La mejor forma de contratar data scientists es encontrarlos a través de su trabajo en lugar de esperar candidaturas: los proyectos públicos, los resultados en competiciones, las publicaciones y las charlas muestran lo que un candidato sabe hacer de verdad. En EE. UU., la mediana salarial de un data scientist fue de 120.230 $ en mayo de 2025 y se prevé que el empleo crezca un 35 % entre 2025 y 2035, con unas 24.800 vacantes al año (U.S. Bureau of Labor Statistics, Occupational Outlook Handbook, página actualizada en agosto de 2026).
¿Qué estás contratando realmente? Cuatro perfiles bajo un mismo título
«Data scientist» abarca trabajos muy distintos. Antes de buscar, decide qué perfil necesita el equipo; equivocarse es la razón más común por la que una búsqueda devuelve personas a las que nadie quiere entrevistar.
| Perfil | Títulos habituales para buscar | Prueba de trabajo que puedes encontrar |
|---|---|---|
| Orientado a analítica (insights, experimentos) | data scientist, product data scientist, decision scientist | artículos sobre SQL y diseño de experimentos, dashboards, charlas en meetups de producto o analítica |
| ML aplicado (modelos en producción) | machine learning engineer, applied scientist, ML scientist | repositorios públicos, model cards, trabajo de serving o MLOps |
| Orientado a investigación | research scientist, research engineer | papers, preprints, charlas en congresos, datasets abiertos |
| GenAI / LLM | AI engineer, LLM engineer, NLP engineer | proyectos de fine-tuning o evaluación, contribuciones open source, model hubs |
Dónde encontrar data scientists (y qué muestra cada canal)
| Canal | Qué ves | Cómo usarlo |
|---|---|---|
| Título, empresa, skills, antigüedad | Bueno para el alcance, débil como prueba. Combínalo con un canal de portfolio. | |
| Kaggle | Historial de competiciones y notebooks, niveles públicos | Útil para medir la habilidad de modelado; dice poco sobre el trabajo en producción o el trabajo en equipo. |
| Hugging Face y GitHub | Modelos, datasets, repositorios, historial de commits | La mejor señal para ML aplicado y GenAI; lee el código, no el número de estrellas. |
| arXiv, Google Scholar, programas de congresos | Autores, afiliaciones, temas | Para puestos orientados a investigación; contacta a través de la página institucional o una red profesional. |
| Meetups, eventos al estilo PyData, laboratorios universitarios | Ponentes y organizadores | Pequeño, local y cercano; pide al organizador que te haga una presentación. |
| Recomendaciones de empleados | Personas que ya conocen al equipo | Es lo más lento de escalar y lo que más confianza genera. |
La cantera no es pequeña. La Bureau of Labor Statistics cuenta unos 275.600 puestos de data scientist en EE. UU. en 2025. El problema no es la cantidad, sino la relevancia: la mayoría de esas personas no está buscando empleo y la mayoría de los perfiles no encaja con tu problema. Por eso el sourcing activo con criterios precisos supera a más volumen.
Cadenas de búsqueda para copiar y pegar
Prueba cada cadena primero en tu propia herramienta; los buscadores y las plataformas cambian la forma de tratar los operadores. Sustituye las partes entre corchetes.
| Objetivo | Cadena |
|---|---|
| LinkedIn Boolean, ML aplicado | ("data scientist" OR "applied scientist" OR "machine learning engineer") AND (Python) AND (PyTorch OR TensorFlow OR XGBoost) AND (production OR deployment OR MLOps) NOT (intern OR trainee OR student) |
| LinkedIn Boolean, orientado a analítica | ("data scientist" OR "product data scientist") AND (SQL) AND ("A/B test*" OR experiment* OR causal) NOT (intern OR junior) |
| Google X-ray, perfiles públicos de LinkedIn | site:linkedin.com/in ("data scientist" OR "applied scientist") (Python) (SQL) "[ciudad]" |
| Google X-ray, perfiles de GitHub | site:github.com "[ciudad]" ("machine learning" OR "data science") "available" -jobs |
| En lenguaje natural, para una búsqueda con IA | Senior data scientist en [ciudad o en remoto, zona horaria], más de 5 años de experiencia, ha llevado a producción un modelo de recomendación o de previsión, Python y SQL, experiencia con experimentos |
Las cadenas Boolean premian los títulos exactos, pero los títulos de este puesto varían mucho según la empresa. Para una comparación de ambos enfoques, consulta Búsqueda Boolean vs. búsqueda por requisitos.
Imprescindibles y deseables: defínelos con honestidad
El error más frecuente que vemos en las búsquedas es escribirlo todo como deseable. Los criterios duros acotan una búsqueda; los blandos solo la reordenan. Decídelo antes de empezar.
- Imprescindible: el perfil que elegiste arriba, Python y SQL sólidos, fundamentos de estadística, un proyecto entregado con resultado de negocio, el idioma de trabajo del equipo.
- Deseable: una plataforma cloud concreta, un framework concreto, conocimiento del sector, publicaciones, un máster o doctorado.
- Se exige a menudo sin motivo: un doctorado para puestos aplicados, diez años de experiencia en un campo que solo tiene cinco, todas las herramientas del stack.
