Data con Alexis Bocuze

[00:00:00] Speaker A: Muy buenas, te doy la bienvenida al podcast del economista José García. Como siempre, seguimiento y suscripción. Hoy con nosotros, Alexis. Muy buenas, Alexis. [00:00:08] Speaker B: ¿Qué tal? [00:00:08] Speaker A: ¿Cómo estás? [00:00:08] Speaker B: Buenas, ¿cómo estás? ¿Bien? [00:00:12] Speaker A: Muy bien también. Alexis, para la gente que no te conozca, ¿quién eres? [00:00:18] Speaker B: Bueno, yo soy Alexis Bocuse, soy francés como lo vais a escuchar con mi acento bastante fuerte y mi español a veces un poco débil, pero bien para esta entrevista. Empecé mi carrera en un mundo bastante diferente del cual en el cual estoy hoy. Empecé por lo que es consulting en la cadena de suministro. trabajando desde Vietnam por Latinoamérica y esto ha sido un mundo bastante excitante en el cual descubrí el mundo de datos y ahí tomé este giro y empecé a trabajar en datos y ha sido como mi mejor encuentro profesional ha sido encontrar esta vía Y así llegué a España. Llegué a España trabajando con Globo, y trabajando de Business Intelligence, y luego de Data Analytics, y luego de Data Science. Ya luego, si quieres, podemos volver a definir un poco lo que son estos temas. Y bueno, después de haber probado varios de los puestos que existen en este mundo de data, me reclutó una empresa que vende vinos, que vende vinos online con un modelo de subscription para construir y liderar el departamento de data ahí. Era como, yo era el primer perfil de data reclutado en esta empresa y la idea era internalizar todos los procesos, mejorarlos, crear nuevos, crear un equipo y montar como una infraestructura de datos y activos que dependen de esta infraestructura para construir valor y mejorar el negocio a través de ello. Entonces, profesionalmente es un poco esto. Y al lado, en el podcast audio no se verá, pero por si acaso sale algún video, detrás de mí hay una batería y es otra pasión de mi vida. Y también dedico bastante tiempo y esfuerzo a deporte. Mi deporte de la vida es Jiu-Jitsu, Jiu-Jitsu brasileño. Para mí es lo mejor que hay. Entonces, bueno, sería un poco esto de presentación. [00:02:39] Speaker A: Qué bueno, qué bueno. Pues muy interesante. No sé si a lo mejor nos puedes contar un poco cómo empezaste, porque al fin y al cabo, la gente que entra en el mundo de datos, hay muchas historias muy diferentes. Yo qué sé, yo recuerdo, por ejemplo, en la universidad, dar cosas como MATLAB, Gretel y alguna horroridad estas y tener que aprender por mi cuenta Python. Pero, ¿cómo empezaste tú? ¿Con qué herramientas te iniciaste? [00:03:09] Speaker B: Muy buena pregunta. Es verdad que los primeros pasos de data que he hecho en la universidad, yo no estudié nada de esto. Bueno, estudié lo con que empecé, lo de cadena de suministros, y ahí la herramienta de data que es Excel, básicamente. Entonces, como nivel súper básico. Y al salir de la universidad pues era solo esto y encontré para terminar mis estudios esta práctica que me dijo, ¿puedes picar código? Y yo como, no, pero quiero aprender. Y me enviaron un curso online para aprender R en una plataforma que se llama Datacamp, que es muy recomendable, la verdad, funciona muy bien. Ahora hay mucho más contenido que lo que había cuando empecé ahí. sobre un montón de temas, todos los lenguajes, es bastante bien hecho. Y bueno, aprendí ahí, me puse en cursos para ya tener como un mínimo de base. Y al llegar a esta práctica, pues ahí he tenido que meterle muy duro porque era una práctica en Vietnam y allá la relación con el trabajo es diferente. Allá, como lo que ellos llaman trabajar fuerte, Nosotros en Europa no conocemos mucho, es una intensidad bastante fuerte y entonces para aprender es lo mejor, porque ahí he podido ponerme como duro aprender un primer lenguaje, que en mi caso ha sido R, y de ahí ya salir después de seis meses con un conocimiento suficiente para luego pretender un trabajo en este mundo, aunque no tenía nada que ver con lo que estudié al principio. Ya solo en seis meses de full gas, digamos, de ponerle muy duro a esto, ya ha sido suficiente para empezaron la carrera del mundo de datos. Entonces, es así que empecé. Con un email que me preguntó, ¿sabes? Respuesta, no. Y