What skills does an engineer need to be a successful professional?


Last year I took one of the most important decisions in my life, which was to quit my jobs in my home country and move to the United States of America to start a Master of Sciences in Industrial Engineering at University of South Florida, in Tampa, Florida, an educational institution in with the status of “preeminent state research university”.

When I first came to Tampa to get to know the university before starting my studies I had the opportunity to talk to Dr. Tapas Das, Chair of the Department of Industrial and Management Systems Engineering at the University of South Florida. I wanted to know what skills I needed to succeed as an engineer and who better than him to answer these questions.

So I asked him for an interview and he gladly accepted. Here I am telling my experience as an graduate student to understand how what he mentioned in the interview are actually applied in the program I am studying at University of South Florida.

In the next line I will try to summarize some of the aspects that are actually very accurante to what Dr. Tapas Das told me:

  1. Communication is an important skill for engineers (and indeed for every professional): Some of the courses in taking require a lot of presentation skills. I need to be sincere on this. I have been teaching for the last 17 years and this skill is kind of familiar to me, but not every engineering student is able to make a presentation to communicate ideas in a way that they can draw the attention of their audience, use the right amount of content in the presentation with clear objectives within the stipulated timeframe. I have seen this even in experienced professionals both here in the USA and back in Peru. That is why within the data science field I devote most of my time to learn about data visualization and storytelling skills. I think that no matter how good you are in math or statistics as an engineer if you cannot properly communicate your ideas. USF places a lot emphasis in this aspect which translates in homeworks and projects that takes this important aspect into account.
  2. Data driven decision making using data is across the board, everybody is going to benefit from that: the courses I have liked the most in the master program, are related to data. I am taking a course on Statistics this semester as an open student in which I am learning not only how to use a formula to solve an exercise but how we actually apply Statistics in common problems every day, even without knowing we are doing so. Engineering Analytics is a course I liked a lot last semester since we got the opportunity to apply our knowledge in a real data science competition. Being able to apply what you study actually lets you know how good your learning is. That is why I am firm believer in project based learning to solve real problems instead of being just a listener in a class
  3. Team work is important: My experience working in teams has taught me that expecting everyone in a team to contribute equally is not only unrealistic but counterintuitive since not everyone posses the same skills. It is perfectly fine to let somebody contribute more in a part in which one is more skilled and later other members might contribute in other different areas in which they are more skilled. Sometimes people will find hard to understand that approach because in school or even university we were taught or expected to contribute equally but that does not happen in real life. Every individual have different skills and understanding that premise is hard at first, but the best results are obtained that way in my experience. I think that make everyone feel talented in a group despite different contributions made in a project is a challenge but when we succeed, team work succeeds.

In summary, I was quite amazed to learn that nowadays the skills that are most demanded are the ones that build relationships even in classical fields like engineering where math and science skills are imperatively needed. The idea of the lone genius discovering solutions by themselves is long gone by now and data literacy, communication and team work is the new skillset for a successful professional.

Here is the transcript for the short interview to Dr. Tapas K. Das:

AF: In your opinion, what is the profile or skills needed to succeed profesionally as an engineer?

TD: OK, As an engineer, right?. Not only as an industrial engineer, right?.

AF: Right, as an engineer. 

TD: I think that the most important skillset for an engineer is communication. The ability to communicate both in writing and verbally, in both ways, is an important aspect of engineering. Engineers makes decisions and for decision making, they need to be involved in team work and so if they can communicate to the team, they can make good decisions. Of course they need to know the engineering part of it too, but the reason I am putting communication ahead of engineering skills is because we know no matter how much you know you are not going to be able to do well without these skills.

AF: Soft skills?

TD: Actually nowadays people are objecting to call them soft skills, because by saying soft skills it seems like we are taking the value off from those skills, by calling them soft. Those are hard skills too: communicating in both ways, in written and in verbal form, it is not easy.  Leadership, team work, etc. these are all skills that need to be acquired.

AF: Should we called them main skills?

TD: Yes, they are an integral component, these are like a portfolio that an student, an engineer must acquire.

AF: What technologies do you think will have the most impact in our society in the next years?

TD: I do not have a special potion to answer this question but undoubtedly data skills: skills to put data into decision making is going to be an skill that will be above most skillsets in coming years, as clearly as you can see, because in the past people went to dig for gold, now gold is hiding in the data, data is the new oil. Now you can mine in the data to find the value you are looking for.

AF: That skill is for any professional not only engineers, right?

TD: For every professional. Data driven decision making using data is across the board, everybody is going to benefit from that.

AF: What books, fiction of non fiction, would you recommend to read to an engineer?

TD: I am not sure that I have an specific recommendation for a book to read, there are plenty of books in those areas: writing, communication, team work, etc..

AF: Is there any professional field that you would recommend to an engineer to work in?

