Currículum de científico/a de datos: ejemplos y guía para redactarlo

Este ejemplo corresponde a un científico de datos con cuatro años de experiencia y un máster, que trabaja con modelos que de verdad están en producción. El nombre, las empresas y las universidades son inventados. Si acabas de terminar los estudios, la sección para perfiles sin experiencia muestra cómo rellenar el mismo esquema con proyectos, investigación y prácticas.

Las ofertas de ciencia de datos reciben cientos de currículums que enumeran las mismas librerías. Quien selecciona busca pruebas de que has hecho el trabajo, no solo el curso.

• Impacto que llegó a producción o a una decisión. «Creé un modelo con un 92 % de accuracy» es una línea de deberes. «El modelo puntúa 90.000 siniestros al año y recuperó 1,9 M€» es una línea de trabajo. Al menos un logro por puesto debe mostrar tu trabajo en uso.
• Los dos tipos de cifras. Una métrica adecuada al problema (AUC o precisión/recall en clasificación, MAPE o RMSE en previsión, lift en modelos de uplift) más un resultado de negocio. Dar la accuracy en un problema de clasificación desbalanceado le dice a quien selecciona que no pensaste en la métrica.
• Profundidad en un stack, no amplitud en diez. Python con las librerías nombradas, un data warehouse SQL y una vía de despliegue (Airflow, MLflow, SageMaker, Vertex AI, Databricks). Enumerar todos los frameworks suena a formación a base de tutoriales.
• Fundamentos de experimentación y estadística. La mitad del trabajo en la mayoría de los puestos de ciencia de datos de producto es experimentación. En las entrevistas se comprueban el diseño de tests A/B, la potencia, la reducción de varianza, la inferencia causal y saber cuándo un resultado es ruido, así que muéstralo en el currículum.
• Si estás empezando: formación, investigación y proyectos con enlaces. Un máster o un doctorado en un área cuantitativa sigue siendo el camino habitual; si no lo tienes, un GitHub con dos o tres proyectos completos (datos, método, evaluación, explicación por escrito) tiene que sostener el currículum.

“Busco una línea en la que el modelo hiciera algo de verdad por la empresa y luego compruebo si la métrica elegida tiene sentido para el problema. Un currículum con diez puntuaciones de Kaggle y ninguna línea de producción acaba al final del montón.”

De tres a cuatro líneas. Primero el nivel, los años y el sector; después tu mejor resultado en producción con las dos cifras; luego el stack y, al final, la formación. Si acabas de terminar los estudios, sustituye el resultado en producción por tu mejor proyecto o línea de investigación. Olvídate del objetivo profesional: incluso recién titulado/a tienes algo hecho que contar.

Esquema: problema, datos (volumen y fuente), método, métrica del modelo, resultado de negocio y quién lo usa. Abajo tienes líneas habituales reescritas. Pon tus propias cifras: en las entrevistas se profundiza en cada una.

Agrupa por categorías y limita la sección a entre 12 y 16 líneas. Nombra librerías, no solo lenguajes, y una o dos herramientas por categoría en lugar de todas las que hayas abierto alguna vez. Los técnicos de selección buscan en los sistemas de seguimiento de candidatos (ATS) los nombres exactos, así que escribe «scikit-learn» y «PyTorch» tal como los escriben los propios proyectos.

• Programación: Python (pandas, NumPy, scikit-learn, statsmodels), R (tidyverse), SQL (nombra el data warehouse: BigQuery, Snowflake, Redshift, Databricks SQL), Spark o PySpark para grandes volúmenes de datos
• Modelado: gradient boosting (XGBoost, LightGBM, CatBoost), regresión regularizada, previsión de series temporales, clustering, análisis de supervivencia, métodos bayesianos si los has usado
• Deep learning: PyTorch o TensorFlow, Hugging Face Transformers, fine-tuning, embeddings; inclúyelo solo si has entrenado o ajustado modelos reales
• Modelos de lenguaje (LLM): diseño de prompts, generación aumentada por recuperación (RAG), evaluación de las respuestas de LLM, APIs de OpenAI o Vertex, LangChain; cada vez se piden más, así que indica qué construiste de verdad
• Experimentación e inferencia causal: tests A/B, análisis de potencia, CUPED, tests secuenciales, diferencias en diferencias, emparejamiento por puntuación de propensión, modelos de uplift
• MLOps y pipelines: MLflow, Airflow, Docker, SageMaker, Vertex AI, Databricks, dbt, tests de calidad de datos, monitorización de modelos, Git
• Visualización y comunicación: matplotlib, Plotly, Tableau o Looker, Jupyter, redacción técnica y presentaciones a dirección
• Sector: nombra el sector y los tipos de problema con los que has trabajado (precios, riesgo de crédito, previsión de demanda, recomendaciones, resultados en salud)

Redacta un proyecto como un logro laboral: problema, volumen y fuente de los datos, método, la métrica adecuada y un enlace. Dos o tres proyectos completos valen más que ocho notebooks. Asegúrate de que el README y los resultados se vean sin tener que clonar nada.

