Decision Scientist

Usar modelos y datos no solo para predecir, sino para optimizar directamente una decisión de negocio.

ÁreaCiencia de Datos Core
EnfoqueIndustria
Nivel de entradaIntermedio
Tiempo estimado8-12 meses

Ruta paso a paso

Fases ordenadas con duración orientativa; los tiempos varían según tu experiencia previa y dedicación semanal.

  1. Estadística e inferencia causal

    6-8 semanas
    • Estadística inferencial y diseño de experimentos
    • Fundamentos de inferencia causal (más allá de la correlación)
    • Fundamentos de toma de decisiones bajo incertidumbre
  2. Modelado de decisiones y optimización

    6-8 semanas
    • Modelos de optimización y programación lineal
    • Árboles de decisión y análisis de sensibilidad
    • Simulación de escenarios (Monte Carlo)
  3. Machine learning aplicado a decisiones

    6-8 semanas
    • Modelos predictivos como insumo de una decisión, no como fin en sí
    • Métodos de uplift modeling y targeting óptimo
  4. Comunicación ejecutiva y portafolio

    4-6 semanas
    • Traducción de modelos complejos en recomendaciones accionables
    • 2-3 proyectos que muestren el ciclo pregunta → modelo → decisión → impacto
  5. Preparación para el mercado laboral

    2-3 semanas
    • Práctica de casos de negocio con ambigüedad (business case interviews)

Tecnologías que debes dominar

  • Python o R
  • SQL
  • DoWhy / EconML (inferencia causal)
  • PuLP / OR-Tools (optimización)
  • Excel avanzado para modelado financiero

Conceptos que debes poder aplicar

  • Inferencia causal y variables de confusión
  • Optimización bajo restricciones
  • Análisis de sensibilidad y simulación de escenarios
  • Uplift modeling y targeting
  • Traducción de modelos en decisiones accionables
  • Cuantificación de impacto de negocio (ROI de una decisión)

Ejemplo de proyecto (Industria)

Optimización de Asignación de Presupuesto de Marketing Entre Canales

Un Decision Scientist en una empresa de e-commerce recibe la pregunta: '¿cómo debemos repartir nuestro presupuesto de marketing entre canales para maximizar ventas incrementales?'. Construye un modelo de atribución causal, estima el retorno marginal de cada canal, y propone una reasignación de presupuesto con un rango de confianza sobre el impacto esperado.

Entregables típicos

  • Modelo de atribución causal por canal de marketing
  • Estimación del retorno marginal (no solo correlacional) de cada canal
  • Recomendación de reasignación de presupuesto con escenarios
  • Plan de medición para validar el impacto tras implementar el cambio

Roles relacionados