Job description ¡Sé parte de Stefanini!?En Stefanini somos más de 30.000 genios, conectados desde 41 países, haciendo lo que les apasiona y co-creando un futuro mejor.?Main responsibilities Analice conjuntos de datos grandes y complejos para identificar tendencias, patrones y conocimientos.Desarrollar e implementar modelos y algoritmos estadísticos para resolver problemas de negocio.Colaborar con equipos multifuncionales para definir los objetivos y entregables del proyecto.Diseñar y realizar experimentos para probar hipótesis y validar modelos.Presentar hallazgos y recomendaciones a las partes interesadas de manera clara y concisa.Manténgase actualizado con los últimos avances en ciencia de datos y técnicas de aprendizaje automático.Proporcionar orientación y tutoría a científicos de datos jóvenes, según sea necesario.Garantizar la integridad y calidad de los datos durante todo el proceso de análisis.Requirements and skills Experiencia demostrable como Data Scientist o rol similar.Fuertes habilidades de programación en lenguajes como Python, R o SQL.Dominio de herramientas de visualización de datos (p. ej., Tableau, Power BI) y software estadístico (p. ej., SAS, SPSS).Comprensión sólida de los algoritmos y técnicas de aprendizaje automático.La experiencia con tecnologías de big data (por ejemplo, Hadoop, Spark) es una ventaja.Excelentes habilidades analíticas y de resolución de problemas.Fuertes habilidades de comunicación y presentación.Capacidad para trabajar de forma independiente y colaborativa en un entorno acelerado.Atención al detalle y compromiso para ofrecer resultados de alta calidad.Additional information características clave:Simplicidad: Los modelos científicos deben ser lo más simples posible, siempre que se ajusten a los datos observados. La simplicidad facilita la comprensión y la interpretación 1 .Explicativo: Un buen modelo científico debe proporcionar una explicación comprensible del fenómeno o sistema que se estudia. Debe ayudar a entender cómo funciona y por qué ocurren ciertos eventos 1 .Verificable: Los modelos científicos deben someterse a pruebas mediante experimentos y observaciones. La verificación es esencial para validar su validez y precisión 1 .Generalizable: Un modelo científico debe tener la capacidad de explicar una amplia variedad de datos y situaciones. Debe ser aplicable en diferentes contextos 1 .Falsable: Un modelo científico debe poder ser refutado o falsado. Si no cumple con las predicciones o no se ajusta a los datos, se debe considerar un fallo y buscar alternativas 1 .Parsimonia: También conocido como el principio de economía, implica elegir la explicación más simple posible sin sacrificar la validez 1 .Consistencia: El modelo debe ser coherente y no debe contener contradicciones internas 1 .Conservativo: No debe generar predicciones inverosímiles o imposibles. Debe mantenerse dentro de los límites razonables 1 .Pragmático: Buscar siempre la aplicabilidad práctica. El científico de datos debe considerar cómo el modelo se puede utilizar en la práctica 1 .Actualizable: Los modelos científicos deben actualizarse y mejorarse a medida que se obtienen nuevos datos y se descubren nuevos hallazgos#J-18808-Ljbffr
