Detrás de los Algoritmos: la trayectoria de Alondra Rojas en uPlanner

La entrevista con Alondra Rojas, Data Scientist en uPlanner, proporciona una fascinante visión de los desafíos y la pasión que impulsan el mundo de la ciencia de datos. Alondra comenzó su viaje en uPlanner en 2018, atraída por la oportunidad de trabajar en proyectos de Data Science después de completar su Magíster en Ciencias de la Ingeniería Informática. Desde entonces, ha desempeñado un papel vital en el equipo de Smart Campus, donde su enfoque multidisciplinario ha sido clave para el éxito del equipo, apoyando tanto en el desarrollo de algoritmos como en la creación de herramientas innovadoras para optimizar procesos internos y mejorar la experiencia del cliente.

En esta entrevista, Alondra destaca cómo el equipo de Data Science de uPlanner se distingue por su enfoque centrado en el cliente. En lugar de simplemente analizar los datos de los clientes, trabajan estrechamente con ellos para construir soluciones específicas basadas en datos. Además, comparte su entusiasmo por la optimización de la inteligencia artificial y cómo ve el futuro de su carrera en un mundo en constante evolución, utilizando las herramientas de inteligencia artificial como apoyo para mejorar la eficiencia y hacer que el trabajo sea más fácil y efectivo.

¿Cómo llegaste a uPlanner y cuál es el rol que desempeñas actualmente?

Bueno, yo entré a uPlanner como en octubre de 2018 más o menos y de forma part time. En ese momento, había terminado recién el Magíster en Ciencias de la Ingeniería Informática y estaba trabajando en la universidad haciendo clases. Y ahí fue cuando me contactó Camila Díaz, quien es ahora la líder de Data Science. Ella me contactó porque habíamos tenido la misma profesora guía de la titulación, entonces ya conocía el trabajo que yo hacía y consideró que yo encajaba en el perfil. Camila me comentó que estaban buscando gente y me interesó, así que pasé una entrevista. Empecé trabajando solo tres veces a la semana hasta que acabe el año académico, dejé de hacer clases y me metí de lleno a uPlanner.

¿Podrías describir un día típico en tu rol como Data Scientist en uPlanner, incluyendo las tareas y proyectos en los que sueles trabajar?

Sí, claro. Bueno, en los últimos meses hemos estado con un cliente de España, así que he estado trabajando en eso. Un día típico para mi es tener reunión con el cliente, que usualmente la tengo al menos una vez a la semana. Eso depende del estado del proyecto porque cuando el cliente está en fase de programaciones, lo usual es que tengamos más reuniones a la semana. Por otro lado, yo trabajo en el desarrollo de los algoritmos y actualmente soy parte del proyecto Gema con la universidad UPC que está desarrollando actualmente nuevas funcionalidades de algoritmos para el producto uExam, así que nos piden reglas específicas para que puedan programarlos.

Entonces con el “Dream Team”, que es el equipo donde estoy, tomamos todos esos requerimientos de los clientes y los vamos priorizando en el sprint que tenemos. Y además del desarrollo, también tenemos en la semana reuniones de refinamiento donde esas mismas tareas las vamos conversando, con todo el equipo y vamos estimando los tiempos que nos va a tomar realizarlas. Y bueno, aparte de todo eso siempre hay algún ticket que resolver de soporte, si es que algo falló en el algoritmo o hay que hacer una revisión de datos.

¿Y por qué el equipo se llama el Dream Team?

 

Jaja, bueno, cuando se empezaron a organizar los equipos por cada vertical de producto en uPlanner, nosotros nos quedamos en la parte de Smart Campus y nos hacemos llamar el Dream Team porque somos un equipo multidisciplinario. Trabajo con desarrolladores, con Ámbar por ejemplo que está en diseño, Franco y yo que somos Data Scientists, Laura que es Product Owner y más compañeros que nos completan. Siento que somos un equipo mucho más completo, porque hay otros equipos que no tienen a nadie de data. O tienen la parte de data, pero no hay desarrolladores en su team. Entonces, siento que vemos los productos desde una vista más transversal y completa, lo que hace que trabajemos mejor.  

