SR Data Scientist

Aper; Buenos Aires; Híbrido; ARS 1.200.000 - 2.400.000; Jornada completa

Descripción de la vacante

Aper es una plataforma de ecommerce para bancos del futuro, con presencia en Argentina, Chile, Colombia y Costa Rica. Buscamos un Data Scientist para diseñar, entrenar y desplegar modelos de ML que impulsen KPIs y aporten valor al negocio, con ownership de la capa de métricas y de IA aplicada.

La función combina desarrollo de soluciones predictivas, soluciones basadas en LLMs y sistemas agentes para automatizar procesos analíticos, con un enfoque en gobernanza de métricas y dashboards

Formación

• Conocimientos avanzados de SQL y Python, con experiencia en librerías de ML (scikit-learn, TensorFlow, PyTorch).
• Experiencia en producción de modelos de ML y en definición de métricas y KPIs.

Responsabilidades

• Diseñar, entrenar y desplegar modelos de ML para resolver problemas de negocio.
• Construir soluciones con LLMs y agentes para automatizar procesos analíticos.
• Diseñar experimentos (A/B) para validar impactos reales.
• Definir y gobernar KPIs y una capa semántica de datos confiable.
• Convertir requerimientos ad-hoc en dashboards y métricas reutilizables.
• Ser referente de datos para Producto, Comercial y Operaciones.

Conocimientos

SQL

Python

Machine Learning

LLMs

Experimentación A/B

Educación

Experiencia en Data Science

Herramientas

scikit-learn

TensorFlow

PyTorch

Descripción del empleo

Aper es una plataforma de ecommerce para los bancos del futuro.

Nos asociamos con los bancos para crear marketplace más ágiles, justos y flexibles que logren una mayor fidelización de sus clientes. Nuestra visión es acompañar a los bancos en su transformación hacia centros de servicios y productos, impulsando la expansión más allá del ámbito financiero.

Hoy Aper cuenta con presencia en países como Argentina, Chile, Colombia y Costa Rica, y apuntamos a seguir creciendo en la región.

Buscamos Data Scientist con experiencia en el desarrollo y puesta en producción de modelos de Machine Learning, capaz de generar impacto medible sobre los KPIs del negocio. La posición combina el desarrollo de soluciones predictivas y de IA aplicada con el ownership de la capa de métricas que sostiene la toma de decisiones de la compañía.

Para tener éxito en el rol:

• Modelos de Machine Learning en producción, monitoreados y con impacto medible sobre KPIs de negocio.
• Definiciones de métricas consistentes en toda la compañía, gobernadas y con evolución controlada.
• Una capa semántica confiable no solo para consumo humano, sino también para consumo por agentes de IA.

Responsabilidades principales

• Diseñar, entrenar y desplegar modelos de Machine Learning para resolver problemas de negocio en e-commerce, gestionando su ciclo de vida completo (monitoreo, reentrenamiento, mejora continua).
• Construir soluciones basadas en LLMs y sistemas agénticos para automatizar procesos analíticos y habilitar analítica self-service.
• Diseñar y ejecutar experimentos (A/B testing, análisis causal) para validar el impacto real de los modelos.
• Definir y gobernar los KPIs del negocio, manteniendo una capa semántica de datos confiable tanto para personas como para agentes de IA.
• Convertir requerimientos ad-hoc en dashboards y métricas reutilizables que traduzcan datos complejos en decisiones.
• Ser referente de datos para Producto, Comercial y Operaciones, traduciendo preguntas de negocio en soluciones analíticas.

3+ años en roles de Data Science o Analytics Engineering, idealmente en entornos tecnológicos o de e-commerce.

Experiencia con modelo de Machine Learning llevado a producción y sostenido en el tiempo: operado, monitoreado y ajustado ante degradación.

Experiencia siendo owner sobre KPIs de negocio y sobre las definiciones que los sustentan.

Conocimientos avanzados de SQL y Python, con experiencia en librerías de Machine Learning (scikit-learn, TensorFlow, PyTorch o equivalentes).

Sólida base en estadística aplicada, diseño experimental e inferencia causal.

Criterio para distinguir cuándo un problema se resuelve con un modelo clásico, con un LLM o con lógica determinística, y capacidad de fundamentar esa decisión ante negocio.

Experiencia construyendo aplicaciones con LLMs: prompting estructurado, RAG, function calling / tool use y diseño de evaluaciones

Modalidad hibrida de trabajo: 2 veces por semana oficina.