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.