En uno de los cursos que, para mi fue de los más entretenidos en la carrera, que se podría describir como un curso de “analítica avanzada para marketing” (lo que sea que eso signifique), recuerdo a la mitad del semestre un compañero le pregunta al profesor: “Profe, ¿Qué tanto usan las empresas lo que está enseñando acá?” Entendible la duda, pensando ya si en los últimos años de la carrera hace sentido trabajar en un área en donde podamos aplicar lo que estábamos aprendiendo. Sin embargo, la respuesta apagó la emoción de los que escuchábamos: “Las grandes empresas no lo usan”. Esto puede ser bastante chocante para alguien que está por salir al mundo laboral y tiene la ilusión de aplicar lo aprendido para mejorar algún área de negocio ?. Lo que continuó esa respuesta dejó intrigados a los que estábamos más interesados en el tema:
“Pero es responsabilidad de ustedes como ingenieros salir al mundo laboral a hacer las cosas mejor que como están”.
Fast-forward un par de años, el boom del data science, big data, inteligencia artificial y varias otras buzzwords, dicho de otra forma… jerga que está de moda ? o es tendencia en un área en específico. Y resulta que se están usando más y más estos conocimientos técnicos en las empresas (¡era posible!). El nivel de madurez que estos proyectos tienen, que es tema en desarrollo (vea: How Developing AI Products is Different from Traditional Software), es tema para otro post. Aquí les presentaré cómo desde Wareclouds hemos tratado de aportar a cerrar la brecha entre el “mundo real” y las universidades, qué hacemos distinto y cómo nos ha resultado.
Partiendo por el inicio de esta relación, una vez terminada la carrera, fue que hemos buscado mantener una buena relación ? con mi universidad de egreso tanto con académicos como personal, participando en comunidades y foros (un poco de lo usual). En mi caso particular, tuve la suerte de trabajar con mi profesor de tesis en proyectos de investigación aplicada luego de haber completado la carrera, quien ahora es Advisor de Wareclouds, por lo que tenemos una línea directa con la universidad por ese lado. También nos asesora, tanto en temas técnicos como en desafíos de negocios y con introducciones a expertos que nos han ayudado en el camino.
Luego de esto, hemos participado en varias iniciativas con la universidad: dos proyectos aplicados como sponsors en cursos de postgrado, una tesis de magíster y dos prácticas extendidas. Diría que la única y gran diferencia de lo usual, que podría ser buscar mano de obra barata para asistir en distintos temas de la empresa, es que buscamos hacerlos partícipes de (1) proyectos desafiantes y (2) que generen un valor real para la empresa ?.
La dificultad con el primer punto vendría tanto porque el modelo de negocio tenga una componente innovadora que en algún grado permitiese resolver problemas llamativos para la academia, modelarlos y plantearlos como un proyecto típico de una empresa (véase Machine Learning Yearning para project management versión ciencia de datos).
El segundo punto, y por lo demás, el más importante, es que el proyecto tiene que generar impacto. No se puede dejar de señalar lo importante que es esto, tanto para la empresa como para la contraparte que realiza el proyecto. Por el lado de la empresa habrá incentivos para empujar a que el proyecto tenga la información, stakeholders (en otras palabras, todas las personas y entidades que nos ayudan funcionar correctamente) y disposición necesaria para que sea exitoso, por otro lado, el compromiso de la contraparte, es inmensamente mayor si siente que su trabajo importa (¿a quién no? ??♂️) y que al final del día habrá hecho un cambio real a través de su trabajo.
Como ejemplo de proyectos en los que hemos participado, tenemos el desarrollo inicial de un modelo de recomendación para que las tiendas hagan un refill de stock, sin tener retrasos o ventas perdidas por quiebres de inventario?, basándose en la probabilidad de quiebre de stock de cada SKU de una tienda (SKU = número o código de cada producto). También, un prototipo de identificación automática de pedidos mal armados, por falta de un ítem o un producto erróneo, a través de reconocimiento de imágenes. Ambos proyectos siguen en vías de desarrollo para su posterior paso a producción, ya que generan un valor real para quienes serán los usuarios de estos features. Se logró en el desarrollo de ambos prototipos, validar la hipótesis de que es posible superar un nivel mínimo de precisión para que generen valor. En paralelo, hemos estado recolectando los datos ? que nos permitirán continuar mejorando estos servicios.
Todo esto me lleva de nuevo a la reflexión inicial del profe. Es responsabilidad de nosotros empujar a hacer las cosas mejor que como se hacen hoy. A esto agrego, que debemos cuestionar si lo que estamos haciendo hoy, es la mejor forma de seguir adelante ?. Queremos poner este desafío en la mesa de todos los que vivan la experiencia de colaborar con nosotros, para que se lleven un crecimiento profesional y dejen la empresa por donde pasaron mejor de lo que estaba ?? (así como ese refrán de los scouts).