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

Exigências

• Escolaridade Mínima: Ensino Superior

• Experiência desejada: Entre 5 e 10 anos
• Ciências da computação; Ensino Superior