Cientista de Dados Sênior

Estamos em busca de um(a) Cientista de Dados Sênior altamente analítico(a), proativo(a) e orientado(a) a resultados para se juntar ao nosso time de Modelagem. Nesta posição, você será responsável por conceber, desenvolver e colocar em produção modelos de Machine Learning avançados com foco em previsão de eventos de risco e comportamento.

• Desenvolvimento de Modelos: Desenhar, treinar e validar modelos preditivos e prescritivos (ex.: Churn, Lead Scoring, Risco de Sinistro/Fraude, Clusterização/Segmentação).
• Engenharia de Features: Explorar bases de dados complexas para identificar variáveis relevantes, criando pipelines eficientes de feature engineering.
• Pipeline e Arquitetura de ML: Trabalhar em ambiente cloud (AWS) e ambiente de dados unificado (Databricks), garantindo a escalabilidade e reprodutibilidade dos…
• Operacionalização: Colaborar no deploy, monitoramento contínuo, retraining e drift detection dos modelos colocados em produção.
• Comunicação e Data Storytelling: Traduzir métricas técnicas e algoritmos em insights claros e acionáveis para stakeholders e líderes de negócios.

• Experiência Profissional: Sólida atuação prévia como Cientista de Dados, com histórico comprovado de modelos de ML rodando em ambiente de produção.
• Linguagens de Programação: Domínio avançado de Python e/ou R para análise estatística, manipulação de dados e Machine Learning.
• Manipulação de Dados: SQL avançado para consulta, agregação e manipulação de grandes volumes de dados.
• Plataforma de Dados: Experiência prática trabalhando com Databricks (PySpark, Spark SQL, Delta Lake, MLflow).
• Conhecimento Estatístico e ML: Forte base matemática e estatística, além de domínio em técnicas como:
• Algoritmos de Classificação e Regressão (XGBoost, LightGBM, Random Forest, Regressão Logística/Linear, etc.).
• Algoritmos de Aprendizado Não Supervisionado (K-Means, DBSCAN, PCA, Hierarchical Clustering, etc.).
• Avaliação de modelos em cenários de dados desbalanceados e análise de risco (ROC-AUC, PR-AUC, Gini, Kolmogorov-Smirnov/KS, etc.).

• Conhecimento e aplicação de práticas de MLOps (esteiras de ML, monitoramento de data drift, concept drift e resultados).
• Vivência com ferramentas de versionamento de código (Git/GitHub/GitLab).
• Vivência com serviços da AWS voltados para dados e IA/ML (ex.: S3, Athena, EC2, SageMaker, Glue, EMR).