cautivado por el enlace que vio
continuando y por la riqueza del perfil de usuario. Esto todo hizo para datos sucios y
el análisis indócil, pero como él comenzó a explorar conexiones de la gente, él
comenzó a ver posibilidades.
Comenzó a formar teorías, probar corazonadas y encontrar patrones que lo ayuden a
predecir cuya red un perfil aterrizado.
Él podría imaginarse que nuevos rasgos que capitalizan sobre la heurística que él
desarrollaba podrían proporcionar el valor al usuario. Pero el equipo de ingenieros de
LinkedIn, se puso al corriente en los desafíos de aumentar el sitio, pareció indiferente.
Algunos colegas eran abiertamente despectivos de las ideas de Goldman. ¿Por qué
necesitarían los usuarios LinkedIn una figura hacia fuera sus redes? El sitio ya tenía
un importador de libro de direcciones esto podría dar todas las conexiones de un
miembro.
Por suerte, Reid Ho hombre, el cofundador de LinkedIn el presidente en el tiempo
(ahora su presidente ejecutivo), tenía la fe en el poder de analítico debido a sus
experiencias en PayPal, y él había concedido Goldman un alto grado de autonomía. En
primer lugar, él había dado Goldman un modo de engañar el producto tradicional
liberan el ciclo por publicando pequeños módulos en forma de anuncios en las páginas
más populares del sitio.
Por un tal módulo, Goldman comenzó a probar que pasaría si usted presentara a
usuarios con los nombres de personas ellos aún no se habían unido con, pero habían
parecido probables a por ejemplo conocer a la gente que había compartido sus
tenencias en instruyen y lugares de trabajo.
Él hizo esto por ginning encima de un anuncio de encargo que mostró las tres mejores
nuevas cerillas para cada usuario basado en el fondo entrado en su LinkedIn pro le.
Dentro de unos días era obvio que algo notable ocurría. La tarifa por hacer click sobre
aquellos anuncios era el más alto alguna vez visto. Goldman siguió a refinando como
las sugerencias eran generadas, incorporando ideas conectadas a una red como " el
cierre de triángulo " - la noción que si usted conoce a Larry y Sue, existe una buena
posibilidad que Larry y Sue se conozcan el uno al otro. Goldman y su equipo también
consiguieron la acción requerida para responder a una sugerencia con un click.
No tomó mucho tiempo a los directores ejecutivos de LinkedIn reconocer una idea
buena y hacerlo un rasgo estándar.
Esto es cuando las cosas realmente despegaron." Gente que tal vez conoces" anuncios
alcanzó un click de la tarifa el 30 % más alto que la tarifa obtenida por otro apunta
visite más páginas en el sitio. Gracias a este rasgo, LinkedIn aumenta su trayectoria
significativamente. Ellos generaron millones de nuevas vistas de página.

La escasez de científicos de datos hace una

limitación seria en algunos sectores.
Un nuevo género

Goldman es un buen ejemplo de un nuevo personaje llave en organizaciones: " el

científico de datos". Es un alto rango profesional con el entrenamiento y curiosidad
para hacer descubrimientos en el mundo de datos grandes. El título ha sido
alrededor de sólo unos años. (Fue acuñado en 2008 por uno de nosotros, D.J. Patil, y
Jeff Hammerbacher, el respectivo conducto de datos y esfuerzos analíticos en LinkedIn
y Facebook). Pero los miles de científicos de datos ya trabajan en ambas start-ups y en
empresas bien establecidas. Su aspecto repentino sobre la escena de negocio refleja el
hecho que estas empresas ahora luchan con la información en variedades y volúmenes
nunca encontrados antes. Si tu organización almacena múltiple petabytes de datos, si
de la información más crítica de tu negocio reside en formas otras que filas y
columnas de números, o si contestando a su pregunta más grande implicaría
"mashup" de variado esfuerzo analítico, usted tiene un grande oportunidad de datos.

La mayor parte del entusiasmo corriente para datos grandes enfoca en las tecnologías
que hace que la domesticación sea posible, incluyendo Hadoop (el marco el más
extensamente usado para distribuido le el tratamiento de sistema) e instrumentos
relacionados con herramientas de la fuente, la informática de nube, y la visualización
de datos.
Mientras aquellos son brechas importantes, al menos como importante son la gente
con el juego de habilidad para ponerlos en buen uso. Sobre este frente, demanda ha
corrido delante del suministro. De verdad, la escasez de científicos de datos se hace
una coacción seria en algunos sectores.
Greylock Compañeros, una firma de etapa temprana se aventura ha apoyar empresas
como Facebook, LinkedIn, Redes de Palo Alto y día laboral, está preocupado bastante
sobre el fondo apretado de trabajo que esto ha construido su propio reclutar
especializado combinan canalizar el talento a negocios en su portafolio.
" Una vez que ellos tienen datos, " dice Dan Portillo, que conduce el equipo, ellos
realmente necesitan personas que puedan administrar y encontrar insights.

