Comercio electrónico: un equipo de Data e IA de 5 personas, formado antes de la temporada alta de ventas
Volver a los casos
Comercio electrónicoDirect Hire

Comercio electrónico: un equipo de Data e IA de 5 personas, formado antes de la temporada alta de ventas

Data Engineer, Data Scientist, AI Engineer, Analytics Engineer y QA – emparejados desde el Talent Ecosystem con 10 semanas por delante antes del lanzamiento.

5 de 5
Puestos cubiertos
Data Engineer, Data Scientist, AI Engineer, Analytics Engineer y QA, emparejados en paralelo
3 semanas
Plazo hasta la primera incorporación
Desde la definición de los puestos hasta la fecha de inicio de la primera contratación
7 semanas
Plazo hasta el equipo completo incorporado
Los 5 puestos cubiertos y en marcha, antes del evento de ventas de temporada alta

El desafío

Los responsables de categoría de S.N sacaban las cifras de ventas de exportaciones manuales en CSV, con un día completo de retraso en cada decisión, y la dirección quería un motor de recomendaciones operativo antes de su mayor evento anual de ventas, a diez semanas. Eso exigía contratar cinco perfiles a la vez: un Data Engineer para construir el almacén de datos, un Data Scientist y un AI Engineer para el modelo de recomendación, un Analytics Engineer para que los responsables de categoría tuvieran analítica de autoservicio y un QA Engineer para que todo fuera fiable con la carga del pico de ventas. Dos listas de candidatos de reclutadores locales y las propias ofertas de S.N, lanzadas en paralelo para los cinco puestos, solo atrajeron a candidatos con experiencia básica en SQL para informes: nadie con experiencia en ML o en pipelines en producción, y sin tiempo para seguir buscando.

Necesitaba 5 contrataciones permanentes (Data Engineer, Data Scientist, AI Engineer, Analytics Engineer, QA) a 10 semanas del mayor evento anual de ventas.
Dos listas de candidatos de reclutadores locales y las ofertas directas no aportaron ningún candidato calificado para ninguno de los 5 puestos.
Necesitaba responsables permanentes de la plataforma de datos e IA, no contratistas a corto plazo.

La solución

S.N necesitaba cinco contrataciones distintas frente a un plazo estacional fijo, sin tiempo para cinco búsquedas sucesivas. GTEMAS emparejó en paralelo candidatos para los cinco puestos desde el Talent Ecosystem, cada uno con un Skill Profile verificado que medía la habilidad exacta que exigía el puesto, incluida experiencia en producción con dbt/Snowflake y en modelos de recomendación. S.N entrevistó a 2–3 candidatos preseleccionados por puesto y tomó cada decisión final por su cuenta. Incorporación: GTEMAS apoyó la negociación de la oferta y la transición de cada contratación, y después se retiró: los cinco se incorporaron directamente al equipo y a la nómina de S.N.

Impacto y logros

El motor de recomendaciones entró en producción dos semanas antes del evento de ventas de S.N y, de paso, hizo que los informes pasaran de un día completo de retraso a estar disponibles el mismo día. El responsable de Analítica de S.N señaló que, como la experiencia en pipelines y ML de cada candidato ya estaba verificada antes de la entrevista, cinco búsquedas en paralelo resultaron manejables: las conversaciones trataron de cómo trabajaría cada persona con el equipo, no de si conocía las herramientas.

5 de 5
Puestos cubiertos

Data Engineer, Data Scientist, AI Engineer, Analytics Engineer y QA, emparejados en paralelo

3 semanas
Plazo hasta la primera incorporación

Desde la definición de los puestos hasta la fecha de inicio de la primera contratación

7 semanas
Plazo hasta el equipo completo incorporado

Los 5 puestos cubiertos y en marcha, antes del evento de ventas de temporada alta

¿Listo para escribir su caso de éxito?

Colabore con Global Tech Masters para crear productos digitales escalables y de alto rendimiento.