Engenheiro(a) de Machine Learning Pleno (Precificação Dinâmica na Saúde)

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

Benefits offered by this job

Ambiente colaborativo

Trabalho remoto

Conexão global

TotalPass e Mediquo

Team Care

Jornada definida

Job summary

Confidencial, líder em soluções de saúde, busca Engenheiro(a) de Machine Learning pleno(a) para trabalhar em um modelo de precificação dinâmica de serviços de saúde, com foco em demanda, preço e ocupação de agenda.

O trabalho é 100% remoto, com contratação CLT ou PJ. Você ficará responsável por construir a base de demanda, treinar modelos, implementar regras de teto e piso, além de monitorar desempenho e comunicar resultados para a área comercial.

Qualifications

• Python e scikit-learn com modelos de árvore, como XGBoost, em dados tabulares.
• Separar treino e teste pelo tempo, de modo que nada do futuro entre no treino.
• SQL para transformar registros de agendamento em tabela de treino.
• Noção de inferência causal ou de teste controlado para separar efeito do preço.
• Registro de experimentos e versionamento de modelos, de preferência com MLflow.
• Docker e hábito de empacotar o que entrega.

Responsibilities

• Construir a base de demanda por horário, especialidade e unidade a partir do sistema de agendamento.
• Criar features de calendário, antecedência de marcação e histórico de cancelamento.
• Treinar e validar modelos de previsão de demanda com validação temporal, sem vazamento de futuro.
• Estimar a sensibilidade da demanda ao preço separada do efeito de calendário.
• Implementar as regras de teto, piso e frequência máxima de alteração sobre a sugestão do modelo.
• Orquestrar treino e geração diária de sugestões no Airflow.
• Monitorar deriva da demanda e erro de previsão por unidade, com alerta.
• Desenhar com o negócio o teste controlado e ler o resultado.

Skills

Python

scikit-learn

XGBoost

MLflow

Airflow

SQL

Time series

Tools

Docker

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Pleno (Precificação Dinâmica na Saúde). 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:

Uma rede de consultas e exames tem agenda que esvazia em certos horários e lota em outros, e o preço de lista é o mesmo o dia todo. O modelo que você vai construir estima a demanda por horário, especialidade e unidade e sugere ajuste de preço dentro de limites definidos pelo negócio, para ocupar melhor a agenda sem expulsar quem precisa do atendimento.

O difícil é separar efeito do preço de efeito do calendário. Feriado, campanha, chuva e sazonalidade de exame de rotina movem a demanda junto, e um modelo ingênuo aprende que preço alto atrai paciente. Há ainda a restrição de que o preço sugerido nunca passa de teto e piso, e que a mudança precisa ser explicável para a área comercial e para quem atende o telefone.

Você é dono da frente inteira, do dado de agenda ao monitoramento do modelo no ar. O resultado se mede por taxa de ocupação da agenda, receita por hora de equipamento e cancelamento, comparados em teste controlado por unidade.

O que você vai fazer:

• Construir a base de demanda por horário, especialidade e unidade a partir do sistema de agendamento
• Criar features de calendário, antecedência de marcação e histórico de cancelamento
• Treinar e validar modelos de previsão de demanda com validação temporal, sem vazamento de futuro
• Estimar a sensibilidade da demanda ao preço separada do efeito de calendário
• Implementar as regras de teto, piso e frequência máxima de alteração sobre a sugestão do modelo
• Orquestrar treino e geração diária de sugestões no Airflow
• Monitorar deriva da demanda e erro de previsão por unidade, com alerta
• Desenhar com o negócio o teste controlado e ler o resultado

Requisitos:

• Python e scikit-learn com modelos de árvore, como XGBoost, em dados tabulares
• Separar treino e teste pelo tempo, de modo que nada do futuro entre no treino
• SQL para transformar registros de agendamento em tabela de treino
• Noção de inferência causal ou de teste controlado para separar efeito do preço
• Registro de experimentos e versionamento de modelos, de preferência com MLflow
• Docker e hábito de empacotar o que entrega

Diferenciais:

• Previsão de séries temporais com sazonalidade múltipla
• Contato com preço, receita ou agenda em operação de serviços
• Modelos de elasticidade ou de otimização com restrição
• Painéis simples para a área comercial acompanhar a sugestão
• Conhecimento de regras de reajuste e de transparência de preço em saúde

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. O time trabalha com revisão de código por pares e com decisões de modelo registradas em documento curto. Os resultados do teste são acompanhados toda semana com a área comercial. 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
• scikit-learn
• XGBoost
• MLflow
• SQL
• Docker
• Airflow
• Séries temporais

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