ML Engineer – Forecasting, Series Temporales y Optimización Matemática

Tecdata EngineeringMadridindeedpublicada el 06/11/2026
Imprescindible:PythonGitAzureCI/CDAIRemote

Ubicación: 100% remoto

Cliente: Santander

Salario: Hasta 40.000 € brutos anuales

Proyecto: Gestión de efectivo y previsión de demanda en el sector bancario.

Sobre el proyecto

Buscamos un/a Machine Learning Engineer para incorporarse a un proyecto estratégico en el sector bancario, orientado a la previsión de demanda y optimización de la gestión de efectivo.

La persona seleccionada participará en el análisis, desarrollo, validación y mejora de modelos de Machine Learning tradicionales, especialmente modelos de series temporales, forecasting y optimización matemática aplicados a problemas operativos y de negocio.

Se requiere una base sólida en modelización predictiva, entrenamiento y evaluación de modelos, así como conocimientos de optimización para mejorar la toma de decisiones. También participará en la adaptación y productivización de los modelos en entornos corporativos.

Responsabilidades principales

Analizar, desarrollar, entrenar y validar modelos de Machine Learning supervisado.

Trabajar con modelos de series temporales y forecasting para la previsión de demanda.

Evaluar y comparar diferentes enfoques de modelización, analizando precisión, estabilidad y capacidad predictiva.

Optimizar modelos de forecasting y proponer mejoras en los algoritmos y estrategias de entrenamiento.

Trabajar con modelos de optimización matemática aplicados a la asignación de recursos, planificación y toma de decisiones operativas.

Analizar problemas de optimización de denominaciones y gestión de efectivo.

Evaluar la combinación de modelos predictivos con algoritmos de optimización y reglas de negocio.

Participar en el diseño y mejora de procesos de entrenamiento, inferencia y reentrenamiento de modelos.

Colaborar en la adaptación de modelos a entornos productivos mediante buenas prácticas de MLOps.

Trabajar con plataformas analíticas y entornos distribuidos como Azure Databricks y PySpark.

Documentar los modelos, experimentos, resultados y decisiones técnicas.

Requisitos imprescindibles

Titulación universitaria en Ingeniería Informática, Matemáticas, Física, Estadística, Data Science o similar.

Entre 2 y 5 años de experiencia en Machine Learning, Data Science o desarrollo de soluciones analíticas.

Python avanzado aplicado a Machine Learning y modelización.

Experiencia práctica en Machine Learning tradicional: entrenamiento, evaluación, validación y optimización de modelos.

Conocimientos sólidos de series temporales, forecasting y previsión de demanda .

Conocimientos aplicados de optimización matemática , programación matemática, heurísticas o investigación operativa.

Experiencia con modelos supervisados y técnicas de evaluación de modelos.

SQL para consulta, transformación y validación de datos.

Conocimientos de PySpark / Apache Spark.

Experiencia con Azure Databricks o plataformas equivalentes.

Conocimientos de Git y metodologías de desarrollo colaborativo.

Inglés técnico suficiente para trabajar con documentación y librerías especializadas.

Tecnologías y herramientas

Machine Learning y Forecasting:

Python, Scikit-learn, LightGBM.

Prophet, StatsForecast, MLForecast o Nixtla.

Modelos de regresión y aprendizaje supervisado.

Modelos de series temporales y previsión de demanda.

Optimización matemática:

Programación matemática.

Optimización de restricciones.

Heurísticas y algoritmos de optimización.

Investigación operativa y optimización de decisiones.

Entorno tecnológico:

Python, SQL, PySpark y Apache Spark.

Azure Databricks.

MLflow.

Git y herramientas CI/CD.

Se valorará

Experiencia en banca, sector financiero, retail o entornos operativos.

Experiencia en proyectos de previsión de demanda y planificación de recursos.

Conocimientos de MLOps, versionado y monitorización de modelos.

Experiencia migrando modelos desde notebooks a entornos productivos.

Conocimientos de Azure y herramientas corporativas de gobierno de modelos.

Experiencia con procesos batch de entrenamiento, predicción y optimización.

Uso de herramientas de IA aplicadas al desarrollo, como GitHub Copilot.

Competencias personales

Capacidad analítica y orientación a la resolución de problemas.

Criterio técnico para evaluar y mejorar modelos.

Autonomía y capacidad de aprendizaje.

Comunicación con equipos técnicos y de negocio.

Orientación a resultados y mejora continua.

Condiciones

Salario: hasta 40.000 € brutos anuales.

Modalidad: 100% remoto.

Proyecto en el sector bancario con Santander.

Participación en un proyecto de Machine Learning aplicado a previsión de demanda y optimización operativa.

¿Te interesa el reto? Envíanos tu CV y nos pondremos en contacto contigo.

#MachineLearning #MLEngineer #DataScience #Forecasting #TimeSeries #SeriesTemporales #DemandForecasting #OptimizaciónMatemática #MathematicalOptimization #Python #PySpark #AzureDatabricks #MLflow #MLOps #ArtificialIntelligence #BigData #Santander #OfertaEmpleo #EmpleoIT #TrabajoRemoto #100Remote