Científico de Datos Senior

Descripción

Resumen: Buscamos un Científico de Datos Senior para liderar la evolución de las capacidades de previsión y análisis de marketing, centrándose en modelos avanzados de series temporales y su impacto comercial. Aspectos destacados: 1. Propiedad de capacidades clave en previsión y análisis de marketing 2. Autonomía significativa y propiedad técnica en las decisiones de modelado 3. Traducir modelos complejos en conclusiones y decisiones comerciales accionables **Acerca del puesto** ------------------ Buscamos un **Científico de Datos Senior** para asumir la responsabilidad de una parte clave de nuestras capacidades de previsión y análisis de marketing. El principal desafío consistirá en evolucionar nuestra actual solución de previsión basada en regresión hacia enfoques más avanzados, particularmente **arquitecturas basadas en Transformers para la previsión de series temporales**. Este no es un puesto centrado únicamente en la implementación de modelos predefinidos. Buscamos a alguien capaz de comprender el problema comercial y de datos, definir el enfoque de modelado, experimentar con alternativas, validar rigurosamente los resultados y, finalmente, ayudar a llevar los modelos a producción. Contarás con una autonomía y propiedad técnica significativas, trabajando estrechamente con el equipo mientras aportas tu propio criterio en las decisiones de modelado y arquitectura. **Lo que harás** ------------------ * Diseñar, desarrollar, entrenar y validar modelos avanzados de **previsión de series temporales**. * Evaluar **arquitecturas de previsión basadas en Transformers**, incluyendo **Chronos\-2**, así como alternativas tales como **TFT, PatchTST, Informer**, u otros enfoques relevantes. * Construir y ejecutar experimentos utilizando **Python, PyTorch, NumPy, Pandas y Scikit\-learn**. * Entrenar y validar modelos utilizando **AWS SageMaker**. * Diseñar estrategias rigurosas de validación para series temporales, incluyendo: + Validación temporal + Retropruebas (backtesting) + Ventanas de entrenamiento móviles y expansivas + Prevención de fugas (leakage prevention) + Evaluación en periodos futuros/no observados * Comparar distintos modelos y arquitecturas, yendo más allá de las métricas para comprender y explicar por qué un enfoque supera a otro. * Traducir los resultados de la previsión en **conclusiones comerciales accionables y decisiones de marketing**. * Contribuir a iniciativas de **Modelado de la Mezcla de Marketing (MMM), atribución y optimización presupuestaria**. * Analizar la contribución por canal, el impacto incremental, los efectos de saturación y distintos escenarios de inversión. * Aplicar técnicas de inferencia estadística, optimización e interpretabilidad de modelos para transformar los resultados predictivos en recomendaciones comerciales. * Comunicar claramente las decisiones técnicas, supuestos, resultados y compensaciones tanto a partes interesadas técnicas como comerciales. **Qué buscamos** -------------------------- * Experiencia sólida en **Aprendizaje Automático y Ciencia de Datos**, con especial énfasis en **series temporales y previsión**. * Experiencia práctica construyendo y validando modelos de previsión en escenarios del mundo real. * Comprensión profunda de las **metodologías de validación de series temporales** y los desafíos asociados a la evaluación de modelos sobre datos futuros. * Competencia avanzada en **Python**. * Experiencia con **PyTorch** y el ecosistema científico de Python, incluyendo **NumPy, Pandas y Scikit\-learn**. * Experiencia trabajando con **AWS SageMaker** para entrenamiento y experimentación de modelos. * Formación sólida en **estadística, inferencia estadística, optimización e interpretabilidad de modelos**. * Capacidad para abordar de forma independiente problemas abiertos, desde la exploración de datos y selección de metodología hasta la validación del modelo y conclusiones accionables. * Juicio analítico sólido y capacidad para justificar las decisiones de modelado y arquitectura. * Capacidad para vincular los resultados técnicos con los resultados comerciales. **Deseable** ---------------- * Experiencia con **arquitecturas Transformer para la previsión de series temporales**, especialmente **Chronos\-2**. * Experiencia con otras arquitecturas de previsión como **Temporal Fusion Transformer (TFT), PatchTST o Informer**. * Conocimientos de **Optimización Bayesiana** o herramientas como **scikit\-optimize**. * Experiencia con **Modelado de la Mezcla de Marketing (MMM), atribución de marketing o modelado causal**. * Comprensión de conceptos tales como: + Adstock + Curvas de saturación + Efectos por canal + Contribución incremental + Asignación y optimización presupuestaria * Experiencia con herramientas o frameworks como **Robyn, PyMC\-Marketing o LightweightMMM**. **Cómo se mide el éxito** --------------------------- Serás capaz de tomar un problema de datos relativamente abierto y conducirlo desde la exploración inicial hasta una solución validada. El éxito en este puesto no se limita simplemente a lograr un mejor rendimiento del modelo. Se trata de **elegir la metodología adecuada, validarla correctamente, explicar por qué funciona y traducir los resultados en decisiones que generen un valor comercial medible**. Buscamos a alguien que combine **excelente experiencia técnica, experimentación rigurosa y pensamiento comercial**, y que se sienta cómodo asumiendo la responsabilidad de desafíos complejos de modelado.