Un CV de científico de datos tiene un fallo muy suyo: se lee como un stack técnico con un nombre pegado. Python, SQL, TensorFlow, XGBoost, Spark, una docena de herramientas y casi nada sobre qué produjo cualquiera de ellas. Los responsables que contratan para roles de datos han visto mil así. Lo que de verdad buscan es si sabes convertir datos en una decisión sobre la que alguien actuó.

Así se construye un CV que responde a esa pregunta.

Empieza por resultados, no por modelos

La trampa es describir la técnica y pararse ahí. «Construí un modelo de random forest para predecir la fuga de clientes» dice qué hiciste, no si importó. El modelo es el medio. El resultado es el objetivo.

Reescribe cada línea para que el resultado de negocio sea el sujeto. «Reduje la fuga mensual un 14 % con un modelo que marcaba cuentas en riesgo para el equipo de retención» empieza por la cifra que le importa a un directivo y luego gana credibilidad nombrando el método. El modelo sigue ahí. Solo que ya no finge ser el logro.

Si un proyecto nunca llegó a producción ni cambió una decisión, es una línea más débil, y conviene reconocerlo. Un modelo desplegado que movió una métrica gana a tres notebooks que no impresionaron a nadie fuera de tu equipo.

Cuantifica como alguien de datos

Tú, más que nadie, deberías poner números a tu trabajo, y los números correctos. Importan dos tipos:

Métricas de negocio: ingresos, coste, fuga, conversión, retención, horas ahorradas. Es lo que leen los decisores no técnicos.

Métricas de modelo y escala: precisión, recall o AUC donde tenga sentido, tamaño del conjunto de datos, latencia, número de modelos en producción. Demuestran profundidad técnica a quien revise tu trabajo.

Emparéjalas cuando puedas. «Subí el recall de detección de fraude de 0,71 a 0,88, evitando unos 400.000 € de contracargos al año» le habla a los dos públicos en una línea: el ingeniero y el ejecutivo.

Estructura el CV para una lectura rápida

Un diseño sólido para un científico de datos:

1. Un resumen de dos líneas que nombre tu dominio (no eres «un científico de datos» a secas, eres científico de datos en fraude, en salud o en crecimiento) y tu mejor resultado.
2. Experiencia, con líneas guiadas por el resultado como arriba.
3. Una sección de proyectos si tu experiencia es escasa, pero solo proyectos que llegaron a una conclusión, no tutoriales.
4. Una sección de habilidades, agrupadas, no un volcado plano.

Agrupa las habilidades para que se lean: lenguajes (Python, SQL), ML (scikit-learn, PyTorch), herramientas de datos (Spark, dbt, Airflow), nube (AWS, GCP). Una lista agrupada deja que el revisor encuentre lo que busca en un segundo; una sopa alfabética de cuarenta herramientas solo indica que tocaste muchas cosas por encima.

Mantenlo legible por las máquinas

Los puestos de datos pasan por software de cribado como los demás, y un diseño ingenioso a varias columnas suele convertirse en basura al analizarse. Usa una sola columna, encabezados de sección estándar y pon tus herramientas como texto plano en vez de dentro de una barra gráfica de habilidad, porque el analizador no sabe leer una imagen de «Python: 90 %». La misma disciplina de formato que mantiene legible cualquier CV ante un ATS aplica aquí, y pesa aún más en los puestos de datos, donde tantos candidatos sobrediseñan su CV.

Los reclutadores de datos no premian la lista de herramientas más larga. Premian la línea más clara entre tu trabajo y una cifra que el negocio movió. Escribe para esa línea.

Muestra la parte del trabajo que no es modelar

El trabajo real de datos, en su mayoría, no es modelar. Es definir la pregunta, limpiar los datos que nadie quería limpiar y convencer a un interlocutor de que confíe en el resultado. Un CV que solo muestra modelado se lee como junior, porque los científicos de datos sénior saben que el modelo es la parte fácil.

Mete una o dos líneas sobre acotar un problema con un responsable de negocio, construir un pipeline del que ahora dependen otros, o presentar hallazgos que cambiaron una hoja de ruta. Esa comunicación y ese criterio suelen separar al candidato que contratan del que tiene puntuaciones de Kaggle apenas mejores.

Cuando armas un CV a partir de tu LinkedIn y tu historial de proyectos, una herramienta como Postulit te da rápido la estructura, pero el enfoque del impacto lo escribes tú. Repasa cada puesto y pregúntate: ¿qué decisión cambió mi trabajo y en cuánto? El CV que responde a eso, en cifras claras, es el que consigue la llamada.