[Job 31517] Data Scientist SR

Ciandt; Brasil; Presencial; BRL 180 000 - 320 000; Tempo integral

Resumo da oferta

A Ciandt procura um profissional de ML/engenharia de dados no Brasil para desenvolver modelos de classificação e detecção de eventos em tempo quase real. Você trabalhará com APIs de dados transacionais, arquitetura de dados e ferramentas de MLOps para entregar soluções de personalização.

Você vai aplicar NBA e técnicas de feature store para alimentar modelos em produção, com foco em entregas orientadas a resultados de negócio e governança de modelos.

Qualificações

• Sólida experiência com Python para análise e modelagem de dados.
• Experiência com ML supervisionado, especialmente classificação e ranking.
• Experiência prática com processamento e consumo de eventos em tempo real.

Responsabilidades

• Modelagem de contexto e intenção do cliente com modelos de classificação e detecção de eventos.
• Next Best Action (NBA) para priorização de ações por cliente.
• Feature Engineering para eventos transacionais em dados de pagamentos, sinistros, renovações e interações.
• Colaboração com arquitetura para sinais de segmentação e identidade consumíveis pelo CRM.
• Experimentação e validação com A/B testing para avaliar impacto nas KPIs.
• Documentação, governança e monitoramento de drift em produção.

Conhecimentos

Python

ML supervisionado

A/B Testing

Inferência causal

Ferramentas

Kafka

Kinesis

Feast

Tecton

Hopsworks

MLflow

Vertex AI

SageMaker

Neo4j

Airflow

Prefect

Flink

Spark Structured Streaming

AWS

GCP

Descrição da oferta de emprego

Perfil que Buscamos

• Experiência prévia em squads de produto digital, preferencialmente em personalização, recomendação ou CRM inteligente
• Mentalidade de produto: você não entrega modelo, você entrega resultado de negócio
• Conforto em trabalhar com dados transacionais e operacionais (não apenas clickstream ou Analytics)
• Familiaridade com o conceito de identidade unificada de cliente e desafios de resolução de entidades (entity resolution)
• Senso crítico para distinguir quando um modelo de ML é a resposta certa — e quando uma regra bem calibrada resolve melhor

Responsabilidades

• Modelagem de contexto e intenção do cliente — desenvolver modelos de classificação, propensão e detecção de eventos comportamentais em tempo (near) real
• Next Best Action (NBA) — construir e evoluir a lógica de priorização de ações e comunicações por cliente, orientada ao contexto e não a regras comerciais estáticas
• Feature Engineering para eventos transacionais — transformar eventos sistêmicos (pagamentos, sinistros, renovações, interações) em features ricas para modelos de ML
• Trabalhar junto à arquitetura para garantir que os sinais de segmentação e identidade sejam consumíveis pelo motor de contexto (ex.: CRM)
• Experimentação e validação — desenhar e analisar experimentos A/B para avaliar o impacto das decisões de personalização nos KPIs de negócio
• Documentação e governança — garantir rastreabilidade de modelos, versionamento e monitoramento de drift em produção

Requisitos obrigatórios

• Sólida experiência com Python para análise e modelagem de dados (pandas, scikit-learn, PySpark)
• Sólida experiência com algoritmos de ML supervisionado, especialmente modelos de classificação e ranking (XGBoost, LightGBM)
• Experiência prática com processamento e consumo de eventos em tempo real, utilizando ferramentas como Kafka ou Kinesis
• Experiência prática com o conceito de Feature Store e gestão de features para modelos em produção (Feast, Tecton, Hopsworks ou similares)
• Experiência prática com A/B Testing e fundamentos de inferência causal aplicados a produtos digitais
• Experiência prática com cloud (AWS ou GCP) para ingestão, armazenamento e processamento de dados (S3/GCS, BigQuery/Redshift, Glue/Dataflow)

Diferencial

• Experiência com streaming de ML para inferência em tempo real (Flink, Spark Structured Streaming)
• Experiência com LLMs e GenAI aplicados a contextos de personalização ou classificação de intenção do usuário
• Experiência com ferramentas de orquestração de pipelines de dados (Airflow, Prefect ou similares)
• Experiência com práticas de MLOps, incluindo versionamento, monitoramento de drift e deploy de modelos em produção (MLflow, Vertex AI, SageMaker)
• Experiência com bancos de dados em grafo para modelagem de relacionamentos entre entidades como cliente, produto e canal (Neo4j ou similares)