Data Scientist

Objetivo del cargo

Responsable del desarrollo, despliegue y transferencia de modelos analíticos y pipelines que sustentan los objetivos del

proyecto, asegurando la generación de valor para los stakeholders.

Alcances / responsabilidades

• Consolidar datos, pipelines y modelos del proyecto.
• Construir, ajustar y desplegar productos analíticos a producción.
• Ejecutar pilotajes y análisis avanzados para validar lo desarrollado y generar valor a los stakeholders.
• Documentar y ejecutar la transferencia de los desarrollos a continuidad operacional

Requisitos mínimos (obligatorios)

• Mínimo 3 años de experiencia práctica en modelamiento y análisis avanzados.
• Dominio de Databricks, SQL y Python.
• Construcción de modelos predictivos / Machine Learning (Redes Neuronales, Random Forest, anomaly detection,

series de tiempo).

• Soluciones end-to-end (datos → modelo → consumo) y visualización de resultados (Power BI, Plotly / Dash o

equivalente).

• Buenas prácticas de ingeniería de software y control de versiones con Git (ramas, pull requests, code review);

trabajo bajo metodologías ágiles (Azure DevOps).

Experiencia en minería (altamente valorada)

• Experiencia comprobable en la industria minera y sus procesos (Mina, Concentradora, Hidrometalurgia, Flotación o

procesos asociados) - altamente valorada por el cliente.

• Idealmente sobre datos operacionales reales de proceso minero.

Certificaciones (deseables)

• Databricks Machine Learning (Associate) o certificaciones Azure de ciencia de datos / ML.
• Formación de postgrado en Ciencia de Datos o áreas afines.

Gestión de proyectos, personas y comunicación

• Gestión del tiempo: cumple los plazos de sus modelos y análisis con autonomía.
• Gestión de requerimientos: traduce necesidades de negocio en soluciones analíticas con apoyo del líder.
• Gestión de personas / equipo: coordina eficazmente con expertos de proceso y el equipo técnico.
• Comunicación: explica resultados de modelos de forma clara a usuarios y contrapartes.

Requisitos deseables (diferenciadores)

• Prácticas de MLOps: versionamiento y registro de modelos (MLflow), reproducibilidad y monitoreo del desempeño.
• Trazabilidad de material; operaciones de mina y planta.
• Hidrometalurgia, lixiviación o procesos asociados a SX-EW.
• Unity Catalog, Delta Lake, Databricks Asset Bundles (DAB) y PySpark.

Formación académica

Título profesional en Ingeniería, Estadística o carrera afín. Deseable formación de postgrado en Ciencia de Datos.