otro mensaje, un link para Datacamp y ya está. Esto ha sido el trigger, digamos, para... Para empezar. Bueno, y perdón por usar palabras inglesas. No sé cómo se dice trigger en español, pero supongo que se entiende. [00:05:29] Speaker A: No, no te preocupes. Está bien y se entiende. La gente utiliza esos términos. No hay aquí ningún problema. [00:05:34] Speaker B: Vale. [00:05:36] Speaker A: Vale, para un poco situarnos, lo digo porque los trabajos en datos son bastante variables. Hay gente que a lo mejor está en análisis, pero realmente está haciendo trabajo prácticamente de ingeniero de datos o incluso de ingeniero en la nube. Entonces, ¿cuáles eran las tareas que ha sido haciendo en cada puesto para un poco que nos podamos situar? [00:05:59] Speaker B: Es verdad que desde una empresa a la otra, la definición del mismo puesto con exactamente el mismo título y al parecer como unas responsabilidades parecidas, resulta siendo muy diferente una vez que entras en este puesto. Esto pasa bastante en el mundo de datos, creo, porque es un poco nuevo. y que desde fuera, como reclutadores por ejemplo, no siempre saben muy bien los términos que usan, o realmente lo que significan los detalles, aunque se van formando en los básicos, luego llegan como confusión, y luego cuando te enfrentas a la realidad de las necesidades de la empresa, pues igual lo que venías a hacer y lo que hace falta es diferente, y entonces tienes que adaptarte. Pero yo diría que, en general, iría así. Y yo creo que he tenido la suerte de caer como a impuestos que correspondían con la etiqueta, más o menos. Entonces, si puedo responder a la vez a mi experiencia y también lo que creo que a qué deberían corresponder cada término, porque no creo que sea muy diferente. En el primer puesto en el cual llegué ha sido Business Intelligence Analyst. Y en este caso, este puesto corresponde a crear dashboards y los modelos que están detrás para que los dashboards puedan funcionar bien. Y funcionar bien significa, claro, tener datos que están no solo relevantes, pero accurate, como precisas, como justas. Eso es, ¿no? Justas. ¿Y qué las queries que están funcionando con este dashboard? O sea, si hago una palabra en inglés y la quieres traducir tú en. [00:07:53] Speaker A: Español... Es que lo usamos indistintamente, o sea, no... Porque al final... Claro, sí, todo el mundo lo va a entender. O sea, todo el que ha utilizado SQL lo conoce. [00:08:03] Speaker B: Exacto, exacto. Entonces, para estar seguro que esto funcione bien y de manera lo más lean, limpio posible para consumir los menos recursos y el menor tiempo para poder responder lo más rápido posible de manera justa a la buena pregunta. Entonces, esto es como la naturaleza del primer puesto este de Business Intelligence Analyst. Luego, Data Analyst es más. te entran preguntas del negocio. Te entran preguntas como, oye, queremos hacer un foco en la retención de nuestros clientes, ¿cuáles son los parámetros que más influyen en la retención? Y es una pregunta muy abierta, porque al final la lista de solución que puedes aportar a este problema no está definida, la tienes que definir tú. Y ir hablando con la gente, con la gente de negocio, con la gente de datos, a ver un poco cuáles serían las ideas interesantes para probar. Y poco a poco ir testeándolas, hacer un poco análisis de estadísticas y ver, ah vale, aquí hay una buena correlación, allá no. Luego valorizar todo esto y decir, bueno, Después de mi análisis, mis recomendaciones son tal acción, tal acción, tal acción, empujar en tal palanca, porque vemos que la correlación es muy fuerte, aunque no hemos empujado del todo, y sería ahí un buen punto de acción. Entonces, cuando eres Data Analyst, yo creo que te entran preguntas del negocio, y luego tu papel es con datos y rigor científico proponer acciones y traducir estas preguntas, dudas, hipótesis en insights que sean accionables. Esto... sería la definición que yo daría de este puesto de Data Analyst. Y luego Data Science o Data Scientist, en el puesto que ocupe, aunque de una empresa a otra puede variar un montón, ha sido más de desarrollar y poner en producción modelos de inteligencia artificial o de machine learning para poder hacer