¿Cómo contribuye tu trabajo para lograr los objetivos institucionales de las universidades que servimos?

Nosotros desde el área de Data Science, impactamos en el núcleo de la operación, porque los algoritmos que desarrollamos son como el corazón del producto. Los productos que tenemos, como por ejemplo uPlanning, uForecast o uExam, no podrían funcionar sin un algoritmo detrás. Siento que mi rol es súper importante porque hace que se puedan automatizar procesos que serían muy tediosos de hacer a mano por una institución, por ejemplo, de tener que validar todas las reglas académicas para que se armen los horarios. Todo eso es mucho más fácil hacerlo por medio de un algoritmo. Finalmente, el trabajo que implica desarrollar estos algoritmos hace que después para una institución sea fácil manejar los productos que les brindamos.

¿Podrías describir un poco cómo es el antes y el después de un cliente de uPlanner? ¿Cómo es esa dinámica interna en la universidad antes de ustedes y después?

Al inicio es común ver que las instituciones tienen sus datos muy desordenados, incluso si utilizan alguna herramienta adicional. Por ejemplo, en el caso de URJC, ellos tenían un sistema antes con el que planificaban sus exámenes, pero que no abordaba todas las reglas que nosotros les proveemos ahora. Por eso, es un gran impacto cuando recién conversamos con la universidad y luego ver el después, cuando ya logran organizar sus datos con nuestra ayuda y pueden gestionar el campus de manera eficiente.

¿Nos podrías contar en qué se distingue el enfoque de nuestra ciencia de datos de otras organizaciones?

Lo que nosotros hacemos es que al final, más que usar los datos para nosotros, con los datos de cada cliente se construye algo que es para ellos. Cada una de las universidades va a tener sus propios datos que después ellos tienen que estandarizar para usar en nuestros productos. Y la diferencia es que todos los algoritmos que nosotros hacemos son para usarlos con esos datos y que cada universidad pueda tener los resultados que requieren con sus propios datos. Por el contrario, en otras empresas, el área de Data Science se encargan más de analizar los datos de los clientes y hacer estadísticas con eso. En uPlanner nosotros trabajamos con sus datos y creamos algo específico para ellos.

Cuéntanos un poco cómo colaboras con otros departamentos o equipos dentro de la empresa para integrar información basada en datos.

Aparte del área de producto, también colaboramos con el equipo de consultores, ya que los apoyamos en soporte y entregando alguna herramienta que necesiten. Algo que hacemos desde Data Science es que ayudamos a optimizar procesos internos y lo último que hemos hecho es hacer una herramienta que nos ayudara a revisar cuando llegaban soportes de uForecast. Un pedido de soporte común es que la universidad mande a revisar los resultados porque el algoritmo le estima una cantidad de inscripciones y en la realidad ellos tienen otro valor. Entonces ahí lo que antes se hacía era ir revisando caso por caso y entender que había pasado con uForecast, lo que demandaba bastante tiempo de los consultores y de nosotros. Fue ahí cuando se desarrolló una herramienta en stream bit para que ese proceso pueda ser más automático.

Entonces ahora se conecta la base de datos de cada cliente, se ven los resultados y ahí se genera un Excel que después un consultor puede revisar y puede comparar y ver que lo que mandó el cliente. Entonces no sólo es apoyar el desarrollo de los algoritmos dentro de los productos, sino también haciendo herramientas que nos hagan más fácil el trabajo a todos.

En el contexto de uPlanner, ¿con qué tipo de fuentes de datos trabajas principalmente y cómo garantizas la calidad y precisión de los datos en tu análisis?

Desde el área de Data Services, están establecidos cuáles son los datos que se le pide al cliente y que ellos envían como layout. Luego los datos se limpian y se validan, para llegar posteriormente a la base de datos donde se integran y después el algoritmo obtiene esos datos. Entonces nosotros desde Data Science ya contamos con que esos datos están limpios y procesados por Data Services.

