50 días libres más al año: lo que este Data Scientist no esperaba al cambiarse a tech

Santa Fe, desde la oficina.

Nuestro protagonista vive en Ciudad de México y trabaja como Data Scientist en una telefónica. Antes pasó varios años en Geociencias Aplicadas, trabajando con modelos de circulación oceánica y corrientes de viento, hasta que decidió cambiar de especialización y entrar a tech.

¿Cómo es realmente su trabajo ahora? ¿Qué hace un Data Scientist durante el día, cómo cambia su rutina entre la oficina y el home office, cuánto pesa el sueldo frente al tiempo libre y qué cambió en su vida que no esperaba?

En esta historia entramos en su rutina para ver cómo se vive una carrera en Data Science en México desde dentro.

Explicar Data Science a alguien que no trabaja en tech puede ser difícil. Para hacerlo, empieza por algo que prácticamente todos conocemos: Netflix, redes sociales y las recomendaciones que aparecen cada día en nuestras pantallas.

Ves una serie y de repente te recomiendan otra que sí se te antoja ver. Detrás de eso hay un modelo que toma información de millones de usuarios: qué vieron, qué contenidos suelen consumir juntos, su región, su edad y otros patrones. Con eso puedes estimar qué tan probable es que algo le interese a una persona.

En mi trabajo la lógica es parecida, solo que las preguntas son diferentes. Ahora, por ejemplo, llevo proyectos para identificar clientes que tienen una mayor probabilidad de irse.

No quiere decir que yo pueda decir: “Este cliente definitivamente se va a ir”. Incluso si tienes un 90% de probabilidad, todavía existe ese otro 10%. Lo que hacemos es identificar grupos donde la probabilidad sea mayor para que las acciones que tome el negocio puedan ser más efectivas. Tal vez a ese cliente le puedes ofrecer una promoción o tomar alguna otra acción.

También trabajamos perfiles por intereses. A lo mejor a un cliente no tiene sentido ofrecerle más gigas porque el modelo muestra que eso no le interesa. Tal vez tenga más sentido ofrecerle un descuento. La idea es entender mejor qué tipo de acción puede funcionar con cada perfil.

Y aunque pasar de un 1% de respuesta a un 2% puede sonar pequeño, en una campaña eso significa duplicar la efectividad. Y también se trata de molestar menos al cliente.

Su trabajo no empieza necesariamente abriendo Python. Muchas veces empieza con un área del negocio que tiene un problema y todavía no sabe exactamente qué solución necesita. Actualmente colabora directamente con equipos relacionados con telemarketing, calidad de las llamadas de ventas y retención de clientes.

Yo llevo la comunicación con esas áreas. Estoy en las reuniones, veo qué necesitan, qué se puede hacer y qué les vamos a entregar. Mi gerente también está presente y nos ayuda mucho a poner límites con los otros equipos. Antes de hacer una propuesta importante, normalmente la platico con él:

Y ya en la siguiente reunión soy yo quien lo presenta. Una parte del trabajo también es vender la idea. No solo tienes que construir algo. Tienes que lograr que la otra área entienda qué puede hacer con el modelo, qué no puede hacer y cómo utilizar el resultado.

En algunos proyectos ya tenemos un flujo muy definido: cada semana o cada mes entregamos a telemarketing una base con los clientes a quienes conviene contactar. Ellos deciden qué promoción ofrecer y cómo organizar la campaña; nosotros identificamos a quién puede tener más sentido dirigirla.

Con otras áreas el trabajo es menos automático. Primero revisamos las campañas que ya están haciendo, medimos cuáles funcionan y proponemos dónde un modelo podría aportar algo. Pero las decisiones y los presupuestos son de esos equipos. Yo puedo proponer un beneficio para retener a un cliente y que me digan que no es rentable.

Lo mismo pasa con los LLMs: la idea es encontrar un problema donde realmente aporten valor, no meter inteligencia artificial solo porque está de moda.

Ahora también tengo bastante libertad para plantear los proyectos.

A veces él me puede decir: “Esto no se puede por normativa” o “Ese camino ya lo exploramos hace tiempo y no funcionó tan bien; quizá conviene ir por otro lado”. Pero ya no recibo todo completamente definido.

Su escritorio: doble pantalla, teclado dividido y trackball.