predicciones de lo que pasará y que el negocio se adapte en tiempo real baseando en estas anticipaciones de lo que según lo que pasó en el pasado, predicimos que pasará en el futuro. Siempre es la hipótesis que hay detrás de estos modelos, ¿no? Que como el futuro es función del pasado, no siempre es verdad. Es lo mejor que podemos hacer. Qué bueno, qué bueno. Y entonces esto era el tercer puesto. Y bueno, luego al puesto de Head of Data que ocupó actualmente, pues ya es un poco... diferente en el sentido de que ya no es tanto operacional porque hay el papel de manager y la idea ya entra más los temas de planear el roadmap de todo el año, mapear todas las necesidades de los otros equipos, priorizarlas respecto a la cantidad de esfuerzo que van a pedir y al impacto que van a tener y alinear un poco todo esto y luego alinear los recursos que hay dentro del equipo para que podamos crear el máximo de valor en el tiempo que tenemos. Y bueno, al final sería esto mis definiciones de estos puestos o tal cual como las he visto yo. [00:11:47] Speaker A: Pues me parece muy interesante y por suerte veo que se ha correspondido mucho con la realidad teórica. porque cuando hablo con otras personas me cuentan de todo. No en entrevistas, en privado, pero me cuentan de todo. Así que me gustaría aprovechar para preguntarte un poquito más por estos dos últimos puestos, sobre todo el de Data Science. el stack tecnológico que utilizabais, y luego preguntarte en tu puesto actual un poco cómo funcionan las políticas, si hacéis sprints, cómo organizáis, en fin, toda esa parte. [00:12:27] Speaker B: OK. Entonces, el stack que teníamos para hacer data science en Globo, Era bastante guay, la verdad. Y supongo que todavía lo es, o aún mejor. Seguramente aún mejor que lo que era hace dos años. Hubo mucha inversión en esta dirección. Lo que teníamos es una plataforma desarrollada dentro de la empresa misma. Entonces, una plataforma de la cual Glovo es propietario. que llamaron Machine Learning Platform, en la cual los primeros data scientists no solo desarrollaron modelos que pusieron en producción y que, por ejemplo, predicía el tiempo de entrega de un pedido o cosas así, sino que dividieron todas las tareas que hay en este workflow de Machine Learning en pequeñas tareas reusables y poner esto en librerías que luego los demás pueden reusar. Entonces, si tú llegas después de tres años, beneficias de tres años de trabajo de varias personas, en este caso algo entre 20 y 30, si no me equivoco, que han trabajado en varios modelos y puede reusar todas las piezas que ellos construyeron. Entonces, desarrollaron esto ellos mismos, no depende de ningún otro proveedor, lo que es bastante interesante. Al principio cuesta un poco ponerse, pero al entender poco a poco lo que hay dentro de esta plataforma, tiene mucho, mucho valor dentro. Y todo esto está hecho en Python. Entonces, lo más clásico sería un proceso que hace su query en el Data Warehouse, que en este caso era Redshift, luego lo proceso en un servidor en general de Amazon, un instance EC2, luego hace run con estos códigos de Python que están en esta librería y que cada uno adapta a sus necesidades. Y luego, el output de esto, o va a ir directamente en el producto, entonces en el backend, o si no, puede ir a otras herramientas, si es para hacer predicciones, por ejemplo, de cuál va a ser la eficiencia de una marketing campaign. Entonces, vamos a hacer predicciones sobre esto para adaptar los presupuestos en tiempo real o cosas así. Y en este caso los datos irían directamente hacia Google o Facebook, la destinación puede variar. Pero el stack era más o menos así. [00:15:21] Speaker A: Qué bueno, me parece bastante interesante. Y vamos, sería bueno ya, si luego nos pasas el contacto de alguna de las personas y nos lo puede explicar en algún futuro episodio, pues oye, genial. [00:15:36] Speaker B: Sí, sí, sin problema. Y si quieres entrar más en los detalles, también podemos. Ahora era más como un overview, digamos, pero si quieres entrar en los detalles, no sé qué tan técnico sueles entrar en las entrevistas que haces, pero bueno, tú me guías y si quieres ir a los detalles, sin problema. [00:15:55] Speaker A: De todo, yo me parece