Ejemplo de currículum de científico de datos

• Nivel inicial

  Científica de datos con un Máster en Estadística y dos proyectos aplicados de predicción de bajas y previsión de demanda. Construí un modelo de gradient boosting que mejoró un 12 % la identificación de clientes en riesgo y lo documenté para el equipo. Busco un puesto donde llevar modelos a producción junto a ingeniería de datos.

• Nivel intermedio

  Científico de datos con cinco años de experiencia en salud y comercio. Desarrollo modelos de previsión y clasificación con Python y los llevo a producción con MLOps. Un modelo de demanda redujo un 20 % el error de previsión y evitó roturas de stock en 40 hospitales. Colaboro con producto y dirección médica.

• Sénior

  Científico de datos sénior con diez años de experiencia en modelos de riesgo y previsión. Lidero un equipo de cinco personas, defino la estrategia de experimentación y respondo ante la dirección por el impacto de los modelos. Mis soluciones aportaron más de 4 M€ anuales entre ingresos y ahorros.

• Listar algoritmos sin resultado

  Solución: "Random forest, XGBoost, redes neuronales" no dice qué lograste. Escribe el problema, la métrica y la mejora, por ejemplo "reduje un 18 % el error de previsión de demanda".

• No mencionar el paso a producción

  Solución: Un modelo que nunca se usa pesa poco. Indica si lo desplegaste, cómo lo monitorizabas y quién lo usaba, para mostrar que llevas modelos al mundo real.

• Olvidar la experimentación y la estadística

  Solución: Menciona pruebas A/B, intervalos de confianza y potencia estadística si los usaste. Muestran rigor y evitan decisiones basadas en ruido.

• Descuidar la comunicación con negocio

  Solución: La ciencia de datos solo importa si alguien actúa. Di a quién presentabas los resultados y qué decisión tomó.

Compáralos con la oferta de empleo a la que te presentas: el revisor de currículum gratuito te muestra qué palabras clave le faltan a tu currículum.

• Desarrollé un modelo de previsión de demanda que redujo el error del 24 % al 16 % y evitó roturas de stock en 40 centros.
• Desplegué un modelo de bajas con XGBoost en producción que identificó un 35 % más de clientes en riesgo que la regla anterior.
• Diseñé y analicé 22 tests A/B con cálculo previo de tamaño muestral; 6 cambios se implantaron con una mejora media de conversión del 4 %.
• Reduje de 3 horas a 20 minutos el tiempo de inferencia por lote tras optimizar el pipeline con Spark.
• Construí un modelo de riesgo de impago con un AUC de 0,86 que bajó un 15 % las pérdidas por morosidad.
• Automaticé el reentrenamiento mensual con Airflow y MLflow, con lo que se evitó la degradación del modelo.
• Detecté fuga de datos en un modelo prometedor antes de producción y evité una decisión basada en métricas infladas.
• Presenté a dirección los resultados de un modelo de precios que aportó 1,2 M€ de ingresos adicionales al año.
• Tutorizé a 3 científicos de datos junior y establecí una plantilla de revisión de modelos usada por todo el equipo.
• Publiqué un documento interno de buenas prácticas de validación que se aplicó a 12 proyectos de modelado.