Saltar al contenido

blog

Dejé que las matemáticas decidieran mi carrera

10 mincarreradecisionesdatos

Hace unos meses tenía que elegir en qué especializarme. Seguridad, FinOps o fiabilidad de infraestructura. Las tres me parecían viables. Ninguna me atraía más que las otras de forma obvia. Y «la que más me guste» no es un criterio cuando no sabes lo suficiente de ninguna para tener favorita.

Hay quien dice que estas decisiones se toman con la tripa. Yo no me fío de mi tripa cuando está nerviosa. Así que hice lo que hago con cualquier decisión que importa: busqué datos y construí un modelo.

Qué son las tres opciones

Antes de hablar del modelo, un poco de contexto sobre las tres especializaciones.

Seguridad es lo que parece: proteger infraestructuras, datos y aplicaciones de amenazas. Auditorías, respuesta a incidentes, pentesting, configuración de firewalls y controles de acceso. Alta demanda, salarios altos, pero también las certificaciones más duras del sector (CISSP, OSCP) y mucha competencia.

Fiabilidad de infraestructura (SRE, Site Reliability Engineering) es la disciplina que mantiene los sistemas funcionando. Automatización de operaciones, gestión de incidentes, SLOs. Está en la intersección entre desarrollo de software y operaciones.

FinOps es gestión financiera de cloud. Cada empresa que usa AWS, GCP o Azure está pagando por servidores, almacenamiento y redes, y la mayoría paga de más. FinOps es el trabajo de analizar ese gasto, encontrar ineficiencias y optimizarlo. El 54% de los recursos cloud que audita una empresa media están infrautilizados o directamente ociosos.

Diagrama de cloud computing mostrando dispositivos conectados a infraestructura en la nube
FinOps trabaja sobre la infraestructura cloud: analiza qué se usa, qué no, y cómo reducir el coste sin sacrificar rendimiento. (Fuente: Wikimedia Commons)

Qué es una matriz ponderada

Una matriz ponderada es básicamente una hoja de cálculo con criterios. Pero con una diferencia importante: no todos los criterios valen igual.

Imagina que estás eligiendo piso. Tienes varios factores: precio, distancia al trabajo, tamaño, ruido. Podrías puntuar cada piso en cada factor del 1 al 10 y sumar. Pero el precio probablemente importa más que el ruido. Una matriz ponderada te deja decir eso explícitamente: el precio tiene un peso de 0,30 y el ruido de 0,10.

Cómo funciona una matriz ponderada EJEMPLO SIMPLIFICADO Factor Peso FinOps Seguridad Fiabilidad Demanda de mercado × 0,20 8 9 6 Encaje con mi perfil × 0,20 9 6 5 Barrera de entrada × 0,15 8 4 6 Salario mediano × 0,15 7 9 7 + 3 factores más (techo de crecimiento, riesgo de automatización, comunidad)... Total ponderado 7,85 7,25 6,25 GANADOR
Cuatro de los siete factores, simplificados para ilustrar la lógica. Los números son aproximados.

Para mi decisión de carrera usé 7 factores con los pesos calibrados junto a tres personas con perfiles distintos: un recruiter tech, una data engineer senior y alguien recién contratado. Promediar tres perspectivas distintas no cambió mucho mis intuiciones — pero eliminó el riesgo de que los pesos estuvieran justificando lo que ya quería hacer.

Factor Peso De dónde salió el dato
Demanda de mercado 0,20 Vacantes reales en LinkedIn, Indeed e InfoJobs
Encaje con mi perfil 0,20 Lo que ya sé hacer vs. lo que piden
Salario mediano 0,15 Glassdoor, niveles.fyi, encuestas salariales
Barrera de entrada 0,15 Certificaciones y años de experiencia reales
Techo de crecimiento 0,10 Roles senior y staff en la misma disciplina
Riesgo de automatización 0,10 Qué parte del trabajo es repetitiva
Comunidad y recursos 0,10 Documentación, conferencias, certificaciones accesibles
7factores ponderados
3opciones evaluadas
10Ksimulaciones

Por qué eso solo no basta: Monte Carlo

Una matriz ponderada con puntuaciones fijas te da un número. El problema es que ese número asume que tus puntuaciones son exactas, y no lo son.

