Modeling Engineer

**¿Y si pudieras tomar hoy mejores decisiones sobre algo que todavía no ha ocurrido?** En Inverence llevan desde 2018 convirtiendo datos en predicciones que ayudan a empresas e instituciones a decidir mejor: desde cuánto invertir en marketing hasta cómo anticipar la demanda o cuándo activar un protocolo de contaminación. Su apuesta va un paso más allá de predecir: **modelos bayesianos, interpretabilidad y conocimiento de negocio** para entender no solo qué va a pasar, sino también por qué. Ahora buscan a alguien que quiera meterse de lleno en ese mundo. **¿Te apetece modelar el futuro?** ✨ Primero, un poco de contexto 🔬 Inverence nació en 2018 de la mano de un grupo de profesionales de la ciencia de datos y la academia. Todos compartían una convicción que hoy sigue siendo su ADN: la estadística basada en información dinámica y el paradigma bayesiano debe tener un papel central en el futuro de la Inteligencia Artificial. Su forma de trabajar se inspira en el método científico. El foco está en la modelización, no solo en los algoritmos, y para ellos la interpretabilidad de un resultado importa tanto como su precisión. Construyen modelos dinámicos que evolucionan en el tiempo, se actualizan con cada nuevo dato e incorporan lo que el cliente ya sabe de su negocio. Su catálogo de retos da para rato: * 📊 Marketing Mix Modeling: medir cuánto aporta realmente cada euro invertido y cada palanca comercial a las ventas. * 📦 Oferta y demanda: anticipar la demanda para ajustar precios, inventario, capacidad y recursos. * 🌫️ Contaminación atmosférica: predicción horaria con redes neuronales, para que las ciudades activen sus protocolos antes del episodio y no durante. * 🐟 Y lo que venga: desde un modelo dinámico de un ecosistema marino para la Administración hasta patrones de movilidad internacional en la base de datos de una aerolínea. Todo esto con **llull**, una plataforma agéntica en desarrollo que permite a los/as modeladores/as crear, gestionar y poner en producción los modelos creados para los clientes. Así mismo, permite interpelar en lenguaje natural con los modelos desde el punto de vista técnico (estadístico y matemático) y de negocio, por lo que el cliente puede interaccionar con el modelo de una manera más cercana. Es una plataforma de aprendizaje que construye un corpus de conocimiento del mercado y del propio cliente. 🫵 ¿Cuál es tu papel en todo esto? Te lo contamos con un caso real. Una operadora de telecomunicaciones quería optimizar su inversión publicitaria. El equipo construyó modelos de series temporales con variables de marketing, precio y calendario. La inferencia bayesiana garantizaba algo que un modelo "de caja" no asegura: que los resultados tuvieran sentido de negocio, y no solo un buen ajuste. Ese es el trabajo. No buscan un perfil "data" que se limite a informes y visualización, ni a alguien que lance un AutoML y cruce los dedos. Buscan a alguien capaz de escuchar un problema, traducirlo a un modelo estadístico, justificar cada supuesto y defenderlo delante del cliente. Por Trabajarás con bastante autonomía, pero sin tener que resolverlo todo por tu cuenta. El equipo mantiene un seguimiento continuo de los proyectos a través de **Notion y Slack**, con reuniones diarias breves para poner en común avances y prioridades. Cuando un problema de modelización requiera profundizar, tendrás sesiones de trabajo con los perfiles más senior del equipo para contrastar enfoques y encontrar la mejor solución. Además, organizan talleres de modelización periódicos para compartir conocimiento entre proyectos y tener una visión más amplia de lo que está haciendo el equipo. Y hay algo que forma parte del día a día: **la IA generativa y los agentes**. Utilizarás llull, junto con herramientas de Anthropic y OpenAI, como apoyo habitual en los procesos de análisis, modelización y trabajo con datos. Buscan a alguien con una base matemática/estadística sólida y al menos 4 años de experiencia trabajando en ciencia de datos, modelización estadística o similar. No hace falta que hayas trabajado siempre en el mismo sector —de hecho, aquí vas a cambiar bastante de contexto—, pero sí que tengas capacidad para entender problemas nuevos y llevarlos desde los datos hasta una solución. En concreto, necesitarás: * Formación en Matemáticas, Estadística, Física, Ingeniería o una disciplina cuantitativa similar. * Experiencia real con modelización bayesiana de series temporales: modelos jerárquicos, espacio de estados, modelos dinámicos, etc. * Soltura trabajando con Python y R para análisis, visualización y modelización de datos. * Experiencia con herramientas como PyMC, Stan, NumPyro o equivalentes. * Haber trabajado de forma autónoma en proyectos con bastante peso de análisis de datos y modelización matemática o estadística. * Experiencia utilizando LLM y/o agentes como parte habitual de tu trabajo, no solo como algo que hayas probado puntualmente. * Buen manejo de Git y conocimientos prácticos de SQL y bases de datos. * Capacidad para explicar problemas y resultados técnicos a personas que no necesariamente vienen del mundo de los datos. * Inglés nivel intermedio. Y hay algunas cosas que no son imprescindibles, pero que les harán prestar especial atención a tu perfil: experiencia investigadora o doctorado, trabajo con agentes/LLM, arquitecturas de microservicios o sistemas de datos a gran escala, experiencia en consultoría y trato con cliente, o haber ejercido como referente técnico de otros perfiles. 🌴 Vacaciones Premium (30 días laborables): sí, has leído bien: 30 días laborables de vacaciones al año (el equivalente a un mes y medio natural). Además, la política interna de la casa permite que se conserven de un año para otro si no los gastas todos, porque aquí el descanso real es sagrado.