La parte de su trabajo que más disfruta sigue siendo la más técnica: programar, explorar información y encontrar patrones que no siempre son evidentes a primera vista.

La parte que más me gusta sigue siendo programar y trabajar con los datos. Cuando estás explorando información puedes encontrarte cosas curiosas. Por ejemplo, me tocó hacer un perfil de gamers. Como a mí me gusta jugar, estuvo divertido investigar qué páginas tienen que ver con videojuegos, cuáles son más populares, cuánto consumo de datos tienen los juegos y qué tipo de comportamiento puede indicar qué tan gamer es un usuario.

Uno de sus proyectos más recientes combinó dos cambios importantes para el equipo: empezar a trabajar con LLMs y llevar por primera vez un desarrollo relevante a la nube. Al momento de la entrevista, el proyecto todavía estaba en sus últimas etapas y no había entrado completamente en producción.

Ahorita estamos trabajando con LLMs. Una de las cosas que estamos explorando es personalizar mejor ciertos mensajes que se mandan a clientes. En lugar de que todo sea un mensaje genérico, la idea es que pueda tomar más en cuenta el problema particular de esa persona y tener un poco más de tacto. También estamos explorando cosas internas, por ejemplo revisar la calidad de las llamadas de agentes de ventas.

No estamos entrenando un LLM desde cero: utilizamos modelos ya preentrenados y de código abierto. En cambio, los modelos de Machine Learning que usamos para perfilar clientes sí los entrenamos nosotros con los datos que tenemos.

Este proyecto también fue el primer proyecto importante que trabajamos en la nube. Antes prácticamente todo se hacía en clusters propios de la empresa. Al principio mi jefe quiso que todos exploráramos el proyecto para que nadie se quedara fuera. Después de unos meses terminó asignándomelo directamente a mí.

Y ahí fue aprender muchas cosas prácticamente desde cero. Una cosa es abrir una aplicación como ChatGPT e interactuar con ella. Otra cosa es hacer las instalaciones, conectar todo y lograr que el flujo funcione automáticamente para poder llevarlo a producción.

En la maestría había trabajado un poco con AWS. Aquí estamos usando Azure, así que por lo menos ya tenía cierta idea del contexto de cloud, de qué cosas existen y qué se puede pedir. Incluso terminé orientando parte de las necesidades hacia el equipo de arquitectura: “Necesitamos este tipo de máquina”, “busquemos algo por este lado”, “esto se puede implementar así”.

Para mí también fue interesante porque originalmente piensas que como científico de datos el trabajo debería ser: “Dame los datos, yo hago mi modelo y salimos”. Pero acá el rol es mucho más completo. Tienes que pensar de dónde van a salir los datos, si están limpios, qué infraestructura necesitas y cómo hacer que todo funcione. Y como para el área también era algo nuevo, tampoco había alguien que me pudiera decir exactamente cómo hacerlo. Me tocó investigar mucho por mi cuenta.

Ahora que ya recorrí ese camino puedo orientar a otros compañeros del equipo. Les comparto lo que me tomó meses investigar, les explico qué opciones encontré y cuáles terminaron siendo callejones sin salida. Así ellos pueden empezar desde un punto mucho más avanzado.

Antes de predecir comportamiento de clientes, pasó seis años trabajando con otro tipo de modelos: circulación oceánica, viento y otros fenómenos físicos.

Mi primera maestría fue en Geociencias Aplicadas y me especialicé en modelación numérica y física. En mi trabajo anterior hacíamos modelos de circulación oceánica, corrientes de viento y también trabajábamos con datos de mediciones. Yo no lo pondría exactamente como tech, pero muchas cosas que hago ahora ya estaban ahí. Trabajaba con Linux, clusters, grandes volúmenes de información, automatización y análisis de datos. La diferencia es que ahora trabajo con modelos estadísticos y antes eran modelos físicos.

En ese sentido, la transición no fue empezar completamente desde cero. El problema era otro.

En la empresa donde trabajaba prácticamente había un solo gran cliente. No había demasiados lugares a dónde moverse. Por eso decidí cambiar hacia un área donde hubiera más oportunidades dentro del sector privado. Y ahí fue cuando hice una segunda maestría, esta vez enfocada en Data Science.