En esa línea, ¿cómo prioriza uPlanner el uso ético y responsable de los datos en las iniciativas que hacemos de Data Science? Especialmente teniendo en cuenta la privacidad y seguridad de los datos de terceros, en este caso de las universidades que servimos.

Los datos que nosotros usamos en el área, al menos los de Smart Campus, son datos asociados a los periodos académicos, a los recursos, a las inscripciones, todo lo que tiene que ver con una planificación. Hay varias formas para que los datos lleguen a nosotros. Por ejemplo, algunos clientes tienen una API donde acceden a sus datos y eso alimenta después a nuestro sistema para generar esos layouts y poder integrar los datos. Entonces ahí también intervienen las áreas que tenemos de plataforma de Data Services que se aseguran de la integridad y la seguridad de esos datos.

Cuéntanos si existen herramientas, técnicas o metodologías específicas que sean especialmente importantes para Data Science en uPlanner y cómo te mantienes actualizada con los avances en este campo.

Nosotros utilizamos las herramientas de Python e pandas principalmente, que nos permite trabajar con cantidades de datos y manipularlas de manera más fácil y nos vamos actualizando en el equipo. Generalmente entre todos nos vamos capacitando, también hemos ido armando documentaciones base que sirven si llega alguien nuevo. Además, vamos tomando cursos como parte de nuestros planes de acción y nos compartimos la información.

¿Podrías compartir un ejemplo de un problema desafiante que encontraste como Data Scientist en uPlanner y como abordaste su solución?

Bueno, cuando entré a trabajar uno de los primeros desafíos que tuve que afrontar fue un proyecto que se dio en México, que era el de la SEP, la Secretaría de Educación Pública en México, que involucraba trabajar también con otras dos instituciones, el Instituto Politécnico Nacional (IPN) y la BUAP. Y ahí nosotros realizamos una consultoría para que las instituciones pudiesen tener una mayor capacidad de matrícula, porque había mucha gente que postulaba y no había tantos cupos. Entonces la idea era aumentar esa cantidad de estudiantes en estas instituciones que eran públicas y ahí usamos distintas herramientas, también scripts. En Python hicimos mapas de calor con la planificación en los calendarios, para ver cómo se podía compactar y que entraran más estudiantes.

En tu opinión, ¿cuáles son las habilidades y cualidades clave que hacen exitoso a un Data Scientist?

Dentro de las habilidades creo que hay que tener obviamente una capacidad analítica para detectar ciertos errores en los datos o inconsistencia. También para ver cómo hacer algoritmos más eficientes porque obviamente la idea no es sólo entregar una buena solución, sino que permita generar resultados rápidos para los clientes. Entonces ahí hay que tener alta capacidad analítica y siempre estar aprendiendo cosas nuevas. Yo creo que la mejor forma de lograr esto es siempre enfrentándose a los desafíos. Como te mencionaba yo cuando entré tuve que incorporarme rápidamente al proyecto que se dio en México y eso me sirvió mucho para aprender, así que lo que necesitas es “tirarte a la piscina”, como se dice.

Ya para finalizar, ¿qué es lo que más te apasiona de tu carrera? ¿cómo ves tu carrera hacia el futuro con todos los cambios que están sucediendo en el campo de la inteligencia artificial?

A mi me parece súper interesante la optimización de inteligencia artificial. En eso también enfoqué mis estudios y mi tesis cuando me gradué. Por eso también me llamó la atención trabajar acá, porque creo que aquí se permite desarrollar cosas de ese estilo, desarrollar algoritmos y eso es lo que más me apasiona, el desarrollar algoritmos y también apoyar en el diseño para identificar cómo se pueden ir mejorando los procesos. Y creo que ahora, con las nuevas herramientas que han salido de inteligencia artificial, hay que verlas como un apoyo, como una forma de hacer más fácil el trabajo, porque puedes ir consultando cosas y testeando ciertas decisiones, para ser más eficiente.