genial y muchas veces hemos sido bastante técnicos incluso en temas a lo mejor que no son tan empresariales o tan de cerca con lo que estamos tocando, entonces lo que puedas aportar pues oye, bienvenido, si puedes ir en más profundidad pues oye, te lo agradecemos todo. [00:16:15] Speaker B: Ok, pues en este caso yo creo que podría ser interesante mencionar Algo que yo aprendí allá ha sido la manera de hacer testing para un modelo. Y esto ha sido como muy bien abstractado o abstracted del proceso. Es como, para que tu modelo pueda llegar en la plataforma, x% de tu código tiene que estar cubierto por test. Que luego, si otra persona, por ejemplo, quiere añadir cosas a tu modelo, tendrá que repasar todos estos test automáticos y asegurar que, al modificar algo, no rompió otra cosa sin darte cuenta. Entonces, como está todo cubierto así, con reglas bastante estrictas, pero como muy bien hechas, se asegura que el sistema sea robusto. Porque a veces hay modelos que dependen de otros, y entonces, al romper algo, puedes hacer toda una cadena de problemas. Y esto, claro, no queremos. Entonces... Hay este sistema de protección que existe y que está forzado. No es como alguien detrás que verifica que es todo automático y si los test no pasan, pues tu código no entra. Si tú quieres romper algo en producción, básicamente tienes que esforzarte mucho para encontrar una falla que puedas romper algo porque es muy bien protegido. Y esto me pareció bastante interesante. Aprendí ahí estas prácticas de unit test, integration test, es muy interesante. [00:18:06] Speaker A: Luego te había preguntado también por en tu puesto actual cómo están afectando las políticas y cómo es el management, si hacéis sprints, en fin, cómo se desarrolla tu día a día. [00:18:21] Speaker B: Pues ahí podríamos entrar en la parte un poco más entraponaria en el sentido de que al llegar a este puesto yo llegué en un Canvas blanco, página blanca, no había básicamente nada y era todo para construir. Y esto es exactamente lo que estaba buscando, un poco este challenge de construir algo de cerro con mis manos y empezar desde lo más fundamental y construir todo a partir de ahí. Y esto evoluyó bastante con los dos añitos que llevo ahí, pero ahora como nos organizamos es de la manera siguiente. Cada final de año, o sea, básicamente el periodo ahora, recogemos todas las necesidades de todos los equipos en las cuales podemos contribuir. Entonces, puede ir de cosas muy simples como construir un dashboard, a cosas más complicadas como hacer un modelo de predicción de la demanda, o una segmentación cliente, o una herramienta que adapta automáticamente los precios de los productos. Bueno, el tipo de herramienta de data que sea, que llamamos Data Products, y recogemos todas las necesidades estas, le ponemos en una matriz de esfuerzo e impacto, y basando en esto y en las prioridades estratégicas de la empresa, que se definen en los OKRs al mismo periodo, priorizamos. Esto entra, esto no entra en la roadmap del año. Entonces, hay un primer... rango de tiempo, es el año, vamos a hacer un roadmap y a ver qué es lo que entrará o que no entrará. Ya así es para definir las expectaciones un poco de lo que se va a poder entregar. Porque a veces la gente, una vez formalizó sus necesidades, tiene la impresión que ya va a estar hecho. Pero no siempre es posible. Si recibimos, no sé, trabajo para dos años, no entrará todo, obviamente. Luego, A partir de ahí hay una revista cada trimestre. Hacemos esta sesión de OKRs que es revisar qué es lo que nos queda del trimestre anterior, por si quedaría algo, qué es lo que podemos entrar de más, y ahí entrar cosas un poco más granulares, como objetivos más chiquitos, ya de un trimestre, a veces hay proyectos que duran 6 meses, pues los rompemos en 2 subobjetivos, y para qué, Todo lo que entra en una roadmap, o del año o del trimestre, se pueda terminar a este tiempo. No es como, y solo queremos empezar. Esto no es aceptable. Cosas que se puedan terminar dentro de este tiempo. Y siempre guardamos un poco de tiempo para las necesidades del día a día, las preguntas como, ¿me puedes sacar estos datos? Pues sí, demoraré, no sé, un día, pues hay que guardar siempre un poco de margen