Customer Data Science Engineer, B2B Retention

Liberty Latin America; Bogotá ciudad; On-site; COP 70,000,000 - 110,000,000; Full time

Job summary

Liberty Networks está buscando un/a Ingeniero/a de Ciencia de Retención de Clientes para liderar la analÁtica predictiva y la ciencia de datos orientada a reducir churn y proteger el MRR en mercados B2B del Caribe.

La persona seleccionada integrará datos de CRM, facturación y contratos, construir variables y desplegar modelos que informen decisiones de retención y crecimiento del valor del Cliente.

Qualifications

• Licenciatura en estadística, economía, ciencias actuariales, matemáticas, ingeniería, ciencias de la computación o ciencia de datos.
• Más de 3 años de experiencia en ciencia de datos y analítica predictiva orientada a clientes.
• Experiencia probada desde datos brutos hasta validación y despliegue de modelos.
• Capacidad para traducir hallazgos analíticos en recomendaciones de negocio.

Responsibilities

• Predicción analítica y modelado de churn end-to-end, desde datos hasta producción.
• Definir objetivos de churn y ventanas de observación junto a Retención.
• Construir modelos interpretables que expliquen riesgos y acciones recomendadas.
• Establecer marcos de validación y monitoreo de modelos y poblaciones.
• Desarrollar pipelines de datos y conjuntos limpios sin fugas para soporte de modelos.
• Colaborar con BI, ingeniería de datos y mercados locales para transformar datos en inteligencia accionable.

Skills

Churn prediction

Predictive modeling

Data engineering

Business impact

Education

Licenciatura en Estadística, Economía, Ciencias Actuariales, Matemáticas, Ingeniería, Ciencias de la Computación o Ciencia de Datos

Tools

SQL

Python

AWS

Power BI

Parquet

Git

Job description

Resumen

¿Cuál es el rol?

Liberty Networks está construyendo una capacidad avanzada de retención de clientes, basada en datos, en sus mercados B2B del Caribe. Buscamos un/a Ingeniero/a de Ciencia de Retención de Clientes que lidere el desarrollo de capacidades de analítica predictiva y ciencia de datos para ayudar al negocio a identificar clientes en riesgo de abandono (churn), comprender los factores que impulsan ese riesgo y traducir los hallazgos analíticos en estrategias de retención accionables.

Este rol será responsable de la capacidad de analítica de churn B2B de principio a fin: desde la identificación y preparación de los datos relevantes, la definición de los objetivos de churn y las poblaciones de análisis, la ingeniería de variables (features) y el desarrollo de modelos predictivos, hasta la validación, el despliegue y el monitoreo de los modelos, así como su adopción por parte del negocio.

El rol es intencionalmente más amplio que el de un Científico/a de Datos tradicional. La persona seleccionada deberá contar con sólidas capacidades de ingeniería de datos y se espera que construya y mantenga los conjuntos de datos analíticos, las transformaciones de datos y los procesos automatizados necesarios para respaldar los modelos predictivos y la analítica de retención.

Sin embargo, el enfoque principal es la ciencia de datos y el impacto en el negocio, más que la infraestructura. El rol debe conectar los datos, la analítica y la toma de decisiones comerciales, asegurando que los modelos y los análisis contribuyan, en última instancia, a reducir el churn de clientes, proteger el MRR (ingresos mensuales recurrentes) y aumentar el valor del ciclo de vida del cliente (CLV).

Trabajarás en estrecha colaboración con el equipo de Retención y Lealtad, BI, Operaciones Comerciales y los equipos de los mercados locales para transformar los datos de los clientes en inteligencia accionable.

Responsabilidades

¿Cómo agregarás valor?

