Plantilla de CV
Plantilla de CV para Científico de Datos
Un CV de Científico de Datos convence cuando demuestra que usted convierte datos en decisiones, y no solo en cuadros de mando. En los procesos de Madrid y Barcelona, el filtro técnico busca pruebas de estadística aplicada, SQL sobre volúmenes reales, Python de producción y modelos que hayan salido del cuaderno para llegar a un sistema en explotación. Esta plantilla ordena su trayectoria para que, en menos de treinta segundos, quien evalúa vea el problema de negocio, el método elegido y el impacto medido. Tenga presente que el puesto no es el de analista de datos ni el de ingeniero de machine learning: su valor está en la inferencia y en el diseño del experimento, sostenidos por ingeniería suficiente.
Written & reviewed by the CVWon Editorial Team · Updated julio 2026
Cree su CV ahoraUn CV fuerte de Científico de Datos se lee como una cadena de decisiones: qué pregunta de negocio había sobre la mesa, qué datos y qué método eligió usted, qué alternativa descartó y qué cambió después en la cuenta de resultados.
Optimización ATS
Palabras clave para ATS
Incluya estas palabras clave en su CV para superar los sistemas de seguimiento de candidatos (ATS).
Un CV fuerte de Científico de Datos se lee como una cadena de decisiones: qué pregunta de negocio había sobre la mesa, qué datos y qué método eligió usted, qué alternativa descartó y qué cambió después en la cuenta de resultados. Cada puesto debería contener al menos un experimento descrito con precisión (unidad de aleatorización, potencia estadística, criterio de parada) y al menos un modelo que haya llegado a producción con su métrica de negocio asociada. Los verbos pesan: «diseñé», «validé», «desplegué» y «monitoricé» dicen mucho más que «participé» o «colaboré». La parte técnica debe ser específica y verificable —volúmenes de datos, frecuencia de reentrenamiento, herramientas concretas— y la parte de negocio debe estar en euros, en puntos porcentuales o en horas ahorradas. Si además explica cómo defendió los resultados ante un comité sin formación estadística y cómo resolvió la ambigüedad en la definición de la métrica, habrá cubierto justamente lo que separa a un científico de datos de un analista y de un ingeniero de ML.
Estructura
¿Qué secciones debe incluir un CV de Científico de Datos?
Perfil profesional (4–5 líneas)
Es lo único que muchas personas de selección leen antes de decidir si pasan a la segunda página. Debe fijar sector, años de experiencia, tipo de problema que resuelve usted y una cifra de impacto.
Ejemplo
Científico de Datos con 6 años en banca minorista y retail. Diseño y análisis de más de 40 tests A/B anuales sobre una base de 2,3 millones de clientes y tres modelos de propensión y churn en producción sobre Databricks, con reentrenamiento semanal. Reducción de la tasa de baja del 14 % en la cartera de particulares y 1,8 M€ de margen retenido en 2025.
Experiencia en formato problema – método – impacto
Demuestra criterio y no solo herramientas. El tribunal técnico quiere saber por qué eligió usted un modelo y no otro, cómo lo validó y qué ocurrió después del despliegue.
Ejemplo
Sustituí la segmentación RFM heurística del equipo de CRM por un modelo de propensión (gradient boosting, 180 variables, validación temporal en 18 meses). AUC 0,84 frente al 0,71 de la regla anterior; la campaña de retención pasó del 3,1 % al 5,4 % de conversión, con 620.000 € adicionales en doce meses.
Experimentación y medición
Es la sección que más lo diferencia de un perfil de analista. Muy pocas candidaturas hablan de tamaño muestral, unidad de aleatorización, comparaciones múltiples o efectos de red, y ahí es donde se gana la entrevista técnica.
Ejemplo
Rediseñé el marco de experimentación del canal digital: cálculo previo de tamaño muestral (potencia del 80 %, MDE del 2 %), aleatorización a nivel de usuario y corrección de Benjamini-Hochberg. Los tests con conclusión accionable pasaron del 38 % al 71 % sobre 46 experimentos anuales y se retiraron dos funcionalidades sin efecto real.
Puesta en producción y monitorización
Separa a quien entrega un cuaderno de quien entrega un sistema. No hace falta ser ingeniero de ML, pero sí acreditar que sus modelos viven, se reentrenan y se vigilan.
Ejemplo
Empaqueté el modelo de previsión de demanda en un contenedor Docker con API en FastAPI, orquestación en Airflow y registro de versiones en MLflow. Alertas automáticas por deriva de datos (PSI > 0,2): el tiempo de detección de degradación bajó de 6 semanas a 4 días.
Competencias técnicas agrupadas por bloques
Un listado plano de treinta librerías satura al ATS y no ayuda a la persona que lo lee. Agrupar por lenguajes, datos, modelado y despliegue permite localizar de un vistazo lo que pide cada oferta.
