Data Scientist Databricks — Híbrido - Monterrey — Consultoría Tech - Databricks, Spark, Python, Machine

Descripción del puesto

Sobre la vacante

EPAMNEORIS busca un Data Scientist especializado en Databricks con mente analítica y pasión por datos. El rol implica diseñar y optimizar pipelines en Databricks, implementar y desplegar modelos de Machine Learning, integrar múltiples fuentes de datos, garantizar calidad y seguridad de datos, colaborar con equipos de ingeniería, analítica y negocio, y documentar procesos. Modalidad híbrida en Monterrey, Nuevo León.

Requisitos: Dominio en Databricks, Spark, Delta Lake, MLflow; experiencia en procesamiento distribuido y modelado estadístico; sólido manejo de Python, Git y herramientas de ETL; capacidad para comunicar hallazgos complejos. Deseable: experiencia en Power BI, SQL avanzado y plataformas cloud (Azure, AWS o GCP). Se valora pensamiento crítico, mentalidad colaborativa y enfoque en impacto real.

¿Por qué deberías aplicar?

Esta es una oportunidad para llevar tu expertise al siguiente nivel trabajando con grandes volúmenes de datos en una consultora global. Aplicarás Machine Learning que impacta directamente en decisiones de negocio, colaborarás en entornos multidisciplinarios y desarrollarás soluciones escalables con tecnologías líderes como Databricks y Spark. Ideal para quienes buscan crecimiento profesional en un ambiente que fomenta la innovación y el aprendizaje continuo.

Tips y consejos de VacantesDigitales.com

Skills indispensables

• Técnicas: Databricks, Spark, Delta Lake, MLflow, Python, Git, ETL, procesamiento distribuido, modelado estadístico
• Soft skills: Pensamiento crítico, comunicación clara de hallazgos complejos, colaboración, enfoque en impacto

Tips prácticos para este puesto

• Enfoca tu CV en proyectos donde hayas usado Databricks para pipelines o MLflow para gestión de modelos
• Prepara ejemplos concretos de cómo tus modelos de Machine Learning generaron insights accionables para el negocio
• Practica explicar conceptos técnicos complejos de forma sencilla, clave para entrevistas con equipos no técnicos

Recursos recomendados

• Documentación oficial: Databricks Documentation, Apache Spark Docs, MLflow Tutorials
• Cursos: Databricks Academy, Coursera's Machine Learning Specialization
• Influencers: Follow data science leaders on LinkedIn for industry trends
• Tools: Jupyter Notebooks, Git for version control, cloud platforms (AWS/Azure/GCP) for deployment practice

Preguntas frecuentes en entrevistas para este rol

• Pregunta 1: "Describe un pipeline de datos que hayas diseñado en Databricks y los desafíos que enfrentaste" - Tip: Enfócate en escalabilidad, optimización y cómo manejaste la calidad de datos
• Pregunta 2: "¿Cómo evalúas y despliegas un modelo de Machine Learning en producción?" - Tip: Menciona MLflow para tracking, versionado y deployment, y considera aspectos como monitoreo y retraining
• Pregunta 3: "Explica cómo colaborarías con un equipo de negocio para traducir requisitos en soluciones de datos" - Tip: Destaca comunicación efectiva, uso de visualizaciones (ej. Power BI) y enfoque en métricas de impacto

Rango salarial estimado (LATAM)

Basado en datos de Glassdoor, Computrabajo, GetOnBoard y el mercado actual: | Nivel | Rango mensual USD | |-------|-------------------| | Junior | $1,500 - $2,500 | | Mid | $2,500 - $4,000 | | Senior | $4,000 - $6,500 |

*Nota: Varía según país, empresa, modalidad (remoto internacional paga más) y tecnologías específicas. Empresas de USA/EU pagando en LATAM suelen ofrecer 30-50% más. En consultorías como EPAMNEORIS, los rangos pueden ser competitivos según experiencia y proyectos.*

Red flags a considerar

• Bandera roja 1: Si la empresa no menciona claramente cómo miden el impacto de los modelos de Machine Learning en decisiones de negocio - Pregunta en la entrevista: "¿Cómo evalúan el ROI de los proyectos de data science?"
• Bandera roja 2: Falta de documentación o procesos establecidos para ETL y calidad de datos - Investiga antes: Revisa reviews de empleados en plataformas como Glassdoor sobre la cultura de datos
• Bandera roja 3: Expectativas poco realistas sobre despliegue rápido de modelos sin infraestructura adecuada - Señal de advertencia: Si piden "magia con datos" sin mencionar recursos o tiempo para testing y validación