¿La demanda de FinOps en España es un 7 sobre 10 o un 8? Depende de cómo cuentes las vacantes. ¿La barrera de entrada de seguridad es un 4 o un 5? Depende de qué vacantes mires.

Monte Carlo es una forma de modelar esa incertidumbre. En vez de poner un número fijo, pones un rango: mínimo, valor más probable, máximo. Y luego repites la decisión 10.000 veces, cada vez sacando un valor aleatorio dentro de ese rango para cada puntuación.

Animación de estimación de pi por Monte Carlo: puntos aleatorios caen dentro o fuera de un cuarto de círculo, y la proporción se acerca a pi conforme aumentan las muestras
El ejemplo clásico de Monte Carlo: lanzar puntos aleatorios en un cuadrado y contar cuántos caen dentro del círculo. Con suficientes puntos, la proporción converge a π/4. El mismo principio, aplicado a nuestra decisión: repetir con valores aleatorios hasta que la distribución se estabiliza. (Fuente: Wikimedia Commons)
Monte Carlo — de un número fijo a una distribución SIN MONTE CARLO Un número fijo FinOps 7,85 Seguridad 7,25 Fiabilidad 6,25 «FinOps gana con 7,85» ¿Cuánto podemos confiar en ese número?

→ ×10.000

CON MONTE CARLO Una distribución de victorias

FinOps 73%

Seguridad 22%

Fiabilidad 5%

«FinOps gana en el 73% de los escenarios» Eso sí lo podemos defender.

La misma decisión vista de dos formas. Monte Carlo convierte «gana por X puntos» en «gana en X% de los escenarios posibles».
Histograma de frecuencias de una simulación Monte Carlo mostrando la distribución de resultados
Así se ve el resultado de una simulación Monte Carlo: en lugar de un número único, obtienes una distribución de frecuencias. El pico muestra el valor más probable; la anchura de la curva, la incertidumbre. (Fuente: Wikimedia Commons)

El resultado ya no es «FinOps gana con 7,85 puntos». Es «FinOps gana en el 73% de las simulaciones». Eso es más honesto: no dice que FinOps es la respuesta correcta, dice que con los datos que tengo y la incertidumbre que hay, FinOps es la más probable.

Distribución de victorias — 10.000 simulaciones Monte Carlo
FinOps
73%
Seguridad
22%
Fiabilidad
5%

Por qué ganó FinOps

Dos factores lo separaron del resto.

La barrera de entrada es baja. La mayoría de vacantes de FinOps piden SQL, Python y saber leer una factura de cloud. No piden cinco años en un SOC ni certificaciones de respuesta a incidentes. Para alguien que viene del análisis de datos, la distancia entre lo que ya sé y lo que piden es la más corta de las tres opciones.

Encaja con lo que ya tengo. FinOps es análisis de datos sobre facturas de infraestructura. No es un giro radical: es aplicar las mismas herramientas a un dominio diferente. Seguridad puntuaba mejor en demanda y en salario, pero la barrera de entrada real (no la que dicen las ofertas, la que exigen cuando llamas) es un muro para alguien sin experiencia en el sector.

Lo que el modelo no puede medir

Motivación. No hay forma honesta de puntuar «cuánto me va a gustar algo que no he hecho». FinOps era la opción que menos me atraía sobre el papel.

Y eso es exactamente lo que un modelo tiene que poder hacer: separar la decisión de la preferencia cuando la preferencia no tiene datos detrás. Si hubiera elegido por intuición, probablemente habría elegido seguridad, que sonaba más interesante en abstracto.

Después de tres meses leyendo facturas de cloud y viendo cómo el 54% de una flota de VMs no hacía nada útil, la motivación apareció sola.

Es más fácil que te guste algo cuando ves que hay un problema real y que sabes resolverlo.