Senior Data Scientist - Credit Fraud Office: São Paulo
About the company
Somos a solução financeira que está mudando o jogo na América Latina, construindo inovação com visão de futuro. Em 5 anos, já abrimos mais de 10 milhões de contas e captamos R$300 milhões com fundos como a16z e NEA. Somos uma fintech Série B, regulada pelo Banco Central, com um time de 120 pessoas construindo uma nova forma da geração mais jovem se relacionar com dinheiro.
Sobre a vaga
A área de FraudOps da NG.CASH é responsável por prevenir fraude em escala, combinando automações em produção, decisões apoiadas por inteligência artificial e rigor estatístico.
Com crédito no centro da estratégia, separar fraude de inadimplência virou uma decisão financeira crítica. Uma defesa imprecisa bloqueia bons clientes e derruba conversão. Uma defesa permissiva aumenta perdas e abre espaço para ataques cada vez mais sofisticados.
Buscamos uma pessoa cientista de dados especialista para ser a referência quantitativa em fraude de crédito. Você vai estudar comportamentos, formular hipóteses, construir e calibrar scores e modelos, e transformar análises complexas em decisões práticas para Produto, Crédito e liderança.
Buscamos um perfil generalista, que vai além do papel tradicional de cientista de dados. Você vai transitar por todo o ciclo antifraude: estudo de features para regras, construção de modelos, desenho da decisão que combina regras e modelos, experimentação e monitoramento em produção. Também vai criar agentes de IA que automatizam a esteira de estudo e desenvolvimento de modelos. É uma vaga para quem une profundidade estatística, visão de negócio e execução, e usa IA como alavanca para ampliar o próprio impacto.
O que você irá fazer:
- Definir a ground truth de cada modus operandi (chargeback, ATO, autofraude e falsidade ideológica), separando fraude de inadimplência e lidando com rótulos que levam mais de 90 dias para se confirmar;
- Construir, calibrar e monitorar scores de fraude por modus operandi, e propor recalibrações quando o ataque mudar;
- Conduzir estudos estatísticos na base transacional que virem features, regras ou insumos de modelo;
- Validar tudo antes da produção com shadow mode, backtesting, champion-challenger e testes A/B com poder estatístico definido;
- Medir performance com dados desbalanceados e rótulos atrasados: validação out-of-time, features point-in-time, PU learning, PR-AUC, precision@k e monitoramento de drift;
- Desenhar a camada de decisão entre regras e modelos (aprovar, negar, pedir autenticação ou mandar para revisão), com cortes baseados em perda esperada, conversão e atrito;
- Descobrir novas modalidades de fraude com clusterização, detecção de anomalias e embeddings, e detectar redes de mulas com grafos e GNNs;
- Traduzir trade-offs para Produto, Crédito e liderança com estudos claros e ferramentas self-service.
- Automatizar a esteira com agentes de IA (Claude Code, Codex): loops de feature engineering, experimentação de modelos e backtesting contínuo, sempre com evals que o agente não pode burlar.
O que buscamos:
- Graduação em Engenharia, Matemática, Estatística, Computação, Física, Economia ou áreas correlatas;
- Mais de 5 anos em ciência de dados aplicada a fraude ou risco, em fintech ou instituição financeira com alto volume transacional;
- Experiência levando scores ou modelos do estudo à produção e acompanhando o impacto;
- Vivência prática com fraude em crédito: originação, limite e cobrança, além de ATO, autofraude, falsidade ideológica e chargeback;
- Estatística sólida: desenho de experimentos, poder estatístico, KS, lift, PR-AUC, calibração e análise de coortes;
- Modelagem com dados desbalanceados e rótulos atrasados ou ruidosos, em abordagens supervisionadas, não supervisionadas e semi-supervisionadas;
- SQL avançado e Python. Nossa base de dados é o Snowflake;
- Uso maduro de IA: você orquestra agentes de código, constrói closed loops e valida os resultados com evals.
- Ownership de ponta a ponta, conforto com ambiguidade e comunicação executiva forte.
O que a gente também valoriza:
- Conhecimento profundo de fraude de crédito: identidade sintética, bust-out e redes de mulas;
- GNNs, modelos de sequência ou modelos de fundação (de transações ou tabulares) aplicados a risco;
- MLOps: feature store point-in-time, deploy e monitoramento de modelos;
- Inferência causal em risco: holdouts, avaliação contrafactual e reject inference;
- Motores de regras em tempo real e plataformas de mercado como Falcon, Feedzai, Sardine e Oscilar;
- Chargeback e arranjos de cartão, incluindo 3DS e regras de bandeira;
- Regulação de Pix (MED, DICT e Resolução Conjunta nº 6), bureaus, KYC, biometria e device intelligence.
O que você vai encontrar na NG.CASH:
- Um problema difícil: vários modus operandi, rótulos atrasados e um adversário que se adapta ao seu modelo;
- Impacto direto: cada ponto de corte mexe com receita, perda e a experiência de milhões de clientes;
- Dados em escala: mais de 10 milhões de contas e alto volume transacional;
- IA no dia a dia, com liberdade para montar agentes e loops automatizados;
- Autonomia de ponta a ponta, em um time técnico e ambicioso.