Cómo ser Data Scientist

9:00 — El data scientist revisa el dashboard de monitorización de su modelo de predicción de churn (abandono de clientes). Hay una caída del 3% en la precisión respecto a la semana anterior. Hay que investigar si el modelo está sufriendo data drift.

10:00 — Exploración de datos: conecta al data warehouse con SQL, extrae los datos de los últimos 30 días y empieza a explorar en un Jupyter notebook. Identifica que el comportamiento de los clientes de 25-34 años ha cambiado significativamente tras el lanzamiento de un nuevo competidor.

11:30 — Feature engineering: prueba nuevas variables que incorporen la frecuencia de acceso a la app móvil. Con un Random Forest y validación cruzada, las nuevas features mejoran el AUC-ROC de 0.82 a 0.87.

13:00 — Reunión con el equipo de negocio: presentación de los hallazgos del análisis de cohortes de usuarios. El data scientist traduce los resultados técnicos a recomendaciones concretas: cambiar el momento de envío de las notificaciones push puede reducir el churn un 12%.

15:00 — Construcción del pipeline de ML: el nuevo modelo hay que ponerlo en producción. El data scientist trabaja con el equipo de MLOps para containerizar el modelo con Docker, configurar el endpoint de inferencia y definir los triggers de reentrenamiento.

17:30 — Formación: completa un módulo de un curso de LLMs aplicados a negocio. La inteligencia artificial generativa está cambiando el rol del data scientist y hay que entender cómo integrar LLMs en los flujos de trabajo existentes.