Ciencia de datosSénior
Ciencia de datos × Sénior
Con más de 10 años de experiencia en ciencia de datos, he liderado desde el diseño de modelos de machine learning hasta la construcción de MLOps en los sectores financiero y de comercio electrónico. He contribuido a aumentar las ventas anuales en cientos de millones de yenes mediante el desarrollo de motores de recomendación y la creación de infraestructuras de datos para productos con más de un millón de usuarios activos diarios. Mi fortaleza reside en impulsar proyectos de principio a fin, desde la identificación de problemas de negocio hasta la implementación en producción, pasando por pruebas de concepto y gestión de equipos.
📌 Resumen profesional
- ▸En una gran consultora de TI, me dediqué a la construcción de almacenes de datos y a la consultoría de implantación de BI, abarcando desde la definición de requisitos hasta el modelado de datos (3 años).
- ▸Posteriormente, en una empresa tecnológica multinacional, como científico de datos sénior, lideré el desarrollo de algoritmos de recomendación para comercio electrónico y la estandarización de pipelines de MLOps (5 años).
- ▸Actualmente, en el departamento de transformación digital de una importante institución financiera nacional, gestiono la digitalización de modelos de crédito mediante IA y dirijo un equipo de ciencia de datos de 8 personas (2 años).
📌 Logros y fortalezas
- ▸Renové el modelo de recomendación personalizada de un sitio de comercio electrónico, logrando un aumento del 14% en la tasa de conversión y un incremento de las ventas anuales en 2.500 millones de yenes.
- ▸Implementé un modelo de IA para la evaluación de créditos, reduciendo el tiempo medio de aprobación de 3 días a 15 minutos y disminuyendo la tasa de impago en un 0,8%.
- ▸Desarrollé internamente una plataforma de MLOps (Kubeflow, MLflow), reduciendo el tiempo de implementación de modelos de 4 semanas a 3 días.
📌 Habilidades
- ▸Lenguajes y frameworks: Python, SQL, PyTorch, TensorFlow, Scikit-learn, Spark.
- ▸MLOps e infraestructura: Docker, Kubernetes, Kubeflow, MLflow, AWS (SageMaker, Redshift, Glue), GCP (BigQuery, Vertex AI).
- ▸Ingeniería de datos: dbt, Airflow, Kafka.
- ▸Gestión empresarial y de equipos: gestión de proyectos, creación de equipos, negociación con stakeholders, inglés (nivel profesional / TOEIC 920).
📌 Autopresentación
- ▸Soy un científico de datos que prioriza el impacto en el negocio sobre la tecnología por sí misma. En mi anterior empleo en comercio electrónico, propuse un modelo de aprendizaje profundo de vanguardia, pero el equipo de negocio mostró reticencias debido a los costes de inferencia y la latencia. Para resolverlo, diseñé e implementé un modelo híbrido que combinaba un XGBoost ligero con una red neuronal, logrando reducir los costes de inferencia en un 60% sin sacrificar la precisión, lo que resultó en un aumento de las ventas anuales de 2.500 millones de yenes. Esta experiencia me confirmó que mi mayor fortaleza es equilibrar la curiosidad técnica con las restricciones del negocio, involucrando a las partes interesadas para encontrar la solución óptima.
💡 Consejos clave
- 💡Las definiciones de 'gestión' difieren entre empresas extranjeras y japonesas; adapta tu currículum para destacar 'habilidades de coordinación y construcción de consenso' en empresas japonesas, y 'liderazgo técnico y creación de equipos orientada a métricas' en empresas extranjeras.
- 💡A nivel sénior, es esencial mostrar no solo las tecnologías que has utilizado, sino también cómo has identificado problemas de negocio y maximizado el ROI. En entrevistas, prepara historias de proyectos que terminaron en PoC y lo que aprendiste de ellos; esto mejorará tu valoración.
- 💡La experiencia en MLOps y gobernanza de datos es muy valorada actualmente; además del desarrollo de modelos, destaca con cifras cómo redujiste los costes de operación y mantenimiento.
🔗 🔗 Otros niveles
Última revisión: 2026-09-06 · Redacción aijobs