Adapta tu CV para roles de Científicos de Datos
Los CV de ciencia de datos fallan de dos maneras: parecen expedientes académicos (todos los cursos, cero impacto de negocio) o sopa de palabras clave (quince algoritmos de ML, ningún modelo en producción). Los filtros ATS verifican Python, SQL y los métodos específicos de la oferta; el gerente de contratación luego escanea buscando una sola cosa: ¿tus modelos movieron una métrica del negocio?
Adapta cada CV al dominio del problema de la empresa: modelos de churn para SaaS, pronóstico de demanda para retail, NLP para herramientas de soporte. Cuantifica el impacto en unidades de negocio — 'el modelo de uplift aumentó el ROI de campañas 23%', 'el error de pronóstico (MAPE) bajó de 18% a 9%' — y nombra tu stack con precisión: pandas, scikit-learn, XGBoost, TensorFlow, dbt, Airflow.
Habilidades clave que buscan los reclutadores
Consejos de CV que sí marcan la diferencia
Traduce métricas de modelo a resultados de negocio
Un AUC de 0.91 le dice poco a la mayoría de los gerentes. Acompáñalo con impacto: 'Modelo de churn (XGBoost, AUC 0.91) que impulsó campañas de retención y salvó $1.2M de ARR'. Cada viñeta de proyecto debe terminar en dinero, puntos porcentuales u horas ahorradas.
Muestra el pipeline completo, no solo el modelado
Menciona extracción con SQL, ingeniería de features, diseño de experimentos (pruebas A/B, análisis de potencia) y despliegue o entrega. Los equipos rechazan candidatos que solo conocen model.fit() — la evidencia de que limpiaste datos sucios de producción pesa más que otro nombre de algoritmo.
Replica el vocabulario de métodos de la oferta
Si el rol pide inferencia causal, pronóstico de series de tiempo o fine-tuning de LLM, usa esas frases exactas donde apliquen honestamente. El ATS y los reclutadores filtran de forma literal; 'analítica predictiva' no coincide con una vacante que dice 'forecasting'.
Pon publicaciones y cursos en su lugar
Los roles de industria quieren impacto entregado primero: experiencia, luego proyectos, luego educación. Quien tenga doctorado debe comprimir lo académico en tres líneas salvo en posiciones de investigación. Una medalla de Kaggle o contribución open source merece una viñeta con enlace, no una sección.
Preguntas frecuentes
¿Qué palabras clave buscan los ATS en un CV de científico de datos?
Python, SQL y R encabezan la lista, seguidos de los métodos específicos de la oferta: machine learning, regresión, clasificación, pruebas A/B, NLP, forecasting. Las herramientas también cuentan — scikit-learn, TensorFlow, PyTorch, Spark, Tableau, dbt. Replica los términos exactos de la vacante; 'modelado estadístico' y 'modelado predictivo' se comparan como cadenas distintas.
¿Qué extensión debe tener un CV de científico de datos?
Una página con menos de ocho años en la industria; dos si tienes publicaciones o patentes relevantes para el rol. Abre con un resumen que nombre tu dominio (por ejemplo, 'modelos de churn y pricing en SaaS B2B') y un logro cuantificado — los reclutadores rara vez pasan de la primera media página.
¿Necesito modelos en producción o bastan los notebooks?
El despliegue es el mayor diferenciador. Si un modelo tuyo corre en producción, dilo explícitamente: 'Desplegado con FastAPI en AWS, puntuando 2M de usuarios cada noche'. Si no, muestra lo más cercano — un dashboard que ejecutivos usaban cada semana, o un análisis que cambió una decisión — y cuantifica qué cambió.