Ejemplo de currículum: Científico/a de datos

Ejemplo de currículum de científico de datos en Medellín: modelo de riesgo de crédito con AUC de 0,71 a 0,79, 12 % más aprobaciones y MLOps con MLflow.

Carta para este puesto

Joaquín Ledesma Arbeláez

Científico de datos sénior | Riesgo de crédito y fraude | Python, SQL, MLflow y AWS

Medellín, Colombia8 años de experiencia

Resumen

Científico de datos con 8 años en analítica y modelos predictivos, los últimos tres en riesgo de crédito. Construye modelos que llegan a producción y se mantienen: monitoreo de deriva, reentrenamiento y explicaciones que un comité de riesgo puede aprobar. Su modelo de originación aumentó las aprobaciones 12 % sin subir la mora, y antes redujo el abandono de clientes en una operadora de telecomunicaciones.

Experiencia

Científico de datos séniorfebrero de 2023 - actualidad

Crédito Guayacán Digital

  • Modelo de riesgo para préstamos de consumo en línea: AUC de 0,71 a 0,79 sobre 2,3 millones de solicitudes históricas.
  • Aprobación 12 % más alta con la misma tasa de mora a 90 días desde la entrada en producción del nuevo modelo.
  • Monitoreo de deriva y reentrenamiento mensual con MLflow y Airflow; paso a producción de 6 semanas a 8 días.
  • Modelo de fraude en originación que detiene 1 de cada 3 fraudes antes del desembolso, con 0,4 % de falsos positivos.
  • Guía de explicabilidad con SHAP adoptada por el comité de riesgo y auditoría interna.
Científico de datosjulio de 2020 - enero de 2023

Telecomunicaciones Orquídea Andina

  • Modelo de abandono para 1,6 millones de clientes; las campañas sobre el decil de mayor riesgo redujeron el abandono 14 %.
  • Pronóstico de demanda de datos móviles por celda con 7 % de error medio, usado en la planeación de capacidad.
  • Migración de 40 notebooks a un paquete de Python con pruebas y revisión de código.
Analista de datos júnioragosto de 2018 - junio de 2020

Analítica Palmira Consultores

  • Modelos de segmentación y propensión de compra para 6 clientes de retail y seguros.
  • Reportes automatizados en Python que liberaron 15 horas semanales del equipo.

Habilidades

  • Python (scikit-learn, LightGBM, pandas)
  • SQL
  • Modelos de riesgo de crédito
  • Detección de fraude
  • MLflow y Airflow
  • AWS (SageMaker, S3)
  • Explicabilidad (SHAP)
  • Diseño experimental
  • Series de tiempo
  • Inglés avanzado

Certificaciones

  • AWS Certified Machine Learning Engineer, Associate (2025)

Formación

Maestría en Ciencias, Estadística, Universidad Nacional de Colombia, Sede Medellín, 2021. Ingeniería Matemática, Universidad EAFIT, 2018

Personas candidatas y empleadores ficticios. Cualquier parecido con una persona o empresa real es pura coincidencia.

Ahora con tu experiencia y una oferta real

Jobiko redacta un currículum y una carta a partir de lo que realmente hiciste, para la oferta que elijas, y te muestra ambos antes de enviar nada.

Crear mi currículum →

Lo que los reclutadores comprueban primero

Modelos en producción

Lo que separa a un perfil sénior es haber llevado modelos a producción y mantenerlos. Di cómo los monitoreas y cada cuánto los reentrenas.

Métrica técnica y de negocio

Un AUC sin efecto en el negocio queda corto. Pon las dos: la mejora del modelo y lo que cambió en aprobaciones, abandono o pérdidas.

Escala de los datos

Millones de registros, número de clientes o frecuencia de predicción ubican el nivel de los problemas que resolviste.

Comunicación con no técnicos

Comités, auditoría y áreas comerciales deciden si un modelo se usa. Un logro sobre explicabilidad pesa mucho en sectores regulados.

Palabras clave que detecta el sistema de seguimiento de candidatos

  • Científico de datos
  • Machine learning
  • Python
  • SQL
  • Riesgo de crédito
  • Scoring
  • Detección de fraude
  • MLOps
  • MLflow
  • Airflow
  • AWS SageMaker
  • SHAP
  • Modelos predictivos

Usa las que sean ciertas en tu caso, con las palabras de la oferta.

Errores que evitar

  1. Solo proyectos de cursos

    Con experiencia laboral, los proyectos de Kaggle o de cursos pasan a segundo plano. Prioriza modelos que alguien usa.

  2. Algoritmos sin resultado

    «Usé XGBoost y redes neuronales» no dice nada. Describe el problema, la métrica y el impacto.

  3. Ignorar la ingeniería

    Pruebas, versionamiento y despliegue son parte del puesto. Si los haces, que se vea en un logro.

Preguntas

¿Necesito una maestría para trabajar como científico de datos?
No siempre. Una maestría ayuda en riesgo y en puestos con mucha estadística, pero la experiencia con modelos en producción suele pesar más en la selección.
¿Pongo el enlace a mis repositorios?
Sí, si contienen trabajo propio y limpio. Los modelos de un empleador no se publican; describe el resultado en el currículum.
¿Qué diferencia mi currículum del de un analista de datos?
El foco en modelos predictivos, su validación y su vida en producción. Los tableros y reportes van en segundo plano.

Más ejemplos

← Todos los ejemplos de currículum