Cientista de Dados Sênior

Conduzir projetos de machine learning de alto impacto para o negócio — com ênfase em risco transacional, pagamentos e moderação de conteúdo — conectando soluções científicas a resultados tangíveis, com forte orientação a impacto e entrega de valor.

• Definir hipóteses, conduzir projetos analíticos e desenhar experimentos para resolver desafios de risco transacional, pagamentos, saques e moderação de conteúdo.
• Desenvolver, colocar em produção e monitorar modelos, priorizando time-to-value: começar por baselines simples e iterar conforme o impacto.
• Atuar como elo entre áreas técnicas e de negócio, traduzindo desafios para soluções data-driven.
• Apoiar decisões de produto e crescimento por meio de experimentação (testes A/B) e inferência causal, sustentando uma cultura orientada a dados.
• Desenvolver modelos de Trust & Safety, antifraude e análise de pagamentos para proteger a plataforma, criadores e usuários, e apoiar decisões de negócio com base em dados.
• Garantir que soluções analíticas tratem dados pessoais e sensíveis em conformidade com a LGPD e com as políticas de privacidade e segurança da informação da empresa.

Formação Acadêmica
• Graduação em Estatística, Matemática, Ciência da Computação, Engenharia, Física ou áreas correlatas.

Competências Técnicas (Hard Skills)
• Profundo domínio de estatística, modelagem e frameworks avançados de machine learning, além de experiência em análise causal.
• Vivência em deploy, monitoramento, automação e ajuste de modelos em ambientes de grande escala.
• Domínio de Python para ciência de dados (pandas, NumPy, scikit-learn) e de frameworks de gradient boosting (XGBoost, LightGBM), além de SQL avançado em bancos relacionais (ex.: SQL Server, PostgreSQL) e versionamento de código com Git.
• Modelagem para risco e fraude: classificação em cenários desbalanceados, calibração de score, detecção de anomalias e feature engineering sobre comportamento transacional (velocity, agregações por janela e padrões entre contas).
• Experiência com ambientes de dados em nuvem (AWS e/ou Azure), data warehouse (ex.: Snowflake) e bancos relacionais e NoSQL (ex.: MongoDB), atuando sobre grandes volumes de dados.
• Práticas de MLOps: versionamento e deploy de modelos, pipelines de CI/CD, monitoramento de performance e de drift e observabilidade de modelos em produção (ex.: Datadog).
• Cultura de experimentação: desenho e análise de testes A/B em larga escala e inferência causal para sustentar decisões de produto e crescimento.
• NLP e/ou visão computacional aplicados a conteúdo: classificação, moderação e Trust & Safety.
• Aplicação de ciência de dados a problemas típicos de plataformas digitais: churn, LTV, monetização, detecção de fraude, prevenção a chargebacks, detecção de anomalias e séries temporais.Tratamento de dados pessoais e sensíveis em conformidade com a LGPD, aplicando privacy by design, anonimização/pseudonimização e boas práticas de governança e segurança da informação.
• Capacidade de comunicação, resiliência e influência sobre temas técnicos junto a áreas de negócio. Competências Comportamentais (Soft Skills)
• Viés para ação e pragmatismo: entregar valor de forma incremental, começando simples e iterando; saber identificar o ponto em que a solução já entrega o valor que o negócio precisa, equilibrando velocidade de entrega com qualidade sustentável.
• Visão de negócio e contexto: Entender a fundo como os dados impactam produtos, processos e decisões estratégicas. Saber priorizar soluções que trazem maior valor ao negócio.
• Comunicação clara e adaptada: Traduzir soluções técnicas complexas para áreas de produto, negócio e diretoria. Negociar com stakeholders quando há conflitos de prioridade ou limitação técnica.
• Resolução de problemas complexos: Antecipar riscos, gargalos e propor soluções sustentáveis. Tomar decisões técnicas sob pressão, equilibrando custo, prazo e qualidade.
• Gestão de prioridades e autonomia: organizar o próprio backlog e apoiar líderes na definição de prioridades. Ter visão de médio e longo prazo, além da entrega imediata.
• Pensamento crítico e inovador: Questionar premissas e buscar novas abordagens para ciência de dados, trazendo referências externas.
• Resiliência e Adaptabilidade: Lidar bem com mudanças rápidas de tecnologia, processos ou demandas. Manter equilíbrio emocional em projetos de alta complexidade.

Diferenciais:
• Vivência em plataformas de mídia social, creator economy, marketplaces de duas pontas, plataformas de assinatura, fintech ou antifraude.
• Experiência com GenAI / LLMs aplicados a produto (ex.: RAG, embeddings, agentes).
• Experiência com sistemas de recomendação e personalização (filtragem colaborativa, modelos de ranking, embeddings e busca) aplicados a feed, descoberta de conteúdo e engajamento.
• Experiência com frameworks de deep learning (PyTorch ou TensorFlow), especialmente aplicados a NLP e visão computacional para moderação de conteúdo.
• Pós-graduação ou especialização em áreas quantitativas ou de ciência de dados.
• Experiência com dados em streaming / processamento em tempo real e ferramentas de orquestração de pipelines.
• Inglês técnico para leitura de documentação e artigos.