Su camino hacia Data Science empezó antes de la segunda maestría: primero quiso comprobar si realmente le interesaba el área.

Antes de inscribirme a la maestría tomé varios cursos de Data Science, algunos gratuitos y otros de paga. Había cursos de unas semanas y otros de un par de meses. Me ayudaron a descubrir que el área sí me interesaba y a dar el siguiente paso: una segunda maestría.

Encontrar trabajo me tomó un tiempo. Aunque ya sabía Python y ya trabajaba con datos, el campo es tan amplio que en la maestría no puedes aprender todas las herramientas. Muchas veces simplemente te enteras de que algo existe y cuando entras a trabajar tienes que especializarte.

Yo ya había empezado a usar Python en mi trabajo anterior para análisis de datos. Aquí era Python, pero combinado con Spark para trabajar con volúmenes mucho más grandes. Pero probablemente lo más difícil no fue aprender otra herramienta. Fue entender el negocio.

En mi trabajo anterior, si alguien me decía cierto valor de circulación oceánica, yo ya podía pensar automáticamente: “Eso no tiene sentido para esa zona”. Ya conocía los datos. Cuando llegué aquí, de repente alguien decía: “Salieron tres millones de registros” y yo todavía no sabía si eran muchísimos o poquitos. Había campañas con diez mil usuarios y campañas de uno o dos millones. Tuve que aprender qué volúmenes eran normales, qué métricas importaban y cuándo un resultado tenía sentido.

Si el código se rompe, te dice que hubo un error. Te marca una línea y tienes por dónde empezar a buscar. Creo que agarrar esa intuición del negocio me tomó por lo menos un año.

Él mismo divide su evolución dentro del puesto en tres etapas bastante claras.

Aunque sus responsabilidades han evolucionado, la categoría oficial de su puesto no cambió al mismo ritmo.

Oficialmente sigo teniendo el nivel junior con el que entré. Pero ahora llevo proyectos desde que se plantea el problema hasta que la solución llega a producción. Por las responsabilidades que tengo, yo me ubicaría por lo menos en un nivel intermedio.

Trabaja en un esquema híbrido: dos días va a la oficina y tres trabaja desde casa. Aunque el horario laboral es prácticamente el mismo, sus rutinas son muy distintas dependiendo de dónde trabaje.

La parte económica ayuda a poner la profesión en contexto: qué recibe además del sueldo y en qué se le va el dinero.

Prefiere no compartir su salario individual. En estos tres años el sueldo ha ido subiendo, aunque sin un gran salto respecto a su carrera anterior. Lo que no esperaba llegó por otro lado.

También tienen fondo de ahorro, que llega una vez al año, y una evaluación anual que además define el aumento salarial de ese año. Existen distintos permisos (boda, titulación, fallecimiento y otras situaciones) que no salen de los días de vacaciones.

Probablemente mi mayor gasto de hobby son los videojuegos. En un año normal calculo alrededor de 6,000 MXN al año, más o menos 500 pesos al mes. El año pasado y este renové mi computadora y algunas consolas, pero son compras que espero no tener que repetir en ocho o diez años.

La escalada y la montaña también tuvieron gastos al principio, sobre todo para comprar equipo. Pero una vez que ya lo tienes, no necesariamente es un gasto constante.

Cuando decidió cambiarse de área, sus expectativas eran sobre todo económicas. Con el tiempo descubrió que lo que más cambió fue otra cosa.

Cuando me cambié, pensaba sobre todo en el dinero. Hoy agradezco mucho haber cambiado de área, porque mi trabajo anterior era muy malo en otros sentidos. Donde más se nota el cambio no es en el sueldo, sino en el tiempo que tengo para mí.

Su trabajo anterior era presencial, de lunes a sábado y con jornadas más largas. El actual le devolvió una parte importante de la semana.

Además, antes trabajaba de ocho a seis. Ahora normalmente es de ocho a cinco y los viernes salen antes. Una hora puede parecer poco, pero sí da margen para hacer otras cosas.

Y también cambió cómo utiliza el tiempo que tiene fuera del trabajo. Mientras estaba en su empleo anterior hizo la maestría; después de terminarla, llegaba a casa y todavía tenía que trabajar en su portafolio, mandar vacantes y seguir preparándose para cambiar de área. Ahora su tiempo libre sí puede ser suyo.

