Ciencia de datosCon experiencia
Ciencia de datos × Con experiencia
Cuento con 5 años de experiencia en el campo de la ciencia de datos, liderando la construcción de motores de recomendación y el desarrollo de modelos de predicción de demanda en los sectores de comercio electrónico y retail. Mi fortaleza radica en traducir problemas de negocio en modelos matemáticos y en mi capacidad de ingeniería para implementar MLOps en entornos de producción. Tengo experiencia en la redacción de documentación técnica en inglés y en la colaboración con equipos internacionales, contribuyendo a la maximización del ROI mediante un enfoque basado en datos a nivel organizacional.
📌 Resumen profesional
- ▸2018.04 - 2021.03: Analista y científico de datos en una importante plataforma de comercio electrónico (predicción de demanda, análisis de ROI de marketing, diseño de pruebas A/B).
- ▸2021.04 - Actualidad: Científico de datos sénior en una startup tecnológica de IA (capital extranjero) (implementación de MLOps para la plataforma de recomendaciones, desarrollo de modelos de aprendizaje profundo, mentoría de juniors).
📌 Logros y fortalezas
- ▸Desarrollé e implementé desde cero un modelo de predicción de demanda (LightGBM/Prophet) que redujo la tasa de desperdicio de inventario en un 15% interanual, logrando un ahorro anual de aproximadamente 120 millones de yenes.
- ▸Reduje la latencia de inferencia de una API de recomendación personalizada de 50 ms a 12 ms, mejorando el CTR en un 2.4% y alcanzando una contribución mensual a las ventas de 30 millones de yenes.
- ▸Internalicé un pipeline de MLOps (Kubeflow/MLflow) que redujo drásticamente el tiempo de entrega desde la validación del modelo hasta su despliegue en producción, pasando de 3 semanas a 2 días.
📌 Habilidades
- ▸Lenguajes y bases de datos: Python (Pandas, NumPy, Scikit-learn), SQL (BigQuery, Redshift), R, Bash.
- ▸Machine Learning y Deep Learning: PyTorch, XGBoost, LightGBM, Procesamiento de Lenguaje Natural (Hugging Face Transformers).
- ▸Infraestructura y MLOps: AWS (SageMaker, S3), Docker, Kubernetes, MLflow, Airflow, dbt.
- ▸Negocio y otros: Diseño de pruebas A/B, inferencia causal, inglés a nivel de negocio (TOEIC 890 / experiencia con Daily Scrum en equipos internacionales).
📌 Autopresentación
- ▸Siempre tengo presente que no solo se trata de mejorar la precisión de los modelos, sino de cómo implementarlos en el negocio para generar valor. En mi empleo anterior, un modelo de aprendizaje profundo de alta precisión pero con altos costos de inferencia fue rechazado por el departamento de negocio, lo que me hizo comprender la importancia de la perspectiva empresarial. Desde entonces, colaboré con ingenieros para construir una base de MLOps, estableciendo un sistema de despliegue automático para modelos de ensamblaje ligeros y precisos. Como resultado, mejoré la alfabetización en datos del departamento y gané la confianza en la organización de ciencia de datos. Deseo abordar desafíos más grandes y diversos en una plataforma de datos global, por lo que estoy interesado en su empresa.
💡 Consejos clave
- 💡Escribe los logros no solo en términos de precisión del modelo (como AUC), sino también en términos de impacto empresarial (ventas, ahorro de costos) para obtener una mejor evaluación por parte de las empresas.
- 💡Las habilidades en MLOps e ingeniería de datos son un diferenciador clave en la contratación actual de científicos de datos, así que asegúrate de incluir tu experiencia en infraestructura.
- 💡Si tienes en mente empresas extranjeras, adjunta tu portafolio de GitHub, medallas de Kaggle o blogs técnicos en inglés con URL en tu currículum.
- 💡Incluye en tu autopresentación ejemplos de comunicación con el lado de negocio o cómo involucraste a las partes interesadas, para demostrar una visión de nivel sénior.
🔗 🔗 Otros niveles
Última revisión: 2026-09-06 · Redacción aijobs