Cientista de Dados Sênior (Previsão de Inadimplência no Varejo)

confidential; United States; Remote; USD 120,000 - 180,000; Full time

Benefits offered by this job

Ambiente colaborativo

Trabalho remoto total

Conexão global

Saúde física

Team Care

Contratação definida

Job summary

A Sylision procura um Cientista de Dados Sênior para prever inadimplência no varejo com base em comportamento de compra e pagamento. O trabalho é 100% remoto, com contratação CLT ou PJ, para cliente confidencial atendido pela Sylision.

Você definirá métricas, construirá variáveis, treinará modelos e validará safras, calibrando perdas e avaliando impacto em cortes de concessão e equidade. Informe sua pretensão salarial na candidatura.

Qualifications

• Modelagem preditiva de crédito com validação por safra.
• Conhecimento de Python, Pandas e scikit-learn.
• Cuidado com vazamento temporal e com viés de seleção.

Responsibilities

• Definir inadimplência (atraso, perda efetiva, recuperação) e janela de observação com o time financeiro.
• Construir variáveis de comportamento a partir do histórico de parcelas, sem usar informação posterior à decisão.
• Treinar modelos de classificação e de tempo até o atraso, e compará-los a regras simples de referência.
• Validar por safra, simulando o uso do modelo na época em que a decisão foi tomada.
• Calibrar as probabilidades para estimar perda esperada por carteira.
• Simular cortes de concessão e mostrar o custo de cada nível de rigor em perda evitada e em venda perdida.
• Analisar equidade e remover variáveis que sirvam de proxy para atributos protegidos.
• Apresentar o resultado e suas limitações ao financeiro e ao jurídico.

Skills

Python

Pandas

scikit-learn

XGBoost

SQL

Git

Estatística

Job description

Vaga aberta de Cientista de Dados Sênior (Previsão de Inadimplência no Varejo). A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: senior.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

No varejo com crédito próprio, o cliente leva a mercadoria hoje e paga em parcelas. A inadimplência é um custo central, e a pergunta da área financeira é quem vai deixar de pagar, em quanto tempo e quanto será perdido. Você vai prever a inadimplência a partir do comportamento de compra e de pagamento: histórico de parcelas, atrasos anteriores, valor financiado, relação entre entrada e prestação, canal e região.

Previsão de inadimplência pede cuidado com tempo. Um cliente aprovado hoje só mostra seu desfecho em meses, a política de concessão mudou várias vezes e a economia muda o comportamento de todos ao mesmo tempo. Há também o que se pode e o que não se pode usar na decisão, por razões legais e éticas. O sucesso se mede em separação entre bons e maus pagadores, em calibração da perda esperada, em estabilidade por safra e em redução do prejuízo sem recusar bons clientes à toa.

O que você vai fazer:

• Definir inadimplência (atraso, perda efetiva, recuperação) e janela de observação com o time financeiro
• Construir variáveis de comportamento a partir do histórico de parcelas, sem usar informação posterior à decisão
• Treinar modelos de classificação e de tempo até o atraso, e compará-los a regras simples de referência
• Validar por safra, simulando o uso do modelo na época em que a decisão foi tomada
• Calibrar as probabilidades para estimar perda esperada por carteira
• Simular cortes de concessão e mostrar o custo de cada nível de rigor em perda evitada e em venda perdida
• Analisar equidade e remover variáveis que sirvam de proxy para atributos protegidos
• Apresentar o resultado e suas limitações ao financeiro e ao jurídico

Requisitos:

• Modelagem preditiva de crédito e cobrança, com validação por safra
• Estatística para calibração, intervalos e avaliação de modelos de risco
• Python (Pandas, scikit-learn, bibliotecas de gradiente) e SQL em volume
• Cuidado com vazamento temporal e com viés de seleção
• Noção de equidade em modelos e de limites legais no uso de dados
• Capacidade de traduzir probabilidade em decisão de negócio

Diferenciais:

• Ter trabalhado com crediário, cartão de loja ou financiamento ao consumidor
• Modelos de tempo até o evento aplicados ao primeiro atraso de parcela
• Prática com otimização de política de cobrança
• Explicabilidade de decisões individuais

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Cada modelo é apresentado com seu desempenho em safras recentes e com o que mudou desde a última versão. O time revisa em dupla as variáveis usadas e confere se alguma delas pode estar vazando informação do futuro. Na candidatura, informe a sua pretensão salarial.

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
• XGBoost
• SQL
• Estatística
• Git

Seus dados:

tratados conforme a LGPD, com remoção a qualquer momento, a pedido.