• Predicción Analítica y Modelado de Churn
• Liderar el desarrollo de la capacidad de predicción de churn de clientes B2B, desde la preparación de los datos hasta la puesta en producción y la mejora continua.
• Definir, junto con el equipo de Retención y Lealtad, los objetivos de churn apropiados, así como las ventanas de observación y de desempeño.
• Construir modelos predictivos que identifiquen a los clientes con mayor probabilidad de churn voluntario dentro de un periodo futuro definido.
• Desarrollar modelos interpretables que permitan al negocio entender por qué un cliente se considera en riesgo, y no solo la probabilidad de churn.
• Establecer marcos de validación de modelos apropiados, incluyendo validación train/test y fuera de tiempo (out-of-time), ROC/AUC, Gini, KS y monitoreo de la estabilidad de la población.
• Identificar y prevenir la fuga temporal de información (temporal leakage) y otras fuentes de sesgo del modelo o de desempeño predictivo inválido.
• Mejorar continuamente la capacidad predictiva a medida que se disponga de nuevos datos de clientes, productos, comportamiento y servicio.
• Ingeniería de Variables y Analítica de Clientes
• Construir y mantener conjuntos de datos analíticos a nivel de cliente y conjuntos de aprendizaje libres de fugas (leak-safe) que combinen las fuentes de datos B2B relevantes.
• Diseñar variables predictivas a partir de facturación, contratos, productos/RGUs, MRR, uso, servicio e incidentes técnicos, interacciones con atención al cliente, deuda, experiencia del cliente y otras fuentes relevantes.
• Analizar el comportamiento de los clientes e identificar patrones asociados con churn, downgrades, contracción, riesgo de renovación y cambios en el valor del cliente.
• Desarrollar segmentos de clientes y perfiles de riesgo que puedan ser operacionalizados por los equipos de Retención.
• Identificar oportunidades de retención proactiva, venta cruzada (cross-sell), venta adicional (upsell) y protección del valor del cliente.
• Estrategia de Retención y Traducción al Negocio
• Traducir los hallazgos analíticos en recomendaciones de negocio claras para Retención, Comercial y la dirección de los mercados.
• Explicar a las partes interesadas no técnicas por qué un cliente o segmento se considera en riesgo y qué factores contribuyen a ese riesgo.
• Colaborar con los Analistas y especialistas de Retención para traducir los puntajes de churn y los hallazgos en estrategias de intervención accionables.
• Apoyar el desarrollo de enfoques de siguiente mejor acción (next-best-action) basados en el riesgo del cliente, su valor, los factores de churn y los tratamientos de retención disponibles.
• Analizar la efectividad de las intervenciones de retención y usar los resultados para mejorar la segmentación futura y el desempeño de los modelos.
• Medir el impacto comercial de las iniciativas analíticas, incluyendo la reducción del churn, el MRR protegido, el valor del cliente y la efectividad de los tratamientos de retención.
• Ingeniería de Datos y Base Analítica de Datos
• Construir y mantener los pipelines de datos, las transformaciones y los conjuntos de datos analíticos necesarios para respaldar el modelado de churn y la analítica de retención.
• Integrar datos de múltiples fuentes, incluyendo CRM, facturación, contratos, atención al cliente, desempeño de red/servicio y plataformas de experiencia del cliente.
• Desarrollar procesos automatizados de preparación de datos para reducir el trabajo analítico manual y mejorar la confiabilidad.
• Aplicar validaciones y controles de calidad de datos para garantizar que los resultados analíticos sean precisos, consistentes y trazables.
• Resolver problemas de disponibilidad, integridad y transformación de datos que afecten los resultados analíticos.
• Colaborar con los equipos empresariales de Ingeniería de Datos y BI cuando se requiera apoyo con infraestructura más amplia o con la puesta en producción.
• Gobernanza de Modelos, Documentación y Reproducibilidad
• Mantener documentación clara de las definiciones de datos, variables, metodología de modelado, supuestos, umbrales y limitaciones.
• Documentar las limitaciones de los modelos y comunicarlas de forma proactiva a las partes interesadas del negocio.
• Establecer prácticas de monitoreo y gobernanza que mantengan los modelos predictivos confiables a lo largo del tiempo.
• Mantener un linaje y una trazabilidad claros desde los datos de origen hasta el resultado analítico y la acción de negocio.
• Desarrollo de Capacidades en Ciencia de Datos
• Elevar la madurez analítica y de ciencia de datos de la organización de Retención y Lealtad.
• Capacitar y apoyar a los Analistas de Retención en la interpretación de los resultados predictivos y en la aplicación de los hallazgos analíticos.
• Promover la toma de decisiones basada en datos en toda la organización de retención B2B.
• Mantenerse al día con los avances en analítica predictiva, machine learning, analítica y prácticas de retención en telecomunicaciones.

Herramientas y Tecnologías

Esenciales

• SQL: SQL avanzado para la extracción, transformación, análisis e ingeniería de variables de datos.
• Python: pandas, NumPy, scikit-learn, statsmodels y bibliotecas analíticas relacionadas.
• Datos y Analítica: Experiencia trabajando con grandes conjuntos de datos a nivel de cliente y estructuras de datos analíticas.
• AWS: S3, Athena y/o servicios de datos en la nube equivalentes.
• Formatos de datos: Parquet y otros formatos de datos analíticos.
• BI: Power BI o plataformas equivalentes de inteligencia de negocios.
• Control de versiones: Git o equivalente.

