Ejemplo de CV

Ejemplo de CV para Científico de Datos

El ejemplo que sigue corresponde a un perfil con seis años de experiencia en el mercado español, orientado a puestos de Científico de Datos en producto digital, banca o retail. Úselo como referencia de tono, de nivel de detalle y sobre todo de forma de cuantificar; sustituya cada cifra por la suya y no copie las viñetas literalmente, porque el tribunal técnico preguntará por cada número que aparezca. Fíjese en cómo cada línea enlaza un método estadístico con una consecuencia de negocio: ese es el eje que distingue este puesto del de analista de datos y del de ingeniero de machine learning.

Written & reviewed by the CVWon Editorial Team · Updated julio 2026

Cree su CV

Ejemplo vs. plantilla: Este es un CV real de Científico de Datos, completo y comentado, para aprender sección por sección. ¿Listo para escribir el tuyo? Usar la plantilla de CV de Científico de Datos →

Ejemplo de CV completo

Científico de Datos

Perfil profesional

Científico de Datos con 6 años de experiencia entre retail y banca minorista, especializado en modelos predictivos en producción y en diseño de experimentos. Responsable del marco de tests A/B de una plataforma con 2,3 millones de usuarios activos mensuales y de tres modelos de propensión, churn y previsión de demanda desplegados sobre Databricks con reentrenamiento semanal. Perfil mixto de estadística e ingeniería suficiente: Python, SQL, PySpark, MLflow y Docker, con trabajo diario junto a equipos de ingeniería de datos, producto y negocio. Perfil bilingüe castellano-catalán. Acostumbrado a defender resultados y niveles de incertidumbre ante comités sin formación técnica, y a operar bajo los requisitos del RGPD y de la política interna de riesgo de modelo. Disponible en Madrid con modelo híbrido; inglés C1.

Logros destacados

Rediseñé el modelo de baja de clientes particulares (LightGBM, 210 variables, validación temporal sobre 18 meses): el AUC pasó de 0,71 a 0,86 y la tasa de baja se redujo un 14 % en doce meses, equivalente a 1,8 M€ de margen retenido.

Implanté el marco de experimentación del canal digital —cálculo previo de tamaño muestral, MDE del 2 %, potencia del 80 % y corrección de Benjamini-Hochberg—: los tests con conclusión accionable pasaron del 38 % al 71 % sobre 46 experimentos al año.

Desplegué en producción un modelo de previsión de demanda por tienda y referencia (SARIMA combinado con gradient boosting sobre 400 millones de registros en PySpark): MAPE del 11,4 % frente al 19,8 % del método anterior y 320.000 € menos de inmovilizado en almacén.

Automaticé el reentrenamiento y la monitorización de tres modelos con Airflow y MLflow, con alertas por deriva de datos (PSI > 0,2): el tiempo medio de detección de degradación bajó de 6 semanas a 4 días.

Cuantifiqué mediante inferencia causal (diferencias en diferencias con grupo de control sintético) el efecto de la apertura de 27 tiendas sobre las ventas del canal online: canibalización real del 3,2 % frente al 11 % que estimaba el equipo comercial, lo que permitió mantener el plan de expansión.

Reduje un 60 % el tiempo de construcción del conjunto de variables (de 5 h a 2 h) reescribiendo las consultas críticas en SQL sobre Snowflake y sustituyendo pandas por PySpark en las agregaciones de eventos.

Detecté una fuga de información en el modelo de scoring heredado (una variable calculada después del evento a predecir) y documenté el impacto: el rendimiento real era 9 puntos de AUC inferior al declarado; el modelo se retiró y se reconstruyó en seis semanas.

Formé a 9 personas de negocio en diseño de experimentos y lectura de intervalos de confianza, con una guía interna de 20 páginas que hoy es de consulta obligatoria antes de lanzar cualquier test.

Presenté cada trimestre al comité de dirección el estado de los 3 modelos en cartera con una sola diapositiva por caso: hipótesis, efecto medido, intervalo de confianza al 95 % y decisión recomendada; 8 de las 11 propuestas se aprobaron en la misma sesión.

Formación académica

Grado en Matemáticas por la Universitat de València (2017) y Máster Universitario en Ciencia de Datos por la Universidad Politécnica de Madrid (2019), con Trabajo Fin de Máster sobre modelos uplift aplicados a campañas de retención (calificación 9,4). En España, el itinerario habitual hacia este puesto parte de un Grado en Matemáticas, Física, Estadística o Ingeniería Informática, seguido de un máster oficial en ciencia de datos o big data (UPM, UPC, UAM, Universidad de Granada, Universitat de Barcelona) o de un máster propio de escuela de negocio. Indique siempre si el máster es oficial o propio: en banca, consultoría y sector público esa distinción se comprueba, y también se valora la verificación por la ANECA. Si procede usted de Física, Economía o Ingeniería Industrial, deje explícita la carga de estadística, álgebra y programación cursada; es una vía frecuente y bien vista, pero conviene no darla por supuesta. El doctorado no es requisito salvo en equipos de investigación, aunque sí aporta en puestos de inferencia causal y en centros como el BSC o los laboratorios de I+D de banca y telecomunicaciones.

Certificaciones

Microsoft Certified: Azure Data Scientist Associate (DP-100)

Databricks Certified Machine Learning Associate

AWS Certified Machine Learning – Specialty

Google Cloud Professional Machine Learning Engineer

Máster Universitario oficial verificado por la ANECA (indíquelo expresamente si su título lo es)

Certificado de inglés nivel C1 (Cambridge CAE o Escuela Oficial de Idiomas)

Professional Scrum Master I (PSM I), habitual en equipos de producto de Madrid y Barcelona

Formación en protección de datos y RGPD conforme a los criterios de la AEPD, útil en proyectos con datos personales

Competencias

¿Qué competencias debe destacar un CV de Científico de Datos?

Técnica

Estadística inferencial y diseño de experimentos: tamaño muestral, potencia, MDE, comparaciones múltiples Aprendizaje automático supervisado: regresión logística, random forest, XGBoost y LightGBM Inferencia causal: diferencias en diferencias, propensity score matching, modelos uplift Series temporales: SARIMA, Prophet y modelos jerárquicos de demanda SQL avanzado: funciones de ventana, CTE recursivas y optimización de consultas sobre miles de millones de filas Python de producción: pandas, scikit-learn, statsmodels, pytest y empaquetado de módulos Procesamiento distribuido con PySpark sobre Databricks Puesta en producción y monitorización: MLflow, Docker, control de deriva y explicabilidad con SHAP

Habilidades interpersonales

Traducción de resultados analíticos a decisiones de negocio ante comités sin formación estadística Formulación de preguntas: eliminar la ambigüedad de una petición de negocio y convertirla en una hipótesis medible antes de tocar una sola tabla Rigor y honestidad estadística: comunicar la incertidumbre en lugar de esconderla bajo una cifra redonda Trabajo transversal con producto, ingeniería de datos y negocio en entornos híbridos y en remoto Formación y divulgación interna de buenas prácticas de experimentación Gestión de prioridades entre varias líneas de negocio con recursos limitados

Herramientas

Python SQL R PySpark y Databricks Snowflake dbt Airflow MLflow Docker Git y CI/CD en GitLab Power BI y Looker Studio Jupyter y VS Code

Categoría	Competencias
Técnica	Estadística inferencial y diseño de experimentos: tamaño muestral, potencia, MDE, comparaciones múltiples, Aprendizaje automático supervisado: regresión logística, random forest, XGBoost y LightGBM, Inferencia causal: diferencias en diferencias, propensity score matching, modelos uplift, Series temporales: SARIMA, Prophet y modelos jerárquicos de demanda, SQL avanzado: funciones de ventana, CTE recursivas y optimización de consultas sobre miles de millones de filas, Python de producción: pandas, scikit-learn, statsmodels, pytest y empaquetado de módulos, Procesamiento distribuido con PySpark sobre Databricks, Puesta en producción y monitorización: MLflow, Docker, control de deriva y explicabilidad con SHAP
Herramientas	Python, SQL, R, PySpark y Databricks, Snowflake, dbt, Airflow, MLflow, Docker, Git y CI/CD en GitLab, Power BI y Looker Studio, Jupyter y VS Code
Habilidades interpersonales	Traducción de resultados analíticos a decisiones de negocio ante comités sin formación estadística, Formulación de preguntas: eliminar la ambigüedad de una petición de negocio y convertirla en una hipótesis medible antes de tocar una sola tabla, Rigor y honestidad estadística: comunicar la incertidumbre en lugar de esconderla bajo una cifra redonda, Trabajo transversal con producto, ingeniería de datos y negocio en entornos híbridos y en remoto, Formación y divulgación interna de buenas prácticas de experimentación, Gestión de prioridades entre varias líneas de negocio con recursos limitados

Nota sectorial

En España la demanda se concentra en Madrid y Barcelona, con núcleos menores y en crecimiento en Valencia, Bilbao, Málaga y Zaragoza. Banca y seguros exigen trazabilidad y documentación exhaustiva del modelo (validación independiente, criterios del Banco de España y de la EBA en modelos de riesgo), de modo que conviene destacar versionado, pruebas, explicabilidad con SHAP y control de sesgos. En retail y gran consumo pesan la previsión de demanda, el surtido y la elasticidad de precios; en turismo, hostelería y aerolíneas, la estacionalidad y el revenue management; en telecomunicaciones y energía, el churn, la segmentación y el mantenimiento predictivo. Las consultoras tecnológicas y las grandes firmas de auditoría siguen siendo la puerta de entrada más común: salarios de partida más bajos, pero mucha rotación de proyectos y sectores en poco tiempo. Sea cual sea el ámbito, explique cómo trabajó con datos personales bajo el RGPD y la LOPDGDD (minimización, anonimización, base de licitud) y, si aplica, cómo se está preparando su organización para el Reglamento Europeo de Inteligencia Artificial: en 2026 es un diferenciador real y muy pocas candidaturas lo mencionan. Añada también el tipo de contrato y la modalidad que busca —indefinido, jornada completa, híbrido— si se presenta a empresas grandes con convenio propio.

FAQ

Preguntas frecuentes

Mantenga la estructura y cambie el origen de las pruebas. Si lleva menos de dos años, sustituya la experiencia por dos o tres proyectos completos (con datos reales, no de curso), el Trabajo Fin de Máster y las prácticas, y conserve las cifras: tamaño del conjunto de datos, métrica obtenida, comparación con una línea base. Si viene de analista de datos, reescriba sus logros pasados poniendo el foco en el efecto estimado y en la decisión que se tomó, no en el informe que entregó.

Sí durante los tres o cuatro primeros años, y con una línea que explique el problema, el método y el resultado, no solo el título. A partir de ahí ocupa un espacio que rinde más en experiencia profesional, salvo que el tema coincida exactamente con el puesto o haya derivado en una publicación o en un repositorio con recorrido.

Anonimice el cliente pero conserve la magnitud: «entidad financiera del IBEX 35», «cadena de retail con 400 puntos de venta», «operadora de telecomunicaciones con 8 millones de líneas». Puede expresar el impacto en porcentaje en lugar de en euros absolutos. Lo que no debe hacer es sustituir la cifra por adjetivos: ¡«gran impacto» o «resultados muy positivos» se leen exactamente como ausencia de resultados!

No, salvo que la oferta lo pida de forma expresa. El sitio natural para esa conversación es la primera llamada con selección, donde además puede preguntar por la banda definida, el tipo de contrato, el convenio aplicable y la parte variable. Si el formulario obliga a rellenarlo, indique una horquilla realista de su nivel y añada que es negociable según el paquete completo.

Es muy recomendable en Madrid y Barcelona, donde buena parte de los procesos de multinacionales y de empresas de producto se gestionan en inglés desde el primer contacto. Mantenga ambas versiones con las mismas cifras y fechas, conserve sin traducir los nombres de herramientas y certificaciones, y traduzca las titulaciones añadiendo el nombre oficial en castellano entre paréntesis.

Entre cuatro y seis en el puesto actual y dos o tres en los anteriores, siempre priorizando aquellas que contengan una cifra y una decisión. Una viñeta sin número es una viñeta candidata a desaparecer. Si un puesto no le dio ningún resultado medible, resuma la función en una línea y dedique el espacio a los proyectos donde sí lo tuvo.