1. 1Elige un problema con una decisión real detrás (a qué pacientes hacer seguimiento, qué anuncios destacar, cuánto stock tener), con datos desordenados de un portal de datos abiertos, una API o una competición de Kaggle, en lugar de un dataset limpio de clase.
2. 2Haz el ciclo completo: limpieza, un modelo de referencia, un modelo mejor, una validación honesta (particiones temporales en series temporales, sin fugas de datos) y una métrica elegida para el problema.
3. 3Escribe un README con la pregunta, los datos, el enfoque, una tabla de resultados y dos gráficos, además de lo que harías después. Quien revisa tu candidatura le dedica 30 segundos.
4. 4En el currículum: título, herramientas entre paréntesis y, después, una o dos líneas con el volumen de datos, el método, la métrica y la conclusión, más el enlace. Si es un resultado de Kaggle, indica el puesto y el número de equipos.

«Currículum de científico de datos sin experiencia» es una de las búsquedas más habituales que llegan a esta página. Quien selecciona quiere pruebas de que sabes hacer el ciclo completo con datos reales, explicar el resultado y escribir código limpio. Ordena el currículum para que esas pruebas aparezcan primero.

• Encabezado con GitHub (con README), LinkedIn y un portfolio o blog si escribes. Un enlace a un GitHub vacío resta.
• Perfil profesional de tres líneas: titulación, tu mejor proyecto o investigación con una métrica y tu stack.
• Formación académica arriba: titulación, universidad, fecha de finalización, nota media si es de notable alto o superior y una línea breve con asignaturas relacionadas (Aprendizaje Automático, Inferencia Estadística, Métodos Bayesianos, Bases de Datos, Diseño de Experimentos). Añade el título del TFG o TFM si lo tienes.
• Sección de proyectos con 2 o 3 entradas redactadas como arriba. Por ahora, esta es tu experiencia.
• Prácticas, becas de investigación y becas de colaboración en un departamento, dentro de la experiencia y con cifras: volumen de datos, modelo, métrica, quién lo usó.
• Certificados solo como una línea breve al final (Google Cloud Professional ML Engineer, AWS Machine Learning Specialty, Databricks ML Associate). Ayudan a coincidir con palabras clave; los proyectos y la entrevista deciden.
• Olvídate del objetivo profesional y de «apasionado/a por los datos». Un currículum de recién titulado/a con una buena línea sobre el TFM se lee mejor que cualquier objetivo.

• Extensión: una página si tienes poca experiencia; hasta dos páginas si llevas varios años, diriges personas o tienes un doctorado con publicaciones relevantes para el puesto. Quien selecciona decide con la primera media página.
• Orden con experiencia: encabezado, perfil profesional, experiencia laboral, competencias, formación académica, de 2 a 4 publicaciones relevantes (enlaza el resto desde Google Scholar), certificados. Sin experiencia: encabezado, perfil profesional, formación académica, proyectos, experiencia, competencias.
• Diseño: una sola columna, fuentes estándar, sin barras de nivel ni gráficos. Una plantilla técnica oscura o a dos tonos como la data-scientist de cvplex sirve siempre que se base en texto. Los sistemas de seguimiento de candidatos (ATS) de las grandes empresas solo leen texto. En España la foto es habitual pero opcional; no hace falta poner fecha de nacimiento, estado civil ni DNI.
• GitHub: enlázalo solo si tiene 2 o 3 proyectos terminados con README. Fija esos repositorios y borra o archiva los notebooks de cursos a medio hacer.
• Palabras clave que conviene reflejar de la oferta cuando sean ciertas en tu caso: machine learning, modelado estadístico, Python, SQL, experimentación o tests A/B, previsión, deep learning, NLP, LLM, MLOps, la plataforma cloud por su nombre y el tipo de problema (abandono, precios, fraude, recomendaciones).
• ¿Currículum o CV? En España ambos nombres se refieren al mismo documento, de una o dos páginas. El formato Europass es conocido, pero no obligatorio. Un CV académico completo, con todas las publicaciones y ponencias, es para puestos docentes universitarios y de centros de investigación.