Ejemplo
Lenguajes: Python (pandas, scikit-learn, statsmodels), SQL avanzado, R para inferencia. Datos: PySpark, Databricks, Snowflake, dbt, Airflow. Modelado: XGBoost, LightGBM, series temporales (SARIMA, Prophet), inferencia causal (diferencias en diferencias, propensity score matching). Despliegue: Docker, MLflow, FastAPI, Git, CI/CD en GitLab.
Formación, certificaciones e idiomas
En España, el Grado y el máster siguen filtrando en banca, consultoría y sector público, y conviene precisar si el máster es oficial o propio. El nivel de inglés condiciona el acceso a las multinacionales con hub en Madrid y Barcelona.
Ejemplo
Máster Universitario en Ciencia de Datos, Universidad Politécnica de Madrid (2019). Grado en Matemáticas, Universitat de València (2017). Microsoft Certified: Azure Data Scientist Associate (DP-100), 2023. Inglés C1 (Cambridge CAE); perfil bilingüe castellano-catalán.
Proyectos propios y repositorio público
Compensa la falta de años en perfiles junior y, en perfiles sénior, acredita profundidad técnica que no cabe en las viñetas de experiencia. Un enlace que funcione vale más que tres adjetivos.
Ejemplo
github.com/nombreusuario/uplift-retail: implementación de modelos uplift (two-model y X-learner) sobre 1,2 millones de transacciones, con cuaderno reproducible, tests con pytest y comparación frente a una campaña real.
Qué evitar
¿Cuáles son los errores más frecuentes en un CV de Científico de Datos?
FAQ
Preguntas frecuentes
Una página si lleva usted menos de tres años de experiencia y dos páginas a partir de ahí. Con perfiles muy técnicos y una trayectoria larga se admite una tercera página solo si contiene publicaciones, patentes o ponencias reales. Lo que nunca funciona es rellenar dos páginas repitiendo el mismo stack en cada puesto: es preferible una página densa en resultados que dos diluidas.
No es obligatorio y en el sector tecnológico español cada vez se incluye menos, sobre todo en multinacionales que aplican criterios de selección ciega. Si la oferta no la pide, aproveche ese espacio para el perfil profesional. Lo mismo vale para el DNI, la fecha de nacimiento y el estado civil: no aportan nada y sí pueden introducir sesgos.
Haga visible el componente inferencial y de decisión. Un analista describe lo que pasó; usted debe demostrar que estimó un efecto, que cuantificó la incertidumbre y que su conclusión cambió una decisión. Incluya al menos un experimento con su diseño (tamaño muestral, potencia, unidad de aleatorización) y un modelo desplegado con su métrica de negocio. Los cuadros de mando pueden aparecer, pero nunca como logro principal.
Mencione la infraestructura como medio, no como fin. Está bien decir que empaquetó el modelo en Docker y lo orquestó con Airflow; lo importante es que esa frase vaya acompañada de la hipótesis que validó y del resultado de negocio. Si su CV dedica más líneas a la latencia de inferencia que a la pregunta que resolvió, lo estarán clasificando en otro puesto.
Sí, siempre que estén vivos y sean revisables. Un repositorio con un README claro, código legible y un cuaderno reproducible pesa mucho en perfiles con menos de tres años. Evite enlazar repositorios vacíos o con veinte cuadernos sin ordenar: un enlace malo resta más de lo que suma ningún enlace.
Sea honesto y desplace el peso hacia lo que sí controla: diseño de análisis, validación, calidad del dato y comunicación de resultados. Describa hasta dónde llegó («entrega del modelo empaquetado y documentado al equipo de plataforma, que lo desplegó») y añada un proyecto propio en el que sí haya cerrado el ciclo completo, aunque sea a pequeña escala. Inventar un despliegue se detecta en la primera pregunta técnica.
En castellano si la oferta está publicada en castellano y la empresa es española; en inglés si el proceso lo lleva un equipo internacional o la descripción del puesto está en inglés, algo habitual en los hubs de Madrid y Barcelona. Mantenga las dos versiones coherentes en cifras y fechas, y no traduzca los nombres de herramientas, certificaciones ni titulaciones oficiales.
Salario
Salario por nivel de experiencia
Rangos salariales habituales según la antigüedad (EUR, brutos).
| Nivel | Experiencia profesional | Rango salarial |
|---|---|---|
| Nivel Inicial | 0–2 años | €35K – €55K |
| Nivel Intermedio | 3–5 años | €55K – €85K |
| Nivel Senior | 6–10 años | €85K – €130K |
| Responsable / Director | 10+ años | €120K – €170K |
Rellene esta plantilla en cvwon.com, exporte el resultado en un PDF compatible con ATS y ajuste las palabras clave a cada oferta antes de enviarla. ¡Su próxima candidatura se lo agradecerá!
Empiece ahoraRelacionados