Cientista de Dados Pleno (Previsão de Inadimplência na Logística)

confidential; United States; Remote; USD 110,000 - 160,000; Full time

Benefits offered by this job

Ambiente colaborativo

Trabalhe de qualquer lugar

Conexão com times globais

Apoio à saúde física

Suporte a bem-estar mental

Job summary

Sylision procura um Cientista de Dados Pleno para atuar em previsão de inadimplência na logística, com atuação 100% remota para clientes internacionais. O foco é identificar faturas com maior probabilidade de atraso superior a 30 dias, definindo regras de cobrança por faixa de risco e entregando o modelo com validação temporal.

O profissional irá Treinar modelos de classificação, calibrar probabilidades, explicar resultados em linguagem de negócio e projetar experiments de régua de cobrança,

Qualifications

• Estatística aplicada com intervalo de confiança, teste de hipótese e leitura de desbalanceamento.
• Calibração de probabilidade e curva de ganho.
• Autonomia para conduzir uma frente inteira, da pergunta à recomendação.

Responsibilities

• Definir com o financeiro o que conta como inadimplência e a janela de observação do rótulo.
• Montar a base de treino por cliente e por fatura, evitando vazamento de informação do futuro.
• Treinar modelos de classificação e comparar com uma regra simples de partida.
• Validar por corte temporal e calibrar as probabilidades por faixa de risco.
• Explicar os fatores do modelo para a área de crédito em linguagem de negócio.
• Desenhar um experimento da régua de cobrança com grupo de controle.
• Medir o efeito em valor recuperado e no prazo médio de recebimento.
• Registrar premissas e limites do modelo em um documento revisável.

Skills

Autonomia

Comunicação de negócio

Análise de dados

Tools

Python

Pandas

scikit-learn

SQL

Jupyter

SHAP

Job description

Vaga aberta de Cientista de Dados Pleno (Previsão de Inadimplência na Logística). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: pleno.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

Transportadoras e operadores logísticos vendem frete a prazo, e uma parte dos clientes paga com atraso ou nunca paga. A pergunta que você vai responder é: quais clientes e quais faturas têm maior chance de passar de 30 dias sem pagamento, e o que isso muda na concessão de prazo e na cobrança. O dado vem do histórico de faturas, de contratos, de volume embarcado e de ocorrências de entrega.

O difícil está no desenho e não no algoritmo. A inadimplência é um evento raro e que demora a aparecer, então o rótulo chega com atraso e a base de treino enxerga o passado de forma diferente do presente. Fatura contestada por avaria pode parecer calote e não é. Se o modelo vazar informação do futuro, o resultado em validação fica bonito e na prática não serve.

Você entrega o modelo, a validação por período, a explicação do que pesa na previsão e uma recomendação que a área financeira consiga usar, como régua de cobrança por faixa de risco. O sucesso se mede por recuperação de valor em atraso e por queda de prazo médio de recebimento, comparados a um grupo sem a régua.

O que você vai fazer:

• Definir com o financeiro o que conta como inadimplência e a janela de observação do rótulo
• Montar a base de treino por cliente e por fatura, evitando vazamento de informação do futuro
• Treinar modelos de classificação e comparar com uma regra simples de partida
• Validar por corte temporal e calibrar as probabilidades por faixa de risco
• Explicar os fatores do modelo para a área de crédito em linguagem de negócio
• Desenhar um experimento da régua de cobrança com grupo de controle
• Medir o efeito em valor recuperado e prazo médio de recebimento
• Registrar premissas e limites do modelo em um documento revisável

Requisitos:

• Estatística aplicada, com intervalo de confiança, teste de hipótese e leitura de desbalanceamento
• Python com Pandas e scikit-learn para limpeza, modelagem e validação
• SQL para montar base de análise a partir de tabelas transacionais
• Entender calibração de probabilidade e curva de ganho
• Escrever resultado para quem decide, sem esconder incerteza
• Autonomia para conduzir uma frente inteira, da pergunta à recomendação

Diferenciais:

• Análise de sobrevivência para tempo até o atraso
• Noção de risco de crédito comercial e política de limite
• Experiência com experimentos em cobrança ou retenção
• Interpretabilidade com SHAP
• Projeto próprio com dados financeiros públicos

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Você toma as decisões de modelagem da sua frente e leva as premissas para revisão em par antes de apresentar. O resultado é acompanhado em reunião quinzenal com o financeiro, sempre com número e com a incerteza dele.

Benefícios oferecidos pela empresa contratante:

• Ambiente colaborativo, com senso de comunidade e conquistas celebradas em equipe
• Trabalhe de qualquer lugar, com liberdade e flexibilidade
• Conexão global: convivência com times de diferentes países e culturas
• Apoio à saúde física com TotalPass e Mediquo
• Cuidado com a saúde mental pelo programa Team Care
• Contratação e jornada definidas com a empresa contratante

Tecnologias envolvidas:

• Python
• Pandas
• scikit-learn
• SQL
• Estatística
• Jupyter
• Validação de modelos
• Git

Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido.