Perfil de puesto: data science specialist
especialista en ciencia de datos con enfoque en modelos predictivos e inteligencia artificial
el data science specialist es responsable de diseñar, desarrollar e implementar soluciones analíticas avanzadas que permitan a la organización anticipar tendencias, optimizar procesos y tomar decisiones basadas en datos. Este perfil se orienta a la creación y puesta en marcha de modelos predictivos, utilizando herramientas modernas de programación y visualización, así como bases de datos relacionales y no relacionales.
responsabilidades principales
· diseñar y desarrollar modelos predictivos utilizando técnicas estadísticas y de machine learning.
· implementar algoritmos de inteligencia artificial para resolver problemas de negocio específicos.
· procesar, limpiar y transformar grandes volúmenes de datos estructurados y no estructurados.
· integrar y analizar información proveniente de bases de datos relacionales (sql, postgresql, mysql) y no relacionales (mongodb, cassandra, etc.).
· visualizar resultados y hallazgos a través de power bi, generando dashboards y reportes interactivos para usuarios de negocio.
· colaborar con equipos multidisciplinarios (bi, ti, áreas de negocio) para identificar oportunidades de mejora y automatización basada en datos.
· documentar procesos, modelos y resultados de los proyectos desarrollados.
* responsabilidades principales
requisitos técnicos
· lenguajes de programación: dominio en python y r, incluyendo librerías para análisis de datos (pandas, numpy, scikit-learn, tidyverse, caret, entre otras).
· bases de datos: experiencia comprobada en manejo de bases de datos relacionales (sql server, mysql, postgresql) y no relacionales (mongodb, cassandra, dynamodb).
· herramientas de visualización: manejo avanzado de power bi para la generación de dashboards y reportes ejecutivos.
· algoritmos de ia: conocimiento sólido de algoritmos de machine learning (regresión, clasificación, clustering, reducción de dimensionalidad, etc.) e inteligencia artificial.
· implementación de modelos: experiencia en el ciclo de vida completo de los modelos predictivos: desde la exploración, desarrollo, validación, implementación y monitoreo.