Objetivo del cargo

Desarrollar modelos que mejoren las decisiones de demanda, reposición y precios, demostrando su aporte frente a las reglas actuales mediante validaciones rigurosas y resultados medibles para el negocio.

Funciones

Construir pronósticos probabilísticos de demanda y definir el nivel de agregación adecuado.
Corregir el efecto de los quiebres de stock para distinguir venta registrada de demanda real.
Derivar parámetros de reposición y stock de seguridad a partir de pronósticos e incertidumbre.
Desarrollar análisis de elasticidad y propuestas de optimización de precios.
Diseñar experimentos y grupos de control para evaluar cambios.
Integrar los resultados de los modelos a la capa Gold para su consumo por sistemas operacionales.
Definir indicadores, fórmulas y supuestos para herramientas de consulta de datos mediante IA.

Responsabilidades

Validar modelos con particiones temporales, sin fuga de información.
Comparar resultados contra métodos de referencia y elegir métricas adecuadas.
Medir impacto en quiebres, sobrestock, venta posterior y rotación.
Documentar supuestos, límites y errores de cada modelo.
Comunicar recomendaciones a las gerencias Comercial y Logística.
Proponer umbrales de negocio con evidencia para aprobación del Data Lead.

Requisitos obligatorios

Experiencia aplicada en forecasting de series de tiempo en producción.
Manejo de demanda intermitente y alternativas como Croston, TSB o agregación temporal.
Pronóstico probabilístico y estimación de cuantiles.
Backtesting temporal y prevención de fuga de información.
Selección de métricas y comparación contra baselines.
Python para análisis y modelado con código reproducible.
SQL sólido para preparar y consultar grandes volúmenes de datos.
Comunicación con audiencias no técnicas, rigor analítico y adaptación a prioridades.

Conocimientos deseables

Inferencia causal y diseño de experimentos A/B.
Forecast jerárquico y reconciliación.
Optimización mediante programación lineal o entera.
BigQuery ML y modelos fundacionales de series de tiempo.
Dagster u otro orquestador.
Conocimiento de retail: temporadas, colecciones, curvas de talla, sell-through, markdown y OTB.

Consideración para la búsqueda: la inferencia causal es necesaria para abordar el caso de pricing; si el candidato no la domina, ese caso se posterga.

Data Scientist