para esto. Entonces, aseguramos el equilibrio carga-capacidad realístico. Es muy fácil empezar muy ambicioso al trimestre y luego terminar con problemas. Después de eso, tenemos esta dinámica de sprint, que cada dos semanas revisamos todo lo que está en el backlog y rompemos de nuevo todas las tarreras del trimestre en tarreras chiquitas que se puedan terminar en menos de dos semanas. Y ahí la gente tiene visibilidad constante sobre esto. Lo hacemos en Notion, es público. Toda la gente que tiene interés en lo que estamos haciendo, los stakeholders, digamos, están notificados y pueden seguir, ah, tal etapa está hecha, ahora ya hemos pasado al próximo nivel, etc. O está ahora en pausa porque estamos esperando respuesta de tal otra persona. Es todo abierto y público. y realizamos esto cada dos semanas en una sesión de sprints a pasar cosas de lo que era en el backlog a priorizar y luego dos semanas el foco es matar todo lo que está priorizado para así cumplir con los objetivos por luego del trimestre y del año. Nos organizamos así y con cada semana tenemos dos sesiones de stand-up y una de one-on-one con cada persona, con su manager, y esto es para como más que fluyen, bueno, que las dudas chiquitas del día a día se puedan resolver rápido y que tengamos estos tiempos un poco rutinas, en los cuales, si no tenemos nada para decir, no es un problema, igual podemos saltar uno, pero siempre hay un tiempo abierto para que uno pueda compartir sus dudas, sus problemas o sus descubiertas o lo que sea, son los buenos momentos para hacerlo. Y bueno, como estamos la mayoría en remoto, O sea, tenemos oficinas, pero pasa muy poco que todo el mundo esté reunido en el mismo lugar al mismo día. Entonces, como siempre, digamos, hay una persona en remoto por lo menos, necesitamos organizarnos como si todo el mundo estuviese en remoto. Y por eso no podemos... solo esperar que las conversaciones y los asuntos surjan como si fuesen una oficina. Porque a veces no es posible. Entonces, abrimos tiempos dedicados a este tipo de conversación del día a día, que a veces son las mejores para encontrar soluciones. Entonces, bueno, la organización hoy es un poco así. [00:24:21] Speaker A: Está muy bien y yo creo que es algo bastante interesante tanto para la gente que a lo mejor se está planteando emprender y empieza ya a pensar en este tipo de problemas como a lo mejor gente que ya tiene su empresa y, oye, abrirla a trabajar remoto después de lo que hemos vivido en estos últimos años pues, oye, abre oportunidades en mantenerlo de poder traer talento y de tener a la gente un poco más contenta. Así que me gustaría ahora preguntarte por ¿Cuál o si tienes algún otro proyecto que nos quieras compartir? Porque al final, estando en datos, estando en el mundo de startups, seguramente serás alguien bastante inquieto y es posible que tengas alguna otra cosa que quieras compartir. [00:25:04] Speaker B: Sí, de hecho, hace poco me puse un poco en el mundo de autónomo. dedico un poco de tiempo extra fuera de mis horarios de trabajo a buscar mis propias misiones y a realizar trabajo para ahora mis propios clientes, o bueno, de hecho, lo hago en colaboración con mi novia que está en el mismo campo de trabajo, entonces los dos colaboramos en proyectos relacionado con datos, y esto nos abre bastante la mente en el sentido siguiente. Al entrar en una nueva empresa como proveedor de servicio de datos, siempre te vas a encontrar con un contexto diferente. Van a usar otra tecnología, van a usar otro vocabulario, están organizados diferentemente, tienen prioridades diferentes, y siempre hay que adaptarse Esto es un ejercicio de flexibilidad que es muy interesante, que también creo yo muy importante, pero también puedes encontrar allá muy buenas ideas que quieres luego reusar dentro de tu propia empresa. Entonces, no es como, solo quiero hacer mi cosa por mi parte, como ahí también lo veo como fuente de inspiración para recoger información, procesos, maneras de proceder, de cosas que, oh, qué guay, esto lo quiero hacer o, qué peligro, esto nunca lo haría. Ya veo cómo falla y ahora que me reclutan para resolver el problema, pues ya sé que yo no caeré en esta trampa gracias a la experiencia de ellos, que