Fuera del trabajo, su tiempo se reparte entre hobbies, su esposa, amigos y familia. Los videojuegos aparecen con frecuencia, pero no son lo único.

Me gustan los videojuegos, la escalada, la bici y los juegos de mesa. He practicado escalada deportiva y alta montaña; incluso he subido el Pico de Orizaba. Cuando entrenaba para una subida grande, podía prepararme durante tres o cuatro meses para hacer una al año. Últimamente ya no hago alta montaña con tanta frecuencia: prefiero caminatas más tranquilas, de unos diez kilómetros, con amigos. Y, cuando practico escalada, lo más habitual es ir a un gimnasio con muro.

También me gusta bastante la bicicleta. Antes la utilizaba más como transporte durante la semana, pero para ir hasta Santa Fe ya no es viable. Ahora es más de fin de semana: a veces mi esposa y yo aprovechamos la ciclovía para dar una vuelta.

Con algunos amigos nos juntamos a jugar juegos de mesa. Cuando nos va bien puede ser cada quince días; si no, como una vez al mes. Muchas veces vienen a nuestra casa y pueden traer a sus perros.

Mi familia está en Guadalajara. Normalmente los veo una o dos veces al año. Navidad es casi siempre una de esas visitas y, si se puede, hacemos otra escapada a mitad del año. La familia de mi esposa está acá en Ciudad de México, y a ellos sí los podemos ver aproximadamente una vez al mes.

Como parte de sus vacaciones se destina a visitar a su familia en Guadalajara, los viajes largos no son tan frecuentes. Pero hay un destino que lleva tiempo esperando.

Aunque valora el tiempo libre y el ambiente de su trabajo actual, también empieza a pensar en su siguiente etapa profesional.

Cuando entré, pensaba quedarme dos o tres años. Aquí hay opciones para moverme de forma horizontal, pero no veo una ruta clara para crecer a otro nivel. Muchas de las vacantes que encontré eran totalmente presenciales; para acceder a opciones mejor pagadas, también necesito mejorar mi inglés. Por eso volví a estudiarlo.

En enero de 2026 actualicé mi LinkedIn y empecé a buscar trabajo. Tuve un par de entrevistas y una llegó a convertirse en una oferta. El sueldo bruto era apenas un poco más alto que el actual, pero las prestaciones eran bastante menores. Al comparar el paquete completo, decidí no aceptarla. Después pausé la búsqueda.

En esa búsqueda apareció otra dificultad: las vacantes no siempre distinguen entre perfiles de datos y a veces piden experiencia cotidiana con herramientas que él no utiliza a diario.

Mucha gente cree que Data Analyst y Data Scientist son lo mismo. Amigos que trabajan en reclutamiento me han enviado vacantes de análisis de datos porque, al final, también dicen “datos”. En esos puestos se trabaja más con dashboards; yo me dedico a proyectos con grandes volúmenes de información y modelos. A veces trato de explicarles la diferencia, pero para ellos sigue siendo: datos son datos.

También me han rechazado por herramientas específicas. Por ejemplo, sé usar SQL y lo he utilizado, pero en mi trabajo actual manejo volúmenes de datos para los que utilizo otras herramientas. Como no practico SQL todos los días, algunas empresas consideran que no soy el perfil que necesitan.

Hay muchísimas tecnologías en Data Science y cada empresa puede pedir una combinación distinta. A veces digo: “Sí, he utilizado esa herramienta, todavía la uso de vez en cuando, pero hoy me enfoco más en estas otras”. Y la respuesta ha sido que buscan a alguien experto precisamente en la primera.

Ya me han rechazado dos veces por eso. O encuentras una vacante con las herramientas que utilizas a diario, o tienes que mantenerte al tanto de muchas tecnologías diferentes.

En mi siguiente trabajo hay dos cosas importantes. Una es el trabajo remoto. La otra es que se respeten los tiempos de desconexión.

Ahorita todavía podría aceptar algo híbrido. Pero a largo plazo sí quiero algo 100% remoto y que respete los horarios. Fuera de eso probablemente sería incluso un poco más flexible con el sueldo, porque al final tener tiempo mejora mucho la calidad de vida.