About this role
Sobre Fligoo
En Fligoo, diseñamos e implementamos soluciones avanzadas de Inteligencia Artificial y software para grandes organizaciones que operan a escala. Combinamos productos propios de IA — principalmente enfocados en analítica predictiva y modelado de comportamiento— con servicios de desarrollo de IA y software para ayudar a las empresas a construir aplicaciones más inteligentes, mejorar la toma de decisiones y acelerar lainnovación.
Trabajamos con compañías líderes como Broadridge, BASF, Red Bull y YPF, entre otras.
Video de 2 minutos sobre una de nuestras soluciones para el sector de Wealth Management: https://vimeo.com/906708649
Sobre la posición
Ubicación: Córdoba Capital, Argentina. Tipo de Contrato: Jornada completa - Híbrido
Propósito del puesto
El Data Scientist es 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.