Ingeniería de Datos

• Procesos ETL/ELT y desarrollo de pipelines de datos.
• Bases de datos relacionales y almacenes de datos analíticos.
• Modelado de datos y prácticas de calidad de datos.
• Integración de APIs y fuentes de datos.
• Se valora experiencia con plataformas de datos en la nube como AWS Redshift, BigQuery o Azure Synapse.

Avanzado / Deseable

• Machine learning y despliegue de modelos.
• Monitoreo de modelos y gestión del ciclo de vida de ML.
• Spark u otras tecnologías de procesamiento distribuido de datos.
• Experiencia trabajando con pipelines analíticos automatizados.

Calificaciones

¿Qué necesitas?

• Licenciatura en Estadística, Economía, Ciencias Actuariales, Matemáticas, Ingeniería, Ciencias de la Computación, Ciencia de Datos u otra disciplina cuantitativa.
• Más de 3 años de experiencia en ciencia de datos, analítica predictiva, analítica de clientes o un campo estrechamente relacionado.
• Experiencia demostrada en la construcción de modelos predictivos desde los datos en bruto hasta la validación y su uso en producción u operación.
• Sólida comprensión de las técnicas de modelado estadístico y machine learning.
• Habilidades avanzadas de SQL y capacidad para construir de forma independiente conjuntos de datos analíticos.
• Sólidas habilidades en Python para la preparación de datos, la ingeniería de variables y el modelado predictivo.
• Sólida comprensión de la fuga temporal (temporal leakage) y del diseño de conjuntos de datos analíticos basados en el tiempo.
• Experiencia trabajando con conjuntos de datos grandes y complejos provenientes de múltiples sistemas de origen.
• Capacidad para investigar de forma independiente problemas de datos y determinar si se relacionan con la calidad de los datos, las definiciones de negocio, la lógica de transformación o el comportamiento del modelo.
• Capacidad para comunicar conceptos analíticos complejos con claridad a partes interesadas no técnicas.
• Capacidad para traducir los hallazgos analíticos en recomendaciones de negocio y resultados medibles.
• Dominio profesional del inglés a nivel de trabajo.

Deseables

• Experiencia en la construcción de modelos predictivos de churn, propensión, riesgo, valor del ciclo de vida del cliente (CLV) u otros modelos a nivel de cliente.
• Experiencia en telecomunicaciones, negocios de suscripción o entornos B2B.
• Comprensión de las estructuras de datos de telecomunicaciones, incluyendo facturación, MRR, RGUs, contratos, uso, desempeño de red/servicio y CRM.
• Experiencia en el despliegue de resultados analíticos en herramientas de BI u operativas.
• Experiencia con AWS y entornos de datos basados en la nube.
• Experiencia en segmentación de clientes y metodologías de siguiente mejor acción (next-best-action).
• Experiencia en la medición de la efectividad de intervenciones de retención o tratamientos comerciales.

Habilidades y Capacidades

• Científico/a de datos orientado/a al negocio: comprende cómo el trabajo analítico se traduce en resultados de clientes, ingresos y retención.
• Responsabilidad de principio a fin: capaz de avanzar desde un problema de negocio hasta los datos, el análisis, el modelo, el insight y la acción operativa.
• Curiosidad analítica: investiga por qué cambia el comportamiento de los clientes en lugar de limitarse a reportar lo ocurrido.
• Honestidad intelectual: comunica con claridad las limitaciones, los supuestos y la incertidumbre de los modelos.
• Sólida capacidad de resolución de problemas: capaz de resolver de forma independiente problemas tanto analíticos como relacionados con los datos.
• Mentalidad comercial: comprende el MRR, el valor del cliente, el churn, la economía de la retención y la importancia de priorizar a los clientes de alto valor.
• Comunicación: capaz de explicar decisiones técnicas a ejecutivos y partes interesadas comerciales sin simplificarlas en exceso.
• Colaboración: cómodo/a trabajando con Retención, BI, Ingeniería de Datos, Operaciones Comerciales y los mercados locales.
• Disciplina de datos: fuerte enfoque en la calidad, la precisión, la reproducibilidad y la trazabilidad de los datos.
• Aprendizaje continuo: se mantiene al día con la ciencia de datos, el machine learning, la analítica y las prácticas de retención de clientes.