Data Scientist

Como Data Scientist en Inetum, tendrás la responsabilidad de diseñar y desarrollar soluciones analíticas avanzadas. Esto incluye la creación y mantenimiento de modelos predictivos de riesgo crediticio, asegurando su optimización y escalabilidad, así como la implementación de estas soluciones en bases de datos relacionales y en la nube.

Para ser Data Scientist en Inetum, se requiere una formación técnica en áreas como Ingeniería de Sistemas, Matemáticas o Estadística, junto con entre 3 y 6 años de experiencia en desarrollo de modelos predictivos y soluciones de Inteligencia Artificial. También es necesario tener conocimientos sólidos en Python y experiencia en la migración de código desde SAS.

Al unirte a Inetum como Data Scientist, te beneficiarás de un contrato en planilla desde el primer día, cobertura médica EPS Rímac opcional, seguro de vida y acceso a beneficios corporativos de wellness. También tendrás oportunidades de capacitación y crecimiento profesional continuo.

El trabajo de un Data Scientist en Inetum se desarrolla en un entorno colaborativo y dinámico. Participarás en la creación de soluciones innovadoras y trabajarás con otros expertos en análisis, asegurando la calidad de los modelos y la precisión de los datos procesados, mientras te enfocas en mejorar la experiencia del usuario final.

Un Data Scientist en Inetum debe tener dominio en programación con Python, así como experiencia en Machine Learning y optimización. Además, es fundamental tener conocimientos en bases de datos relacionales y en la nube, así como en procesos de validación interna y backtesting de modelos analíticos.

Comenzaría por comprender los requisitos del negocio y los datos disponibles. A continuación, realizaría un análisis exploratorio para identificar patrones. Después, seleccionaría las técnicas de Machine Learning adecuadas y validaría el modelo usando técnicas de backtesting.

He trabajado en la migración de modelos usando SAS a Python, asegurando que las funcionalidades esenciales se mantengan, optimizando el código para mejorar su rendimiento y escalabilidad mediante bibliotecas modernas como pandas y scikit-learn.

Implemento procesos rigurosos de validación de datos, incluyendo revisión y limpieza de datos. También utilizo métricas precisas para verificar el rendimiento del modelo y realizo pruebas de backtesting sistemáticas para asegurar que los resultados sean fiables.

He utilizado técnicas como la optimización de hiperparámetros y algoritmos evolutivos para mejorar la precisión del modelo y he aplicado análisis de sensibilidad para entender el impacto de diferentes variables en los resultados.

Mantenemos una comunicación constante con el equipo de negocio para entender sus necesidades y expectativas. También colaboro estrechamente con los ingenieros de datos para asegurar que los flujos de datos sean los adecuados y que podamos integrar los modelos en el entorno productivo.

Las métricas clave que utilizo incluyen el AUC-ROC, la precisión, el recall y la matriz de confusión, ya que estas proporcionan una visión completa del rendimiento del modelo y su capacidad para minimizar falsos positivos y negativos.

Sí, he manejado bases de datos en la nube como AWS y Google Cloud, optimizando consultas y procesos para brindar un rendimiento óptimo a los modelos analíticos que desarrollamos.

Analizo cuidadosamente las variables y datos de entrada, reviso el diseño del modelo y busco patrones que puedan no haber sido considerados. También me baso en la retroalimentación del negocio para ajustar y mejorar el modelo.

Prefiero trabajar con herramientas como Python y sus bibliotecas (pandas, NumPy, scikit-learn), así como visualización con matplotlib y seaborn para obtener insights claros de los datos y los resultados de los modelos.

Participo en cursos en línea, conferencias y webinars, además de seguir publicaciones relevantes y comunidades en línea. Siempre busco aplicar lo que aprendo en proyectos para seguir siendo relevante en el campo.