Technical Lead, Data Science

Cobre es la plataforma líder en pagos B2B instantáneos de Latinoamérica. Resolvemos los desafíos más complejos de movimiento de dinero de la región construyendo infraestructura financiera avanzada que permite a las empresas mover dinero de forma más rápida, segura y eficiente.

Hacemos posibles los pagos empresariales instantáneos —locales o internacionales, directos o vía API— todo desde una única plataforma.

Diseñada para fintechs, PSPs, bancos y equipos de finanzas que exigen velocidad, control y eficiencia. Desde pagos en tiempo real hasta tesorería automatizada, convertimos procesos financieros complejos en experiencias sencillas.

Cobre es la primera plataforma en Colombia que permite a las empresas pagar a beneficiarios bancarizados y no bancarizados dentro del mismo ciclo de pago y a través de una única interfaz.

¡Estamos construyendo la infraestructura de pagos empresariales de Latinoamérica!

**¿Qué buscamos?**

Como Technical Lead, Data Science, tu misión no es solo lanzar el modelo más rápido a producción, sino asegurar que cada modelo, cada métrica y cada decisión analítica del equipo se base en fundamentos matemáticos y estadísticos sólidos. Serás el referente técnico que elevará el rigor del equipo: desafiando supuestos, cuestionando metodologías y asegurando que la inferencia —no solo la predicción— se realice correctamente.

Este es un rol de liderazgo práctico, no puramente consultivo. Se espera que revises y guíes, sí, pero también que abras el notebook tú mismo, rehagas una especificación de modelo defectuosa o te integres directamente en el proyecto de un squad cuando un bloqueo metodológico necesite ser resuelto en lugar de explicado. La guía es el modo predeterminado; arremangarse es lo que sucede cuando un plazo, un supuesto erróneo o un compañero de equipo atascado lo requiere.

A diferencia de un rol centrado en MLOps o infraestructura de despliegue, tu territorio es el diseño estadístico, la validez del modelo y la calidad del pensamiento cuantitativo. Proveerás liderazgo técnico —sin tener necesariamente reportes gerenciales directos de todo el equipo— a científicos de datos que están integrados en proyectos y squads específicos (Riesgo, Liquidez, Pagos, entre otros), actuando como su punto de referencia técnico, colaborador práctico y auditor de calidad metodológica, mientras ellos permanecen alineados día a día con las prioridades de su squad.

**¿Qué harías?**

• Rigor metodológico: Definir y aplicar estándares de rigor estadístico y matemático para todo el trabajo del equipo — diseño experimental, pruebas de hipótesis, selección de modelos, validación y tratamiento de sesgos e incertidumbre.
• Liderazgo técnico distribuido: Actuar como líder técnico (no jerárquico) de los científicos de datos integrados en diferentes equipos/proyectos — revisando su trabajo e interviniendo directamente para corregir, reconstruir o co-construir un modelo o análisis tú mismo cuando un bloqueo metodológico requiera una resolución práctica en lugar de un comentario de revisión.
• Revisión y validación de modelos: Realizar revisiones críticas por pares de modelos estadísticos y de machine learning antes de su implementación, verificando supuestos, robustez, potencia estadística y la validez de las conclusiones.
• Diseño analítico avanzado: Diseñar y guiar la aplicación de métodos estadísticos avanzados (series de tiempo, inferencia causal, optimización, modelos bayesianos, teoría de probabilidad aplicada) a problemas de negocio como riesgo, liquidez, fraude y fijación de precios.
• Entrega aumentada por IA: Promover y usar personalmente herramientas y flujos de trabajo asistidos por IA (ej. asistentes de codificación IA, agentes de análisis y andamiaje impulsados por LLM) para acelerar el ciclo de vida de la ciencia de datos — desde la exploración hasta la validación del modelo — ayudando al equipo a acortar los plazos de entrega sin sacrificar el rigor.
• Mentoría y desarrollo de talento: Mentorear a científicos de datos junior y senior en fundamentos matemáticos/estadísticos, elevando la barra técnica colectiva del equipo y fomentando una cultura de pensamiento riguroso.
• Comunicación de insights: Comunicar resultados analíticos complejos —incluyendo sus limitaciones e incertidumbre— de forma clara a stakeholders tanto técnicos como no técnicos, incluyendo la alta dirección.
• Estándares y marcos de trabajo: Contribuir a definir marcos internos de calidad analítica (documentación de supuestos, criterios de aceptación estadística, listas de verificación de revisión) que el CoE pueda aplicar en todos los equipos.
• Colaboración interfuncional: Trabajar estrechamente con Producto, Riesgo, Ingeniería y Cumplimiento para asegurar que los modelos entregados resuelvan el problema de negocio correcto con un nivel apropiado de confianza estadística.

**¿Qué necesitas?**

• Educación: Maestría o Doctorado en Estadística, Matemáticas, Física, Econometría, Machine Learning o un campo cuantitativo relacionado.
• Rigor cuantitativo: Dominio profundo de estadística inferencial, probabilidad, diseño experimental e inferencia causal — no solo aplicar librerías, sino entender por qué un método es (o no es) válido para un problema dado.

*Experiencia técnica:*

• Sólidas habilidades de codificación en Python.
• Experiencia con herramientas de infraestructura de datos como Snowflake.
• Dominio de librerías estándar de ML.
• Experiencia con frameworks de deep learning como TensorFlow y PyTorch, específicamente para entrenar y ajustar modelos de lenguaje grandes (LLMs).
• Conocimiento conceptual de MLOps (ciclo de vida del modelo, monitoreo, versionado) — la experiencia práctica de despliegue/infraestructura no es requerida, pero deberías entender el tema lo suficiente como para hablar el mismo idioma que quienes lo ejecutan.
• Experiencia en el dominio: Experiencia aplicando modelos cuantitativos a problemas de riesgo, fraude, liquidez o análisis financiero, idealmente en fintech o servicios financieros.
• Liderazgo técnico: Experiencia demostrada en proveer liderazgo técnico a otros científicos de datos — incluyendo desbloqueo práctico (reescribir un modelo, arreglar un análisis defectuoso, intervenir en el código de otro bajo plazo), no solo revisión de código/modelos o mentoría — incluso sin reportes jerárquicos directos.
• Flujo de trabajo aumentado por IA: Experiencia práctica usando herramientas de IA (asistentes de codificación, agentes LLM) para acelerar el trabajo de ciencia de datos — prototipado más rápido, revisión de código, documentación o andamiaje — y una opinión sobre dónde ayudan vs. dónde introducen riesgo.
• Comunicación: Excelente habilidad para explicar conceptos estadísticos complejos (y sus limitaciones) a audiencias tanto técnicas como no técnicas.

-

Idiomas

Fluidez en inglés y español.

-

Deseable

Conocimiento del mercado financiero colombiano y/o mexicano y sus marcos regulatorios.