Plantilla de contacto
Los data scientists ignoran los mensajes genéricos. Menciona un trabajo concreto, un problema concreto y un siguiente paso concreto. Menos de 100 palabras.
Hola [nombre]: he leído tu artículo sobre [proyecto o modelo concreto], en especial cómo resolviste [detalle concreto]. En [empresa] estamos construyendo [problema en una frase] y es el mismo tipo de problema. El puesto es [título], [ubicación/remoto], rango salarial [rango]. Si te interesa una llamada de 20 minutos sobre el problema, no sobre el puesto, puedo enviarte dos franjas horarias. Si no, no pasa nada.
Incluye el rango salarial, porque en este mercado los candidatos comparan antes de responder.
Cinco preguntas para la primera conversación
- ¿Cuál de tus proyectos tuvo el efecto más medible y cómo lo mediste?
- Cuéntame sobre un modelo que llevaste del notebook a producción. ¿Qué falló?
- ¿Cuándo un baseline sencillo superó a tu modelo complejo y qué hiciste?
- ¿Cómo explicas un resultado a alguien que no se fía de los números?
- ¿En qué problema querrías trabajar en los próximos dos años y qué te haría decir que no al nuestro?
Salarios y mercado, con fuentes
La mediana salarial de los data scientists en EE. UU. fue de 120.230 $ en mayo de 2025 (BLS, ver arriba). Para Alemania, la Bundesagentur für Arbeit publica la mediana salarial en su Entgeltatlas, agrupada por conjuntos de ocupaciones; consulta el grupo que corresponde a tu perfil en lugar de fiarte de la cifra de un único portal salarial. Sobre la demanda: en la encuesta de Bitkom de septiembre de 2026, el 12 % de las empresas con puestos de TI abiertos buscaba especialistas en IA, y el 97 % de las empresas con vacantes de TI declaró tener dificultades para cubrirlas (Bitkom, 3 de septiembre de 2026, 853 y 602 empresas encuestadas).
Aspectos legales cuando haces sourcing en la UE
- Deber de información: si has recopilado los datos de una persona de una fuente pública, el artículo 14 del RGPD te obliga a informarla en un plazo razonable y, a más tardar, en un mes, o en el primer contacto si usas los datos para contactarla (Reglamento (UE) 2016/679). Más detalles en Sourcing activo y RGPD.
- Contratar fuera de la UE: la Tarjeta Azul UE de Alemania tiene en 2026 un umbral salarial general de 50.700 € y uno reducido de 45.934,20 € para ocupaciones con escasez de personal y algunos especialistas en TI (Make it in Germany, base legal § 18g AufenthG). Si un puesto concreto cumple los requisitos para el umbral inferior lo decide la autoridad de inmigración.
- Las normas de EE. UU. y de otros países son distintas; consulta con tu equipo jurídico antes de lanzar una campaña transfronteriza.
Cómo hacer esta búsqueda con Sprad
Con Sprad Active Sourcing describes el puesto con tus propias palabras, incluidos los requisitos imprescindibles, y Atlas busca en perfiles públicos y en tu propia cantera de talento, comprueba cada perfil con tus criterios y muestra el motivo por cada requisito. Los mensajes salen por LinkedIn y por correo desde una sola bandeja, de modo que no se contacta dos veces al mismo candidato. Una preentrevista por voz (12 idiomas, 30 créditos por entrevista) puede plantear las primeras preguntas de arriba antes de que inviertas tiempo. Todas las personas a las que llegues permanecen en tu cantera de talento.
Una búsqueda web cuesta 2 créditos por perfil mostrado dentro de un presupuesto que fijas en cada ejecución (50, 100 o 300 créditos); el plan gratuito incluye 100 créditos al mes. Recruiter Lite cuesta 79 € por puesto y mes. Los precios actuales están siempre en la página de precios (consultada el 9 de noviembre de 2026). Una búsqueda profunda tarda unos minutos porque se comprueba cada perfil; una búsqueda rápida tarda segundos.
Preguntas frecuentes
¿Cuánto se tarda en contratar a un data scientist?
No hay una cifra pública fiable que sirva para todas las empresas, así que planifica a partir de tu propio pipeline. Los pasos que más tiempo consumen son un perfil difuso al principio y una prueba técnica para casa demasiado larga al final; ambos están bajo tu control.
¿Debo publicar una oferta o hacer sourcing activo?
Haz ambas cosas para puestos orientados a analítica y haz sourcing activo para puestos de ML aplicado, investigación y GenAI. Nuestra comparativa oferta de empleo o sourcing activo explica los pros y los contras.
¿Hace falta un doctorado para ser data scientist?
Para puestos de investigación, normalmente sí; para puestos aplicados y de analítica, según la BLS el requisito típico de acceso es un grado universitario. Pide pruebas de trabajo en lugar de un título.
¿Cuál es la diferencia entre un data scientist y un data analyst?
Los analistas informan y explican lo que ha pasado, sobre todo con SQL y dashboards. Los scientists construyen modelos y experimentos que predicen o deciden. En una empresa pequeña la misma persona puede hacer ambas cosas, por eso el título por sí solo dice poco.