TD: That is a broad question. I think, fields where data driven intelligence can make more gains. That is what everybody is talking about now. Everybody is talking about artificial intelligence, which is really a fancy nice word, even though is not new, it is been there forever. Artificial intelligence is finally coming to benefit us. Now we have the ability to really benefit from it, because we have the tools to glean the intelligence from data. We have the algorithms, we have the computing power, we have the tools, the sensors that are collecting data. Now it is the time for artificial intelligence. So I think that engineers looking to choose their field, it does not matter whether it is in healthcare, manufacturing, service areas, banking, consulting, etc. everything is data driven. So developing skills to build artificial intelligence or being able to learn what is in the data through those algorithms is going to be the main push. Everybody is looking for engineers who can do that, who can work with A.I.. Artificial intelligence is the key, is the set of the keywords right now.

Here is a little fragment of the video of the interview:

Cómo el uso de Analytics está transformando el fútbol y los deportes


Es ya sabido que cada vez es mayor el número de empresas u organizaciones que vienen haciendo uso de Analytics en sus estrategias de negocios. Sin embargo, esta tendencia no solamente se ve en los negocios sino también en el ámbito deportivo, pues el uso estratégico de Analytics, desde hace algunos años, ya ha empezado a influir de manera creciente en las tácticas y decisiones de los deportes profesionales, tales como el béisbol y el baloncesto.

Pero si abordamos el ámbito relacionado al fútbol, este nunca ha sido un deporte dependiente, en gran medida, de los análisis para tomar decisiones, tal vez porque tradicionalmente se veía al fútbol como una disciplina deportiva poco adecuada para el enfoque analítico. Para ilustrar esta diferencia con el béisbol, un caso de estudio interesante es el de los Oakland Athletics, un equipo profesional de beisbol de los Estados Unidos, que, a inicios de la década del 2000, comenzó a utilizar un enfoque analítico en sus decisiones, al tomar como base los principios de una disciplina llamada Sabermetrics, la cual hace uso de técnicas estadísticas para analizar los registros del béisbol y hacer determinaciones sobre el rendimiento de cada jugador, así como también de la actividad en el juego, mediante la recopilación y el resumen de los datos relevantes para responder preguntas específicas, por lo cual alguna vez se acuñó a esta disciplina como “la búsqueda de conocimiento objetivo sobre béisbol”. El término se deriva del acrónimo SABR, que significa Society for American Baseball Research, fundada en 1971.

Esta tendencia comenzó cuando Billy Beane, un exjugador de beisbol convertido en ejecutivo, asumió el cargo de gerente general del equipo de los Oakland Athletics en 1997 y luego contrató a Paul DePodesta, un joven estadístico egresado de Harvard, como su asistente. A través del análisis estadístico realizado por Beane y DePodesta en la temporada del año 2002, los Oakland Athletics ganaron 20 juegos seguidos y llegaron a los playoffs de esa temporada. El éxito de los Oakland Athletics alentó a muchos equipos de beisbol, y de otras disciplinas deportivas en todo el mundo, a replicar el modelo promovido por Billy Beane.

Sus enfoques sobre el béisbol pronto obtuvieron reconocimiento mundial cuando Michael Lewis publicó “Moneyball: el arte de ganar un juego injusto” en el año 2003, libro donde detallaba el exitoso uso de esta disciplina llamada Sabermetrics, por parte Beane y DePodesta, y cómo el equipo de béisbol de los Oakland Athletics logró conseguir una ventaja competitiva frente el resto de equipos al evaluar a los jugadores usando un criterio diferente, pues tradicionalmente estos jugadores eran reclutados por aspectos visibles como velocidad, aspecto físico o popularidad, cuando las métricas usadas por los Oaklands Athletics se centraban en conseguir victorias, para lo cual debían conseguir carreras y evitar que su oponente complete carreras. Posteriormente, y debido al éxito de la publicación del libro de Lewis, en el año 2011, se estrenó una película basada en este libro, también llamada “Moneyball”, protagonizada por Brad Pitt y Jonah Hill, la cual se convirtió en un éxito mundial de taquilla e hizo incluso más conocidas las estrategias utilizadas por los Oaklands Atheltics.

De manera específica, las estrategias de Beane y DePodesta se centraron en dos métricas poco relevantes en el mundo del beisbol hasta ese momento: porcentaje en base (OBP, por sus siglas en inglés) o porcentaje de veces que un jugador llega a una base en su turno y porcentaje de slugging (SLG, por sus siglas en inglés) o cuán lejos, en cuanto a cantidad de bases, llega un jugador en su turno. Todo esto fue considerado en un modelo estadístico que determinó que, para tener una gran probabilidad de llegar a los playoffs, debían ganar 95 juegos, con una diferencia positiva de 135 carreras en total durante toda la temporada.

