Data Scientist

Job description

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.