Resumen: Contribuir activamente al desarrollo de soluciones analíticas de extremo a extremo para casos de uso empresarial reales en el ámbito de la cadena de suministro, cubriendo todo el ciclo de vida, desde la exploración y modelado de datos hasta su implementación en producción. Aspectos destacados: 1. Desarrollar soluciones analíticas de extremo a extremo para casos de uso empresarial reales 2. Trabajar con conjuntos de datos complejos y de gran escala y garantizar la calidad de los datos 3. Colaborar dentro de un equipo multidisciplinario y global ### **Descripción detallada del proyecto** **Objetivo del proyecto** Contribuir activamente al desarrollo de soluciones analíticas de extremo a extremo para casos de uso empresarial reales en el ámbito de la cadena de suministro, cubriendo todo el ciclo de vida, desde la exploración y modelado de datos hasta su implementación en producción y su consumo por parte de los usuarios finales, con asesoramiento técnico y orientación del equipo global de ciencia de datos. **Retos para el estudiante** * Comprender y traducir problemas empresariales reales en soluciones basadas en datos. * Trabajar con conjuntos de datos complejos y de gran escala y garantizar la calidad, coherencia y fiabilidad de los datos. * Generar valor empresarial tangible. * Desarrollar soluciones analíticas que vayan más allá de la experimentación, teniendo en cuenta su escalabilidad, mantenibilidad y usabilidad. * Colaborar eficazmente dentro de un equipo multidisciplinario y global y adaptarse a metodologías ágiles de trabajo. * Aplicar buenas prácticas modernas de ciencia de datos, incluidas la reproducibilidad, la documentación y la calidad del código. * Aprender y utilizar una pila tecnológica empresarial de ciencia de datos. **Principales responsabilidades y actividades a realizar** * Procesar, limpiar y validar datos, garantizando su calidad y fiabilidad para fines analíticos y de modelado. * Realizar análisis exploratorio de datos para generar conocimientos e impulsar la toma de decisiones mediante resultados analíticos y visualizaciones. * Formular hipótesis, diseñar enfoques analíticos y aplicar técnicas estadísticas para validar los resultados. * Realizar ingeniería de características y preparación de datos para apoyar esfuerzos de modelado predictivo y prescriptivo. * Desarrollar, evaluar e iterar modelos predictivos o prescriptivos mediante técnicas de aprendizaje automático u otras técnicas avanzadas de inteligencia artificial. * Contribuir a todo el ciclo de vida de las soluciones de ciencia de datos, incluidas la documentación, la validación y la preparación para su implementación en producción. * Aplicar las mejores prácticas de ciencia de datos e ingeniería de software, incluidas la reproducibilidad, el control de versiones y una documentación técnica clara. **Requisitos específicos / Calificaciones** **Habilidades, competencias y/o conocimientos requeridos** * Fuertes habilidades analíticas y de resolución de problemas, con capacidad para descomponer problemas empresariales complejos en tareas analíticas estructuradas. Dominio de Python, con capacidad para escribir código limpio, reutilizable y bien estructurado para análisis y modelado de datos. * Conocimientos sólidos de SQL. * Capacidad para comunicar conocimientos de forma efectiva mediante narrativas basadas en datos, utilizando análisis claros y salidas visuales. * Excelentes habilidades de colaboración y capacidad para trabajar eficazmente en un entorno ágil y orientado al trabajo en equipo. * Alto nivel de atención al detalle y un enfoque estructurado para la resolución de problemas. * Dominio del inglés suficiente para la comunicación técnica y profesional dentro de un equipo global. * Familiaridad con herramientas de control de versiones (por ejemplo, Git) **Deseable** * Familiaridad con Snowflake u otros almacenes de datos analíticos. * Conocimientos sobre desarrollo de aplicaciones web, APIs REST, HTML y/o CSS. * Conocimientos o experiencia práctica en técnicas de simulación (por ejemplo, simulación de eventos discretos, simulación de Monte Carlo). * Conocimientos o experiencia práctica en métodos de optimización, como optimización lineal, entera o no lineal, heurísticas o metaheurísticas. * Familiaridad con bibliotecas o herramientas de optimización o simulación (por ejemplo, OR‑Tools, PuLP, Gurobi, CPLEX, SimPy o similares). * Experiencia con herramientas de visualización de datos como Power BI o Tableau. * Exposición a modelos de inteligencia artificial más allá de los cursos académicos. * Experiencia trabajando con plataformas empresariales de datos o entornos analíticos basados en la nube (Azure, AWS, etc.)