Data Scientist

HOMERIA Pozuelo de Alarcón, Community of Madrid, Spain Si quieres contribuir a que el fuego de las cocinas Burger King y Popeyes no cese, ¡ahora es tu oportunidad!Actualmente buscamos un/a Data Scientist para descubrir y priorizar casos de uso con negocio, entrenar modelos reutilizables, y empaquetarlos para producción.Responsabilidades y requisitos Analítica y estadística: Buen dominio de estadística aplicada, validación de hipótesis, tests A/B.Conocimientos sólidos de métricas y evaluación de modelos.Modelado clásico y ML: Regresión, clasificación, series temporales, clustering, modelos de boosting (XGBoost/LightGBM).Explicabilidad (SHAP, LIME).Entorno de datos: Experiencia con Python (pandas, scikit-learn, PySpark).Trabajo con Databricks y datasets en Blob Storage.MLOps básico (para colaborar con el Engineer): Registro de modelos en Azure ML.Test de inferencia antes de pasar el modelo a producción.Business & comunicación: Capacidad de traducir necesidades de negocio en experimentos analíticos.Storytelling con datos.Visualización: Power BI / plotly) y PoC Streamlit 2-3 años en DS aplicado, con experiencia end-to-end (de problema a prod) y trato directo con negocio.Experiencia con pipelines de datos (ADF, Functions).Experiencia en Snowflake.LLMs: Conocimiento de conceptos básicos para desarrollar PoC de LLMs + Conocimiento de preparación de datos para LLMs.¿Cómo es trabajar con nosotros?Formaras parte del equipo IT de Homeria dando soporte director a RBE (Burger King, Popeyes y Tim Hortons) Modelo de trabajo hibrido, 2 días en oficina del cliente (Pozuelo de Alarcón).Trabajamos a jornada completa de lunes a viernes con flexibilidad horaria.Salario competitivo.¿Eres la persona que buscamos?¡Te estamos esperando!#J-*****-Ljbffr

Responsabilidades y requisitos Analítica y estadística: Buen dominio de estadística aplicada, validación de hipótesis, tests A/B. Conocimientos sólidos de métricas y evaluación de modelos. Modelado clásico y ML: Regresión, clasificación, series temporales, clustering, modelos de boosting (XGBoost/LightGBM). Explicabilidad (SHAP, LIME). Entorno de datos: Experiencia con Python (pandas, scikit-learn, PySpark). Trabajo con Databricks y datasets en Blob Storage. MLOps básico (para colaborar con el Engineer): Registro de modelos en Azure ML. Test de inferencia antes de pasar el modelo a producción. Business & comunicación: Capacidad de traducir necesidades de negocio en experimentos analíticos. Storytelling con datos. Visualización: Power BI / plotly) y PoC Streamlit 2-3 años en DS aplicado, con experiencia end-to-end (de problema a prod) y trato directo con negocio. Experiencia con pipelines de datos (ADF, Functions). Experiencia en Snowflake. LLMs: Conocimiento de conceptos básicos para desarrollar PoC de LLMs + Conocimiento de preparación de datos para LLMs.

Trabajamos a jornada completa de lunes a viernes con flexibilidad horaria. Salario competitivo.