Cómo contratar un Data Scientist (o Head of Data Science) senior

Una scale-up de e-commerce con 90 personas y un equipo de ingeniería de diez desarrolladores contrató a su primer Data Scientist confiando solo en una entrevista de una hora donde el candidato impresionó hablando de redes neuronales y de sus posiciones en competencias de Kaggle. Seis meses después, el científico de datos seguía limpiando planillas a mano, porque la empresa nunca había ordenado sus pipelines de datos; no había construido ni un modelo en producción, y la dirección tomaba decisiones por intuición igual que antes. La empresa no contrató mal a una persona: contrató mal al perfil, en el momento equivocado. Buscaba a alguien que extrajera valor de los datos y se topó con que primero necesitaba a alguien que ordenara esos datos, sin haber definido nunca qué problema de negocio debía resolver esa contratación.

Contratar un Data Scientist es difícil precisamente porque el rol es ambiguo para quien no vive en datos. El mismo título cubre a una persona que arma dashboards y a una que diseña experimentos de causalidad y lleva modelos predictivos a producción. Esta guía de IT Workers desarma esa ambigüedad para un decisor no técnico: qué hace realmente un científico de datos senior frente a un Data Engineer, un ML Engineer y un Data Analyst, cuándo aparece la necesidad del primer Data Scientist, cómo evaluar rigor estadístico, modelado, comunicación e impacto sin ser técnico, qué estructura de entrevista filtra de verdad, qué rangos de mercado considerar y qué errores evitar. El objetivo es que el lector tome una decisión informada, no que llene una vacante rápido.

El público objetivo es Founder, CEO, CTO, Head of People y Gerente de RRHH. Sin jerga innecesaria, sin promesas mágicas. Las recomendaciones aplican el mismo criterio que un buen Data Scientist aplica a su trabajo: empezar por la pregunta de negocio correcta y dudar de los datos antes de confiar en el modelo. Los rangos numéricos que aparecen son referenciales de mercado 2026; el disclaimer correspondiente está al inicio del bloque que los usa.

1. Qué hace realmente un Data Scientist senior

Un Data Scientist senior es dueño de un problema de negocio resuelto con datos, no de un montón de modelos sueltos. Su trabajo central es convertir una pregunta del negocio en una pregunta de datos resoluble y responderla con evidencia. Esto se descompone en cinco actividades. Primero, traduce un problema de negocio (por ejemplo, por qué se van los clientes) en una pregunta de datos concreta. Segundo, hace análisis exploratorio para entender qué dicen y qué no dicen los datos. Tercero, diseña experimentos: pruebas A/B, análisis de causalidad y validación de supuestos. Cuarto, construye y valida modelos predictivos con criterio. Y quinto, sobre todo, comunica el resultado para que alguien decida y actúe.

Lo que distingue a un científico de datos senior de uno junior no es la sofisticación del algoritmo, sino el criterio. El senior elige el problema correcto y mide el impacto de negocio: cuánto retuvo, cuánto ahorró, cuánto convirtió. El junior optimiza métricas de modelo como accuracy o F1 sin conexión con el negocio, y celebra un modelo precioso que a nadie le sirve. El senior, además, elige el modelo más simple que resuelve el problema, distingue correlación de causalidad, y sabe que un modelo que vive en un notebook no genera ningún valor hasta que llega a producción. Por eso evaluarlo bien exige mirar su razonamiento y su impacto, no su lista de algoritmos.

Ciencia de datos no es solo modelos

Una confusión frecuente en empresas que recién montan su capacidad de datos es tratar la ciencia de datos como una fábrica de modelos: contratar a alguien para que entrene algoritmos cada vez más sofisticados. El modelado es parte del oficio, pero no es el oficio. Un buen científico de datos pasa la mayor parte de su tiempo entendiendo el problema, limpiando y cuestionando los datos, diseñando cómo medir el resultado y traduciendo lo que encontró a una decisión. El modelo es a menudo la parte más corta del trabajo. Contratar un Data Scientist con mentalidad de competencia de algoritmos produce un equipo que entrega modelos impecables que nadie usa, que es exactamente lo que la mayoría de las empresas quiere evitar al sumar datos.

2. Data Scientist vs Data Engineer vs ML Engineer vs Data Analyst

La pregunta sobre la diferencia entre data scientist vs data engineer, y entre data scientist vs data analyst, es la que más confusión genera en procesos de contratación. Los cuatro títulos conviven en el mundo de los datos, a veces se usan como sinónimos y a veces describen roles muy distintos. La regla mental es simple: el Data Analyst describe el pasado (dashboards y reportes de negocio), el Data Scientist explica y predice (modelos y experimentos), el ML Engineer productiza modelos a escala (MLOps) y el Data Engineer construye los pipelines e infraestructura de datos. La tabla siguiente compara las cuatro figuras en las dimensiones que importan al decidir a quién contratar.