Un nuevo papel rápido gana la prominencia en organizaciones: él del científico de

datos. Los científicos de datos son la gente que entiende como sacar respuestas a
preguntas importantes de negocio del tsunami de hoy de información inestructurada.
Como la prisa de empresas para capitalizar sobre el potencial de datos grandes, la
coacción más grande mucha cara es la escasez de este talento especial.
Ningunos programas de universidad aún han sido diseñados para producir en serie a
científicos de datos, entonces el reclutarlos requiere de creatividad. Busque a
cumplidores en cualquier campo con datos fuertes y el foco computacional, que podría
tomarle tan lejos del negocio como la física experimental o la biología de sistemas.
Reconozca, también, que los aspectos de un trabajo que atraerá y conservará a un
científico de datos puede diferenciarse de lo que hace otros profesionales felices.
Los científicos de datos necesitan la autonomía, pero quieren ser " en el puente, " el
responder a la dirección publica con sus colegas directivos en tiempo real.
Las cuentas de dinero como una señal de valor, pero en una disciplina desarrollo
rápida, la capacidad de hacer la señal de alguien trabajando sobre la mayor parte de
problemas intrigantes y dando un toque en los flujos de datos más ricos pueden
contarse más.

Quienes son estas personas?

Si la capitalización en datos grandes depende de la escasez de científicos de datos que

alquilan, entonces el desafío para gerentes es aprender a identificar aquel talento,
atraerlo a una empresa, y hacerlo productivo. Ninguna de aquellas tareas es tan franco
como es con otro, estableciendo los papeles en la organización. El principio con el
hecho que no hay ningunos programas de universidad que ofrecen grados en la
ciencia de datos.
Hay también poco acuerdo general sobre donde el papel cabe en una organización,
como los científicos de datos pueden añadir la mayor parte de valor, y como su
funcionamiento debería ser medido.
El primero interviene llenando la necesidad de científicos de datos, por lo tanto, debe
entender lo que ellos hacen en negocios.
¿Entonces pregunte, Qué habilidades necesitan ellos? ¿Y qué el más fácilmente son
encontrados los campos aquellas habilidades?
Más que nada, lo que los científicos de datos hacen es hacer descubrimientos nadando
en datos. Esto es su método preferido de navegar el mundo alrededor de ellos. A gusto
en el reino digital, ellos son capaces de traer la estructura a las cantidades grandes de
datos informes y hacer el análisis posible. Ellos identifican fuentes de datos ricas, los
unen con otro, fuentes de datos potencialmente incompletas, y limpian el juego de
pasar. En un paisaje competitivo donde los desafíos siguen cambiándose y los datos
nunca dejan de fluir, el cambio(movimiento) de fabricantes de decisión de ayuda de
científicos de datos del análisis ad hoc a una conversación en curso con datos.
Los científicos de datos comprenden que ellos afrontan limitaciones técnicas, pero
ellos no permiten atascar su búsqueda para soluciones nuevas. Como ellos hacen
descubrimientos, ellos comunican lo que ellos han aprendido y sugieren sus
implicaciones para nuevas direcciones de negocio. A menudo ellos son creativos en la
demostración de la información visualmente y la fabricación del modelo que ellos
encuentran claro y la obligación.
Ellos aconsejan directores de producto y a ejecutivos sobre las implicaciones de los
datos para productos, procesos, y decisiones.
Considerando el estado naciente de su comercio, esto a menudo se cae a científicos de
datos para formar menos de sus propios instrumentos y aún conducir la investigación
de estilo académico. Yahoo, una de las firmas que emplearon a un grupo de científicos
de datos a principios de, contribuyó decisivamente al desarrollo Hadoop.
El equipo de datos de Facebook creó la lengua
Colmena para programar proyectos de Hadoop. Muchos otros científicos de datos,
sobre todo en empresas conducidas por datos como Google, Amazonas, Microsoft,
Walmart, eBay,
LinkedIn, y el Gorjeo, han añadido a y ha refinado la caja de herramientas.