Buscamos un Data Scientist con sólida experiencia en modelamiento estadístico y Machine Learning para integrarse a proyectos de implementación de alto impacto. La persona en este rol será responsable de transformar grandes volúmenes de datos en soluciones predictivas y accionables que resuelvan problemas concretos de negocio. Si tienes pasión por construir modelos robustos y trabajar con pipelines de datos bien estructurados, este es tu lugar.
Responsabilidades principales
Analizar y procesar grandes volúmenes de datos estructurados y no estructurados para identificar patrones, tendencias y oportunidades de mejora en procesos de negocio.
Diseñar, desarrollar y validar modelos estadísticos y de Machine Learning orientados a resolver problemas operacionales y generar valor medible para la organización.
Implementar y mantener pipelines de datos reproducibles y escalables utilizando Kedro, asegurando trazabilidad y calidad en cada etapa del flujo de trabajo.
Construir y evaluar modelos de series de tiempo para pronóstico y detección de anomalías, seleccionando la metodología más adecuada según el contexto del problema.
Generar visualizaciones claras y comunicar hallazgos a stakeholders técnicos y no técnicos, apoyando la toma de decisiones basada en datos.
Colaborar con equipos de ingeniería y negocio en la definición de métricas de éxito, criterios de validación y estrategias de despliegue de modelos en producción.
Mínimo 3 años de experiencia en roles de Data Science, con participación en proyectos de implementación de modelos en entornos productivos.
Dominio de Python para análisis de datos, modelamiento estadístico y desarrollo de soluciones de Machine Learning, incluyendo el uso de scikit-learn y XGBoost.
Experiencia en modelamiento de series de tiempo (ARIMA, Prophet, modelos basados en ML u otros enfoques) aplicado a contextos de negocio reales.
Conocimiento en estructuración de proyectos de datos con Kedro y manejo de librerías de análisis y visualización como SciPy, Seaborn y Matplotlib.
Capacidad para evaluar, comparar y documentar modelos de forma rigurosa, utilizando métricas apropiadas según el tipo de problema (clasificación, regresión, forecasting).
Manejo de control de versiones con Git y buenas prácticas de desarrollo de software aplicadas a proyectos de ciencia de datos.