En empresas pequeñas, una sola persona puede cubrir varios de estos roles, y eso está bien mientras el volumen y la madurez de los datos sean bajos. El problema aparece cuando una empresa contrata buscando ciencia de datos y describe la vacante con tareas de ingeniería de datos, o al revés. El error de matching más común y más caro es contratar un Data Scientist cuando lo que realmente falta es un Data Engineer que ordene los datos: sin pipelines confiables, el mejor científico de datos no tiene materia prima con la cual trabajar. Antes de abrir el proceso conviene definir el problema en una frase, como se explica en la guía sobre el job description tech que cierra a un senior, y revisar la diferencia operativa con un Data Engineer y con un AI Engineer.

3. Cuándo necesitas tu primer Data Scientist y cuándo un Head of Data Science

La señal más clara de que una empresa necesita su primer Data Scientist es que se toman decisiones por intuición pese a tener datos disponibles. Hay señales operativas concretas que conviene revisar antes de abrir el cargo.

• Se toman decisiones por intuición pese a tener datos que podrían informarlas.
• Nadie sabe responder por qué cambió una métrica clave como conversión o churn.
• Hay dashboards y reportes, pero no insights accionables ni predicciones.
• El equipo quiere "hacer IA" sin tener primero los datos ordenados y confiables.
• Existe data engineering, pero nadie extrae valor analítico ni predictivo de esos datos.

La advertencia clave es la calidad del dato: contratar un Data Scientist senior cuando los datos están sucios o no existe pipeline es una frustración garantizada, porque pasará meses limpiando datos a mano en vez de modelar. A veces el primer hire correcto no es un científico de datos sino un Data Engineer que ordene la infraestructura primero. Ese desperdicio silencioso de un perfil senior mal asignado es lo que IT Workers documenta en el análisis del costo oculto de un puesto tech vacante: el problema no es solo la vacante, sino la mala asignación de un perfil caro a un trabajo que no le corresponde.

El salto a Head of Data Science

Pasar de Data Scientist a Head of Data Science no es un ascenso automático ni una cuestión de antigüedad: es una decisión de estructura. Conviene contratar un Head of Data Science cuando se dan tres condiciones simultáneas: hay dos o más data scientists que necesitan dirección y criterio común; la estrategia de datos deja de caber en la cabeza del CTO; y los datos requieren una voz a nivel ejecutivo que negocie de igual a igual con producto, ingeniería y finanzas. Saltar a Head of Data Science con un solo científico de datos, o sin data validada, agrega una capa de gestión que la empresa todavía no necesita y encarece la estructura sin retorno claro. La definición de cómo se organizan los equipos de datos e inteligencia artificial se desarrolla en la guía de cómo armar un equipo de IA en una empresa.

4. Cómo evaluar a un Data Scientist sin ser técnico

La buena noticia para un decisor no técnico es que las competencias que definen a un gran Data Scientist se evalúan sin programar ni dominar la jerga estadística. Lo que se evalúa es razonamiento e impacto, no stack. Cinco competencias permiten distinguir a un científico de datos senior de uno mediocre, y todas se pueden juzgar pidiendo un proyecto concreto del pasado en vez de opiniones generales.

• Business framing: cómo traduce un problema de negocio a una pregunta de datos y devuelve el resultado en términos de negocio. Un buen científico de datos parte por la métrica de negocio; uno débil parte por el algoritmo.
• Rigor estadístico y experimentación: entiende la diferencia entre causalidad y correlación, diseña experimentos y valida sus supuestos. Un buen perfil duda de sus datos; uno débil confunde una correlación con una causa.
• Modelado con criterio: elige el modelo más simple que sirve y evita la sobre-ingeniería. Un buen científico de datos justifica por qué un modelo simple basta; uno débil complica para impresionar.
• Comunicación de resultados: cuenta una historia con datos para audiencias no técnicas. Un buen perfil explica su modelo a un gerente sin jerga; uno débil se esconde en términos que nadie entiende.
• Productización y colaboración: trabaja con data engineering y entiende que un modelo en notebook no genera valor. Un buen perfil ha llevado modelos a producción; uno débil acumula análisis que nadie usa.

