Cientista de Dados Pleno — A/B Testing B2B (Remoto)

Sylision; United States; Remote; USD 33,000 - 66,000; Full time

Benefits offered by this job

Trabalho 100% remoto

Ambiente colaborativo

Flexibilidade

Conexão com times internacionais

Apoio à saúde e bem-estar

Equipe de dados revisando análises

Job summary

Sylision procura Cientista de Dados Pleno (Testes A/B na Indústria) para atuar 100% remoto. Você planeja experimentos em contextos B2B, define unidade de aleatorização, calcula poder e duração e traduz resultados em decisões com intervalos de confiança, incluindo cenários onde não há conclusão clara.

Você aplicará redução de variância com dados históricos, checar desequilíbrios e contaminação, e utilizará Python, Pandas e SQL para extrair e conferir dados de pedidos.

Qualifications

• Conhecimento sólido em estatística aplicada, testes de hipóteses e intervalos de confiança.
• Capacidade de definir poder estatístico e erros de decisão em experimentos.
• Noção de inferência causal e técnicas de redução de variância.
• Experiência com Python, Pandas, SQL e ambientes Jupyter.

Responsibilities

• Transformar perguntas de negócio em hipóteses testáveis com métrica principal e métricas de proteção.
• Definir unidade de aleatorização, calcular poder e duração antes de começar.
• Montar plano de análise antes de ver os resultados e aplicar redução de variância.
• Checar desequilíbrio de grupos, contaminação e efeito de novidade.
• Quando necessário, estimar efeito por diferenças em diferenças ou métodos equivalentes.
• Apresentar resultados a gerentes de vendas em linguagem direta.
• Manter repositório de experimentos com decisão e aprendizado de cada um.

Skills

Estatística aplicada

Teste de hipóteses

Intervalo de confiança

Poder estatístico

Erros de decisão

Inferência causal

Tools

Python

Pandas

SQL

Jupyter

Git

Job description

Sylision procura Cientista de Dados Pleno (Testes A/B na Indústria) para atuar 100% remoto. Você planeja experimentos em contextos B2B, define unidade de aleatorização, calcula poder e duração e traduz resultados em decisões com intervalos de confiança, incluindo cenários onde não há conclusão clara.

Você aplicará redução de variância com dados históricos, checar desequilíbrios e contaminação, e utilizará Python, Pandas e SQL para extrair e conferir dados de pedidos.