Mi historia educativa y laboral es poco estándar para el rubro en el que trabajo.

Tengo una licenciatura y una maestría en economía, y trabajé 8 años en políticas públicas en CERES, donde lideraba todo lo que era análisis macro global y regional. También estaba encargado de diseñar y mantener actualizados la mayoría de los modelos econométricos.

Mi tesis de maestría es un DSGE para la economía uruguaya que me dio mucho más trabajo del que me gusta admitir.

Tenía algún interés en programar. Empecé a automatizar algunas cosas en R. Hice un script para construir una serie de tiempo de leyes y decretos del gobierno uruguayo que nunca más volví a correr. Quise calcular si el clima era peor (más lluvioso, nublado, frío) en fines de semana que de lunes a viernes y no lo logré porque la API que estaba usando me devolvía cualquier cosa.

Eventualmente empecé a armar econuy. Empezó como una serie de funciones para automatizar la descarga de datos económicos y luego tuvo sitio web, creado con Flask+Bootstrap y hosteado en Heroku (todo muy 2016-18). En principio no tenía más motivación que practicar.

econuy me obligó a aprender mucho de lo que hoy sé sobre programar y crear web apps, por listar algunas pocas cosas que no tienen mucho que ver entre sí:

  • git
  • OOP
  • comprar un dominio
  • empaquetar una librería y publicarla en PyPI
  • documentación
  • Github actions
  • SSL

Cada cosa que quería hacer me obliga a aprender algo nuevo y cada vez me interesaba más, al punto que empecé a buscar un cambio de carrera donde pudiera hacer más de esto.

Muy convenientemente, publicar la web de econuy me permitió posicionarme como una persona que a) sabía programar y b) “sabía de datos”, sin haber estudiado para ello, lo cual era clave para poder buscar otro tipo de trabajo. Me hicieron algunas entrevistas y pude presentarlo en algunos lugares.

Mientras tanto empecé a cruzar econometría con programación, lo que naturalmente deriva en machine learning. Me comí la documentación de scikit-learn, a mi juicio uno de los mejores lugares para aprender de ML clásico, tanto teoría como implementación práctica.

Me llegó una oferta de CPA Ferrere para liderar su área de consultoría en data analytics y no lo dudé. Armé el equipo, busqué clientes y cerré proyectos. Pude desplegar mi código en sistemas de clientes. Reemplacé una app que usaba IBM Watson para computar el sentimiento de tweets por una librería que por atrás usaba un transformer. Hicimos un finetuning de GPT-2 en Colab Free para que emulara el hate speech que reciben políticas uruguayas.

En algún momento vi que Mercado Libre buscaba un Technical Leader en data science. Le escribí directamente a la persona que publicó la oportunidad en Linkedin y pasé todas las entrevistas.

El punto de esta larga historia no es más que contar cómo se dio mi pase de un rol a otro que no tenía tanto que ver, y que presumiblemente requería otro tipo de formación que yo no tenía. En mi caso el habilitador fue haber decidido crear un proyecto que me permitió aprender y demostrar que podía hacer cosas que en mi trabajo 9-5 no tenía la posibilidad de hacer.

Creo que eso es muy superior a hacer algunos cursos o certificaciones sin demasiada aplicación práctica, tanto por el aprendizaje como por lo tangible; no es lo mismo contar en Linkedin que aprobaste “Data Science Essentials”, que es difícil saber si es humo o no, que mostrar algo que hiciste y que otros pueden usar.