solo puedo ver porque tengo esta actividad al lado. Entonces, es bastante interesante esto y también es la oportunidad de desarrollar conocimientos extra porque siempre que hay una nueva oferta, en general, como el reclutador te llama a ti porque ya ve que hay un buen match de perfil y de skills. En cambio, siempre hay un 20% que no sabes. Como, ah, tienes que estar fuerte en A, B, C, D, y bueno, el D nunca lo has tocado de verdad. Pues ya llegas con A, B, C y es la mejor oportunidad de aprenderte es tener un proyecto del mundo real con el cual vas a tener que esforzarte y sacarlo por adelante y tener como ya una arma más en tu arsenal. No sé si se puede decir así, pero me entiendes. [00:27:46] Speaker A: Sí, sí, no, yo te entiendo perfectamente y yo hago lo mismo, o sea, yo tengo una serie de proyectos clave y efectivamente, o sea, al final cada vez que te enfrentas a algún nuevo desafío o entra un nuevo proyecto siempre hay algo, siempre hay algo que cambia, siempre a lo mejor hay un bucle, siempre a lo mejor hay una nueva librería o una librería que utilizabas antes y que ahora ya no es compatible con no sé qué y tienes que tirar de la otra librería, o sea, siempre acabas aprendiendo haciendo algo y los proyectos es la mejor forma de aprender. Siempre sale algo, o sea, por muy simple que parezca, es lo que has dicho. Estás en otro entorno, utilizan otras cosas y siempre hay algún cambio nuevo que tienes que hacer y, oye, vas metiendo ahí proyectos que tienes en la saca de los que puedes tirar y facilita y agiliza mucho el trabajo futuro. [00:28:34] Speaker B: Exactamente. [00:28:36] Speaker A: Sí que me gustaría, ¿has comentado reclutadores y qué tal ha sido tu experiencia con ellos? [00:28:44] Speaker B: Pues, la verdad, bastante straightforward, yo diría, en el sentido de que yo no hago mucha como búsqueda de misión o de trabajo o lo que sea de manera activa. Yo solo miro mi LinkedIn de vez en cuando. Y mi Roaming Box entra por ahí y suele ser más que lo que puedo hacer lo que entra por ahí. Entonces, con esto sin problema, luego como he visto procesos como... que son más atractivos que otros. Luego es como, vale, si estás dispuesto, empezamos mañana. O vas a tener que pasar por una ronda de cinco entrevistas, me tienes que enviar cinco documentos y no sé qué. Y es como, pero este tiempo yo prefiero trabajar. Y, bueno, hay procesos de todos tipos. Esto, pero para mí el mejor, La mejor manera de encontrar es más como con la red personal, porque una vez que ya dejaste una huella positiva en el entorno profesional de una persona, esto es tu mejor elemento de venta. No hay discusión con esto, es como digo para autónomos que no tienen como una fuerza marketing para nada y es solo como red, hablando con la gente, un poco de LinkedIn por ahí, pues gente con quien has tenido la oportunidad de trabajar por el pasado son los mejores para hacer recomendaciones porque si has dejado una huella positiva y has demostrado como ganas de cumplir objetivos y rapidez para aprender y tal, pues ya con esto es más fácil sacar misiones al lado que si has tenido problemas con tus entornos profesionales anteriores. Para mí es una fuente también muy importante. [00:30:59] Speaker A: Entonces, ¿cómo te llegan los leads aproximadamente? Si puedes dar así porcentajes, ¿cuánto viene por LinkedIn, reclutador, entorno personal? [00:31:13] Speaker B: Bueno, de hecho, no hace tanto tiempo que me puse a esto, seguramente era variando, pero ahora yo diría, y estoy haciendo esto también con mi novia, ella también tiene sus propias fuentes, pero yo diría mitad LinkedIn, luego 25% como un cuarto más como por plataformas como Malt o Reflutadores, o cosas que están ya más dedicadas a esto, y otro 25% ya de, ah, un excompañero de trabajo tuyo me contó qué hace, ta, ta, ta, no me podrías ayudar, y ya cosas más de red personal. Entonces, para mí sería un poco esto de inbound, esta repartición más o menos. [00:32:04] Speaker A: ¿Y algún consejo para mantener el pipeline continuo? Porque me imagino que tendrás fluctuaciones como lo gestionas. [00:32:13] Speaker B: Pues, la verdad, como te he dicho, hace poquito tiempo que empecé y esto no es un problema que he tenido aún. Entonces, No