Sr Data Scientist - Hybrid in Santiago de Chile at Coderio

Sr Data Scientist - Hybrid

Sobre Coderio

Coderio diseña y entrega soluciones digitales escalables para empresas globales. Con una base técnica sólida y una mentalidad orientada al producto, nuestros equipos lideran proyectos de software complejos desde la arquitectura hasta la ejecución. Valoramos la autonomía, la comunicación clara y la excelencia técnica. Colaboramos estrechamente con equipos y socios internacionales, construyendo tecnología que genera impacto.

Más información: http://coderio.com

Qué buscamos

Buscamos Data Scientist para sumarse al equipo de Analítica Avanzada / Datos Retail de uno de nuestros clientes líderes en retail de moda (con decenas de tiendas propias y múltiples marcas), en modalidad híbrida en Santiago de Chile.

En este rol reportarás al Chief Digital Officer y trabajarás codo a codo con el Data Lead, Data Engineer y las gerencias Comercial y Logística para transformar tres decisiones operativas críticas del negocio en modelos optimizados de alto impacto: la previsión probabilística de demanda por SKU y tienda, la derivación dinámica de la curva óptima de reposición (mínimos y máximos) desde el centro de distribución, y la estrategia de precios con análisis de elasticidad e inferencia causal para optimizar el markup inicial y las rebajas de temporada. Todo esto sobre una plataforma de datos ya construida en arquitectura Medallion en producción con BigQuery sobre la capa Silver.

Responsabilidades:

• Previsión de Demanda (Caso Base): Construir pronósticos probabilísticos por el grano donde haya señal real. Corregir la censura en los datos resolviendo el problema técnico central: separar la venta registrada de la demanda real ajustando por historial de stockout/quiebres. Desagregar de forma consistente mediante curvas de talla y color.

• Optimización de Reposición: Derivar las curvas de stock mínimo (demanda esperada durante el lead time + ciclo de revisión) y máximo (utilizando cuantiles altos de la distribución) para que el stock de seguridad se ajuste dinámicamente a la incertidumbre.

• Optimización de Precios & Inferencia Causal: Estimar elasticidad para alimentar el markup inicial y gatillar rebajas en temporada. Superar el sesgo de confusión causal en datos observacionales mediante el diseño y ejecución de experimentos/pruebas A/B en grupos comparables de tiendas.

• El Loop de Medición: Generalizar y sistematizar la medición permanente del resultado operacional de las decisiones (días a nuevo quiebre, sell-through y stock muerto al final del ciclo de vida).

• Aporte al Harness de IA: Especificar fórmulas determinísticas, intervalos y supuestos exactos para las herramientas (tools) que invoca la IA corporativa, garantizando que cualquier cifra generada por IA sea auditable y tenga respaldo.

• Método y Comunicación: Definir protocolos estrictos de validación (partición temporal ciega, baselines explícitos, métricas adecuadas sin contaminación), documentar supuestos/límites y comunicar los resultados de forma clara a las gerencias Comercial y Logística.

Requisitos:

• Forecasting Aplicado en Producción: Experiencia comprobable en modelos de series de tiempo en entornos de producción.

• Demanda Intermitente: Dominio del tratamiento de series con alta presencia de ceros y conocimiento de alternativas cuando ARIMA/ETS fallan (Croston, TSB, agregación temporal).

• Pronóstico Probabilístico: Manejo de cuantiles y distribuciones de probabilidad para la toma de decisiones con incertidumbre.

• Validación Rigurosa & Métricas: Dominio de backtesting honesto y selección de métricas adecuadas.

• Python & SQL Analítico: Python sólido orientado a código ejecutable por orquestadores y SQL avanzado para interactuar directamente con marts de decenas de millones de filas.

• Comunicación & Criterio: Habilidad para traducir hallazgos técnicos a un lenguaje claro para usuarios de negocio, rigurosidad para medir con datos y capacidad de adaptación ante la reprioritización.

Será un plus:

• Inferencia Causal & Diseño de Experimentos: Manejo de variables confusoras, controles, diseño cuasi-experimental y pruebas A/B a nivel de grupos de tiendas (tamaño de muestra, potencia).

• Forecast Jerárquico & Reconciliación: Experiencia pronosticando a alto nivel y desagregando de forma consistente.

• Optimización Matemática: Programación lineal/entera para la asignación de stock escaso.

• Modelos Fundacionales & BigQuery ML: Uso de modelos pre-entrenados para series de tiempo (TimesFM o similares) o entrenamiento dentro del motor analítico en Google Cloud.

• Dominio de Retail / Consumo Masivo: Comprensión de estacionalidad, temporadas, colecciones, curvas de talla, sell-through, markdowns y OTB.

• Orquestación: Manejo de Dagster u otros orquestadores para la ejecución automática de modelos.

$1 - $1 a month