A diferencia del béisbol, siguiendo la sabiduría convencional, el fútbol parecía, aparentemente, imposible de cuantificar, pues gran parte del juego implica mover la pelota de un jugador a otro mientras se espera la oportunidad de crear una situación para anotar. Pero esto se demostró que estaba equivocado cuando Ian Graham, un PhD en Física de la Universidad de Cambridge y Director de Investigación del Liverpool F.C, creó desde cero su propia base de datos para seguir el progreso de más de 100,000 jugadores en todo el mundo, y, de esa manera, poder recomendar cuál de estos jugadores debería adquirir el Liverpool F.C., equipo para el cual todavía trabaja en la actualidad, y, posteriormente, cómo estos nuevos jugadores deberían ser parte de la estrategia del club. Graham realiza este análisis al introducir datos detallados sobre los juegos en sus modelos de decisión y, al contrario de lo que cabría esperar, no mira los juegos de fútbol para crear estos modelos, porque cree que esto contribuye a crear un sesgo negativo para tomar las decisiones adecuadas.

Los resultados de los últimos años del Liverpool F.C. son la evidencia tangible de que las estrategias estaban funcionando, ya que fueron tanto subcampeones (2017-18) como campeones (2018-19) en las últimas dos temporadas de la UEFA Champions League y, sean cuales sean sus resultados futuros, los resultados sobresalientes del Liverpool F.C. ya han comenzado a generar cambios en las formas tradicionales de tomar decisiones en este deporte, no solo en Inglaterra sino más allá. Como resultado, más equipos de fútbol contemplan contratar especialistas en Analytics, sin importar mucho si poseen experiencia en fútbol, para intentar replicar este éxito único.

Adicionalmente, un dato interesante que vale la pena notar es que fue el mismo Ian Graham quien recomendó al Liverpool F.C. adquirir al futbolista egipcio Mohamed Salah en el año 2017, quien en ese momento jugaba en Italia. Ese año, Liverpool F.C. pagó a la A.S. Roma, un club de fútbol italiano, alrededor de USD 40 millones por Salah. Los datos de Graham mostraron que Salah sería un buen partido para el jugador brasileño Roberto Firmino, otro de los delanteros del Liverpool F.C., cuyas estadísticas mostraban que generaba más goles esperados de sus pases que casi cualquier otro jugador en su posición, y, finalmente, esa predicción resultó ser cierta: durante la siguiente temporada 2017-18, Salah convirtió esos goles esperados en reales y al mismo tiempo rompió el récord de la Premier League al anotar 32 veces en una temporada.

Los especialistas en Analytics ahora están registrando datos de miles de acciones durante los juegos y las sesiones de entrenamiento. Pero no se trata tanto de recolectar datos únicamente sino más bien de dar sentido a estos datos. Los clubes de fútbol en la última década han tenido que lidiar con una revolución tecnológica y lo que eso significa es que han comenzado a recopilar muchos datos como base de su estrategia. Los datos deportivos son básicamente una reconstrucción del partido, pero ¿por qué es útil recopilar todos estos datos? La razón principal es tener una manera de contar una historia detallada de cómo se jugó un partido específico y la posibilidad de verlo a través de diferentes lentes, por ejemplo, cuántos pases y disparos se hicieron, también denominados datos de eventos, y, de la misma manera, desde hace poco se ha empezado a recolectar los datos de seguimiento usando chalecos de rastreo GPS portátiles, y que nos permiten ver la actividad detallada de cada jugador a través de puntos que se desplazan por el campo o visualizaciones de mapas de calor, para que sea posible contar la historia detallada de un partido de una mejor manera, ya que todo lo que hace un jugador queda registrado.

El uso de Analytics está impulsando las estrategias de las principales empresas y organizaciones de todo el mundo y, ahora, estos métodos se están aplicando al fútbol y, en general, a muchas otras disciplinas deportivas, ​​desde la sala de juntas hasta la sala de entrenamiento.

Conceptos básicos de Lean Analytics

El libro Lean Analytics Book indica cómo se debe de medir un negocio basado en los siguientes arquetipos:

  1. Ecommerce
  2. Marketplace
  3. Software As a Service
  4. Mobile App
  5. User Generated content
  6. Media

Principales métricas para saber si un producto tiene atracción

1. Adquisición del Cliente

  • CPC (Cost Per Click)
  • CTR (Click-Through Rate)
  • CAC (Customer Acquisition Cost)

2. Productos Digitales

  • Número de descargas
  • Usuarios activos diariamente
  • Promedio de ingresos por usuario

3. Fidelización

  • Tasa de referencia
  • Coeficiente viral
  • Tasa de recompra

4. Valor del Cliente

  • LTV (Lifetime Value)

5. E-Commerce

  • Promedio de compras en la web
  • Tasa de abandono

6. Email Marketing

  • Tasa de apertura del mail
  • Costo por suscriptor
  • Tasa de crecimiento de suscriptores.