voy a responder en el sentido de que probé con esta solución, probé sin y esta solución funciona. Ahora es un problema que no me enfrenté, pero de instinto yo diría que lo más importante es cumplir súper bien su misión actual, recoger un feedback que esté fácil de compartir con los demás y atractivos. baseando en números, con menciones un poco personales de la relación que hubo, pero con una muestra muy numérica del impacto de la misión y en un formato cortito. Esto si lo puedes luego compartir fácilmente, poner en su sitio web, poner en tu portfolio y luego construir un poco un activo que hace valor de No es como fuerza de venta, pero vas a ganar mucho más fácilmente la confianza de los demás con este tipo de activo. Pues yo creo que sería mi consejo de principiante que nunca se enfrentó al problema que mencionas. Pero si fuese el caso, mi estrategia sería esto. [00:33:41] Speaker A: Genial. Me gustaría preguntarte ahora por el futuro. Alexi, ¿cómo te ves de mayor? [00:33:49] Speaker B: El futuro. Pues mis planes para el futuro cambiaron mucho hace muy pocos días. Felicidades, ¿no? Hubo un cambio bastante grande. Te voy a contar un poco esta historia. Yo tengo una manera de aprender que no es la más usual del mundo. Cuando la cuento, hay gente que me dice, ¿en serio? O hay gente que me dice, ¡ah, qué bien, voy a hacer lo mismo! Pero no es tan común. Siempre pasar por entrevistas, aunque no estés interesado en algún trabajo. Si tú quieres aprender cosas, especialmente si vienes de un entorno en el cual no hay nadie para a enseñarte cosas en tu propio campo de expertise, necesitas buscar recursos exteriores, y entonces yo lo he pasado estos años haciendo entrevistas un poco en continuo, sin necesariamente querer juntarme con estos puestos, sino con el objetivo de sacar lo máximo que podía de estas entrevistas para ver qué es lo que preguntan, y hacer un poco de entrevista a revés y ver cuál es lo más interesante para ellos. O la entrevista va bien y en este caso ya ganas un poco de confianza, potencialmente sobre un puesto en el cual no estabas seguro de tu nivel y ya te lo puede confirmar o no. Si va mal, ya sabes cuáles son las preguntas con las cuales has fallado y puedes ya ir aprendiendo más con eso. O si está como bien o mal, pero la pregunta te gustó, pues ya ganas nuevas preguntas que tú vas a poder hacer con tus próximos reclutamientos. Porque a veces hay preguntas muy listas que la gente hace y es como, wow, no va a jugar un papel decisivo en la entrevista en la cual estoy. En cambio, la pregunta me gusta tanto que la voy a usar yo para mis próximos reclutamientos. Y estos tres tipos de valor que voy buscando. Entré en uno de estos procesos recién y al principio no pensaba juntarme. Pero al final encontré un nuevo puesto en el cual estoy ahora seguro que voy a poder aprender mucho más y acepté una nueva oferta para un nuevo puesto en una empresa de eventos, digamos. No puedo decir el nombre, pero una empresa, digamos, eventos comunitarios y bueno, esto va a ser el desafío para el futuro, va a ser tomar un nuevo challenge en un nuevo entorno para un tipo de producto muy guay con el cual nunca he trabajado y con un tipo de equipo muy internacional, con gente en India, en Estados Unidos, ya va a ser como un contexto de tech mucho más maduro que el cual en el que estoy hoy. Entonces, bueno, proyectos para el futuro ya se anuncian así, pero hubiéramos hecho la entrevista hace una semana, te hubiera hecho una respuesta muy diferente. Pero hoy mi respuesta es esta, ya planes para el futuro, va a ser seguir con los proyectos de autónomo por las mismas razones que ya hemos anunciado aquí y prepararme para este nuevo puesto que se ve muy muy excitante al nivel de impacto y también de aprendizaje. [00:37:40] Speaker A: Genial. Pues Alexi, de verdad, muchísimas gracias por venir aquí al programa y por compartir tu experiencia. Ha sido un placer y de verdad te deseo toda la suerte del mundo. [00:37:51] Speaker B: Un placer compartido, José. Muchas gracias. [00:37:54] Speaker A: Pues nada, hasta aquí el podcast. Ya sabéis, seguimiento y suscripción. Nos vemos aquí en el podcast del economista José García. Un saludo. Toda la suerte del mundo.