SSR Data Scientist

Fligoo; Córdoba; Presencial; COP 192.777.277 - 289.165.916; Jornada completa

Descripción de la vacante

Fligoo busca un Data Scientist para analizar fuentes de datos en un contexto de negocio y proponer enfoques analíticos para resolver problemas complejos. El/la candidato(a) trabajará con datos de alto valor, construir modelos y presentar insights a stakeholders clave.

Se requiere experiencia en Python, notebooks, AWS y visualización; capacidad de traducir hallazgos en decisiones de negocio; preferente experiencia con S3, SageMaker, Spark, proyectos con testing y entrega en producción.

Formación

• Experiencia con Python, Jupyter Notebooks, Spark o R y conocimiento de OO.
• Conocimiento de Pandas, Numpy, Scikit-learn, Keras, XGBoost, LightGBM.
• Herramientas de visualización como Matplotlib, Plotly, Seaborn o GGPlot.

Responsabilidades

• Mantener comunicación con stakeholders para entender el negocio y los puntos de dolor.
• Definir datos necesarios y diseñar soluciones que aporten valor, procesando datos en AWS (S3, Athena, Jupyter).
• Desarrollar análisis exploratorios (EDA) y generar insights a través de data storytelling.
• Identificar tipo de problema (clasificación, regresión, series temporales) y seleccionar el mejor enfoque.
• Implementar procesamiento de datos y feature engineering para entrenamiento y testing.
• Evaluar calidad de datos mediante controles de calidad.
• Diseñar, construir, ajustar y testear algoritmos y desplegar modelos.
• Desarrollar estrategia para validar resultados en producción.

Conocimientos

Python

Jupyter Notebooks

Spark

OOP

Pandas/Numpy

AWS

Docker

Git

Data Visualization

Educación

Título en Ciencias de la Computación, Ingeniería en Sistemas, Estadística, Matemática u otras áreas cuantitativas

Maestría o PhD en estas áreas

Herramientas

AWS SageMaker

Jira/Trello

Docker

Descripción del empleo

Sobre Fligoo

EnFligoo,diseñamoseimplementamossolucionesavanzadasdeInteligencia Artificial y software para grandes organizaciones que operan a escala. Combinamosproductospropiosde IA— principalmente enfocados en analítica predictiva y modelado de comportamiento— conserviciosdedesarrollode IA y softwarepara ayudar a las empresas a construir aplicaciones más inteligentes, mejorar la toma de decisiones y acelerarlainnovación.

TrabajamosconcompañíaslíderescomoBroadridge, BASF, Red Bull y YPF, entreotras.

Video de 2minutossobreunadenuestrassolucionesparaelsector deWealth Management: https://vimeo.com/906708649

Sobrela posición

ElData Scientistes responsable de analizar fuentes de datos en un contexto de negocio con el objetivo de proponer e implementar un enfoque analítico que permita resolver un problema empresarial.

El perfil ideal es una persona con experiencia en manejo de datos, con conocimientos en distintos dominios, que disfrute analizar y resolver problemas. Deberá traducir los hallazgos de datos en insights de negocio, por lo que es fundamental sentirse cómodo interactuando con datos, obteniendo conclusiones correctas e implementando tareas analíticas adecuadas para resolver problemas.

Responsabilidades

• Mantener comunicación con los stakeholders para comprender el negocio y los puntos de dolor planteados por el cliente.
• Definir los datos necesarios para abordar el problema y diseñar una solución que aporte valor al negocio. Procesar los datos de la forma más eficiente (utilizando herramientas de AWS como S3, Athena, Jupyter Notebooks para comprender y procesar datos).
• Desarrollar análisis exploratorios (EDA) que permitan validar los datos con el cliente y generar insights y resultados a través de recursos de data storytelling.
• Identificar el tipo de problema (clasificación, regresión, series temporales, etc.) y seleccionar el mejor enfoque de solución para generar valor en el menor tiempo posible.
• Implementar el procesamiento de datos y feature engineering para preparar los datos antes del entrenamiento y testeo del modelo.
• Evaluar la calidad de los datos mediante controles de calidad.
• Diseñar, construir, ajustar y testear algoritmos, y desplegar los modelos. Es clave aplicar buenas prácticas que permitan reproducir los mismos resultados en entornos de testing y producción.
• Desarrollar una estrategia para validar los resultados del modelo en producción.

Requisitos

1. Formación académica

• Título en Ciencias de la Computación, Ingeniería en Sistemas, Estadística, Matemática u otras áreas cuantitativas.
• Maestría o PhD en estas áreas es un plus.

2. Habilidades técnicas

• Experiencia con herramientas de Data Science como Python, Jupyter Notebooks, Spark o R. Conocimiento del paradigma de Programación Orientada a Objetos (OOP).
• Experiencia con librerías de Python como Pandas, Numpy, Scikit-learn, Keras, XGBoost y LightGBM (conocimiento de Keras, PyTorch o TensorFlow es un plus).
• Experiencia con herramientas de visualización de datos como Matplotlib, Plotly, Seaborn o GGPlot.
• Experiencia con infraestructura cloud en AWS (S3, SageMaker, Athena, Lambdas, etc.).
• Conocimiento del framework Scrum para gestión de proyectos. Manejo de herramientas de gestión de tareas como Trello o Jira.
• Experiencia en versionado de código con herramientas como Git o Bitbucket.
• Conocimientos de virtualización (Docker).

Experiencia

• +3 año trabajando en proyectos reales.
• +2 año realizando tareas de proyectos y seguimiento de bugs en plataformas como JIRA o Trello.
• +2 años realizando análisis sobre datos reales en:
  • Analítica descriptiva
  • Analítica diagnóstica
  • Analítica prescriptiva
• +2 años realizando este tipo de tareas sobre fuentes de datos reales.
• +2 años generando visualizaciones básicas sobre datos reales:
  • Descripción de distribuciones (boxplot, histogramas, gráficos de torta)
  • Correlación con variable objetivo (scatter plots, matriz de correlación)
  • Series temporales
  • Importancia de variables
• Correcto reporting en lenguaje de negocio.
• Experiencia en Feature Extraction en proyectos reales sobre:
  • Datos tabulares
  • Series temporales
  • Texto
• Experiencia con algoritmos basados en árboles (Random Forest, Gradient Boosting Machines).
• Al menos un proyecto real desarrollado en:
  • Aprendizaje supervisado
  • Aprendizaje no supervisado
• +1 año comunicando resultados de análisis.
• Al menos un proyecto real con implementación de testing A/B.