Green flags y red flags

Las green flags más fiables: el candidato cuenta un proyecto con su problema de negocio, hipótesis, método e impacto medido en números; pregunta por la calidad del dato y la métrica de negocio antes de saltar al modelo; justifica por qué eligió un modelo simple; y ha llevado al menos un modelo a producción. Las red flags: solo habla de accuracy y de competencias de Kaggle sin mencionar impacto de negocio; no mide el resultado de sus proyectos; no sabe explicar a no técnicos; sobre-diseña modelos complejos donde bastaba uno simple; confunde correlación con causalidad; y describe modelos que nunca llegaron a producción. Una guía general aplicable a cualquier perfil tech está en cómo evaluar candidatos tech siendo no técnico.

5. Estructura de entrevista recomendada para un Data Scientist senior

Una entrevista de Data Scientist improvisada decide por feeling, y el feeling premia el algoritmo más vistoso por sobre el criterio de negocio. Un proceso estructurado con etapas claras y un scorecard común reduce el sesgo y hace comparables a los candidatos. La estructura siguiente cubre las cinco competencias y reparte la evaluación entre varios evaluadores con foco distinto.

El case de negocio con datos es la etapa más reveladora. En lugar de un puzzle algorítmico abstracto, conviene plantear un problema real y abierto: cómo reduciría el abandono de clientes, o cómo decidiría si una campaña de retención funcionó. Lo que se observa no es la respuesta correcta (no hay una), sino el proceso: si el candidato pregunta por la métrica de negocio y la calidad del dato antes de saltar al modelo, si distingue correlación de causalidad, si reconoce lo que no sabe y si propone el modelo más simple que sirve. La etapa técnica de estadística y modelado baja eso a la práctica evaluando rigor, validación y trade-offs, y la conversación con stakeholder valida si sabe explicar todo a una persona de negocio sin jerga.

El scorecard común

Cada etapa debe terminar con una evaluación escrita sobre criterios definidos de antemano, no con un comentario verbal del tipo "me gustó cómo piensa". Un scorecard común permite que cinco evaluadores juzguen al mismo candidato con la misma vara y que la decisión final se tome sobre evidencia comparable. La metodología completa de evaluación estructurada está en la guía de scorecard de contratación tech, base para definir las competencias de ciencia de datos que cada evaluador va a puntuar.

6. Rangos de sueldo de un Data Scientist y Head of Data Science

El sueldo de un Data Scientist varía fuerte según industria, etapa de la compañía y nivel real de responsabilidad, por lo que cualquier número es un orden de magnitud y no una oferta. Aun así, conocer los rangos de mercado evita dos errores frecuentes: ofrecer por debajo y no atraer talento senior, u ofrecer por encima sin necesidad. La tabla siguiente entrega rangos referenciales brutos mensuales del mercado tech regional 2026.

Los rangos que siguen son estimaciones referenciales de mercado 2026 elaboradas en base a procesos gestionados por IT Workers y no constituyen una oferta ni una garantía de compensación para ningún rol o empresa específica. Varían por industria, etapa de la compañía y alcance real del cargo.

Fintech, banca y compañías con producto core de inteligencia artificial tienden a pagar en el extremo superior de cada rango, porque la competencia por científicos de datos con experiencia en esos dominios es intensa. El desglose por rol específico, con percentiles y diferencias por industria, está en la guía detallada del sueldo de un Data Scientist 2026, en el sueldo de un Data Analyst, en el sueldo de un Data Engineer, en el sueldo de un Head of Data o CDO y en la guía salarial tech 2026, útil para calibrar la banda antes de hacer una oferta.

7. Errores comunes al contratar Data Scientist y cómo IT Workers acelera el proceso

Después de gestionar búsquedas de perfiles de datos en compañías tech regionales, los errores que arruinan una contratación de Data Scientist se repiten con claridad. Casi todos son evitables con un proceso ordenado.

IT Workers ejecuta búsquedas dirigidas de Data Scientists, Senior Data Scientists, Leads, Heads of Data Science y CDO con un proceso que ataca estos errores de raíz. Parte de un brief preciso que traduce el problema de datos de la empresa a un perfil concreto, e identifica si lo que se necesita es ciencia de datos o primero ingeniería de datos; identifica candidatos pasivos que no aplican a avisos; los evalúa con un scorecard de competencias de ciencia de datos; y presenta una shortlist en pocos días. Cada colocación incluye garantía de 90 días. Para empresas no técnicas, además, traduce el lenguaje de ciencia de datos a criterios de decisión claros para el directorio. El enfoque general de búsqueda de perfiles tech se describe en reclutamiento de desarrolladores y perfiles tech y la especialidad de datos en contratar un Data Scientist.

8. FAQ: 12 preguntas que recibimos al contratar científicos de datos