Sobre esta plantilla
La plantilla Mosaico Triangular es una carta de presentación moderna con motivo de cabecera triangulado en azules tonales, cuerpo Inter y una única cumbre para marcar la fórmula de saludo. Geométrica, enérgica, pero suficientemente disciplinada para pasar un screening data. Compatible con los ATS B2B y data (Workday, Greenhouse, Lever, Avature) mayoritarios en las consultoras y editores analytics españoles.
¿Para qué perfil?
Encaja con data scientists (Máster Ciencia de Datos UC3M, UPM, UAM), consultores analytics, BI leads (Tableau, Power BI, Looker, Metabase), business analysts, consultores juniors (Bain Madrid, BCG Madrid, McKinsey Madrid, Roland Berger Madrid para entry-level) y perfiles finanzas cuantitativas que quieren un toque de motivo sin caer en lo decorativo. El triángulo dice rigor geométrico y lectura matemática del mundo.
Cómo utilizarla
La carta data scientist debe probar el doble pie ciencia + business: cite las herramientas (Python, R, SQL, dbt, Snowflake, BigQuery, Dataiku), los frameworks ML (scikit-learn, PyTorch, TensorFlow, JAX) y los casos de uso con impacto business (€ ahorros, % uplift conversión, ganancia tiempo proceso). Mencione dos o tres competiciones Kaggle si es pertinente (top 10 %, top 5 %), o un proyecto OSS publicado. Para un BI lead, mencione el número de usuarios internos servidos por los dashboards.
Preguntas frecuentes
¿Hace falta un ranking Kaggle para candidatar data scientist?
No, pero se aprecia. Un ranking top 10 % sobre una competición pública reciente es señal fuerte para los reclutadores (top 5 % se convierte en señal de seniority técnica). Para un perfil senior, la experiencia industrial prima sobre Kaggle. Para un junior, dos o tres competiciones terminadas muestran la autonomía de aprendizaje.
¿El motivo triangulado es demasiado visual para finanzas cuantitativas?
Para los fondos quant (Hedge funds Madrid, IronShield, AlgoSmart), sí — el código visual parece demasiado decorativo. Prefiera Borde Platino o Cuadrícula Suiza para estas candidaturas. Para finanzas de empresa cuantitativa (M&A modeling, Treasury, FP&A senior), el triángulo sigue siendo aceptable.
¿Cómo evocar un proyecto ML desplegado en producción?
Es muy valorado — la diferencia entre «modelo en notebook» y «modelo en prod» es mayor. Indique el stack MLOps (MLflow, Kubeflow, Vertex AI, SageMaker, BentoML), la latencia de scoring, el volumen de predicciones/día y el modo de monitoring (drift detection, model performance tracking). El despliegue ML es señal de seniority discriminante.
