Data Scientist

El/la Data Scientist será la primera incorporación al equipo y su función será poner el machine learning en producción, no solo en un notebook. Construirás modelos que impulsen el producto y otros flujos en vivo que, en ocasiones, se presentarán a los usuarios en tiempo real, en lugar de limitarse a reportarse en un dashboard una semana después.

El primer proyecto emblemático trata sobre la personalización a lo largo del recorrido del usuario: un modelo que decida, por cada usuario, qué oferta mostrar, integrado directamente en el producto y en la experiencia del ciclo de vida, en lugar de permanecer en una tabla de un almacén de datos. A partir de ahí, extenderás esa misma capacidad: modelo → API → interfaz de producto hacia otros momentos de alto impacto en el recorrido del usuario.

Trabajarás mano a mano con Product, Engineering y Lifecycle marketing para lanzar modelos como funcionalidades, no como informes. Este es también un rol fundacional para la infraestructura del equipo: la mayor parte de lo que hace Data hoy en día es por lotes (batch) (dbt, Lightdash, BigQuery); ayudarás a establecer nuestros primeros patrones de servicio en tiempo real y baja latencia en GCP y trabajarás estrechamente con ingeniería en ello.

• Construir, validar y lanzar modelos de ML (propensión, optimización de precios/descuentos, personalización, churn/LTV) que se implementen en el producto, no solo notebooks de prueba de concepto.
• Responsabilizarse de todo el ciclo de vida: definición del problema, ingeniería de características (feature engineering), entrenamiento, evaluación, despliegue, monitorización y reentrenamiento.
• Escribir código de nivel de producción (testeado, con control de versiones y revisado); lanzarás código junto con el equipo de Engineering, bajo sus mismos estándares de calidad.

2. Personalización a lo largo del recorrido: desde el paywall hasta el ciclo de vida

• Diseñar y lanzar el modelo de descuentos personalizados: quién recibe qué oferta y por qué, servido en el momento de la decisión del paywall.
• Colaborar con el equipo de producto en el diseño de experimentos de machine learning (A/B, holdouts) para demostrar el incremento causal de los modelos, no solo la correlación.
• Construir el marco de medición para que las decisiones de precios y descuentos sean defendibles ante finanzas y la dirección.
• Implementar nuestro primer patrón de servicio de modelos de baja latencia en GCP (por ejemplo, endpoints de Vertex AI, Cloud Run o equivalente).
• Definir el patrón del pipeline de características: qué se precalcula en BigQuery/dbt frente a qué necesita ser fresco/en tiempo real a través de Pub/Sub o similar.
• Configurar la monitorización de modelos: deriva (drift), obsolescencia (staleness) y calidad de la predicción, para que un modelo en vivo no se degrade silenciosamente.
• Trabajar muy cerca de Product y Engineering, no solo de Data; este rol se mide por lo que se lanza a los usuarios reales, no solo por los notebooks.
• Traducir un problema de producto ("cómo podríamos reactivar a los pagadores inactivos") en un problema de modelado, y la salida de un modelo en un contrato de API sobre el que Engineering pueda construir.
• Documentar las entregas de forma suficientemente clara para que Engineering pueda hacerse cargo de la capa de servicio a largo plazo sin que tú seas un cuello de botella.
• Diseñar modelos de incremento/causales donde "quién responde a un descuento" importe más que "quién abandona (churn)".
• Ejecutar e interpretar experimentos que aíslen el impacto incremental real del modelo en los ingresos o la retención.
• Diseñar el programa de experimentación para mejorar los modelos de ciencia de datos y machine learning con el mismo rigor que utilizamos en nuestros programas de experimentación actuales.
• Modelo de descuentos personalizados en producción, sirviendo decisiones de paywall reales a usuarios reales: lanzado de extremo a extremo, no un prototipo en staging.
• Un patrón de servicio de baja latencia documentado y reutilizable establecido en GCP (endpoints de Vertex AI o Cloud Run); que el siguiente modelo no requiera reconstruir esto desde cero.
• Incremento incremental probado en una métrica de negocio clave (conversión del paywall, eficiencia del margen de descuento o reactivación de pagadores inactivos; elige la que quieras como KPI principal), demostrado mediante un experimento controlado, no solo una comparación antes/después.
• Monitorización de modelos implementada: las alertas de deriva y obsolescencia significarán que el equipo sabrá en cuestión de días, no de meses, si un modelo en vivo se degrada silenciosamente.
• Un manual (playbook) repetible de modelo a producción que otros miembros del equipo puedan seguir.

• Motivado genuinamente por el "¿esto mueve la métrica?", no solo por el "¿es preciso este modelo?".
• Capacidad para desenvolverse tanto con Engineering como con Business: habla tanto el lenguaje comercial como el de ingeniería.
• Explica las compensaciones (trade-offs) del modelado en términos de negocio sencillos para Product/dirección, sin simplificar en exceso ni usar demasiado tecnicismo.
• Comodidad gestionando la ambigüedad: este rol consiste en definir el patrón, no en seguir uno ya establecido.

• La experiencia en B2C, suscripciones o marketplaces es un gran plus.