Cientista de Dados Júnior — Risco em Pagamentos (Remoto)

Sylision; United States; Remote; USD 50,000 - 80,000; Full time

Benefits offered by this job

Trabalho remoto total

Ambiente de equipe

Flexibilidade de horário

TotalPass/Mediquo

Team Care

Job summary

Sylision está abrindo uma vaga para Cientista de Dados Júnior, foco em análise de risco em meios de pagamento. O trabalho é 100% remoto, com contratação CLT ou PJ, e requer formação em estatística/matemática/computação ou projeto próprio com dados.

Você irá montar bases de dados com transações e histórico de pagamentos, treinar modelos simples (regressão logística, árvores rasas) e avaliar risco com métricas apropriadas, cuidando para evitar vieses.

Qualifications

• Formação em andamento ou concluída em estatística, matemática, economia, engenharia ou área afim, ou projeto próprio com dados.
• Conhecimento de Python com Pandas e scikit-learn para análises e modelos simples.
• SQL para extrair e juntar dados, e noções de metodologia estatística básica.

Responsibilities

• Montar a base de análise juntando transações, antecipações e histórico de pagamento.
• Explorar a distribuição de inadimplência por faixa de faturamento, segmento e tempo de relacionamento.
• Treinar modelos interpretáveis e comparar com regras atuais usando KS, AUC e curva de ganho.
• Tratar desbalanceamento de classes e escolher métricas adequadas.
• Documentar premissas, limitações e forma de reproduzir os resultados em notebook.
• Apresentar conclusões à área de risco com linguagem simples e próximos passos.

Skills

Python

Pandas

scikit-learn

SQL

Estatística básica

Métricas de risco

Comunicação de resultados

Education

Estatística/Matemática/Economia/Engenharia (ou similar)

Tools

Jupyter

Git

Job description

Sylision está abrindo uma vaga para Cientista de Dados Júnior, foco em análise de risco em meios de pagamento. O trabalho é 100% remoto, com contratação CLT ou PJ, e requer formação em estatística/matemática/computação ou projeto próprio com dados.

Você irá montar bases de dados com transações e histórico de pagamentos, treinar modelos simples (regressão logística, árvores rasas) e avaliar risco com métricas apropriadas, cuidando para evitar vieses.