Engenheiro(a) de Machine Learning Sênior (Previsão de Churn no Jurídico)

Sylision; United States; Remote; USD 33,000 - 55,000; Full time

Benefits offered by this job

Trabalho remoto total

Ambiente colaborativo

Suporte à saúde e bem-estar

Job summary

Sylision está com vaga aberta para Engenheiro(a) de Machine Learning Sênior (Previsão de Churn no Jurídico), atuação 100% remota, contratação CLT ou PJ. O foco é desenvolver modelo de churn para clientes de assessoria jurídica, com dados transacionais, métricas de lift e calibração de probabilidades.

O profissional liderará toda a pipeline, desde exploração até publicação no Airflow, com monitoramento e retreino previstos, mantendo governança de dados com MLflow.

Qualifications

• Modelagem tabular em produção com validação que respeita o tempo.
• Experiência prática com MLflow ou ferramenta equivalente de rastreio.
• Docker e noções de agendamento de pipelines.

Responsibilities

• Construir a tabela de variáveis com data de corte explícita para impedir vazamento temporal.
• Treinar e comparar modelos com XGBoost e scikit-learn, com validação por janelas de tempo.
• Calibrar as probabilidades e definir a faixa de risco para a equipe de relacionamento.

Skills

Python

scikit-learn

Gradient boosting

SQL

MLflow

Airflow

Docker

Git

Tools

XGBoost

Job description

Vaga aberta de Engenheiro(a) de Machine Learning Sênior (Previsão de Churn no Jurídico). 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:

Quando um cliente de assessoria jurídica recorrente deixa de renovar, a perda aparece só no fechamento do trimestre. O modelo de previsão de churn precisa avisar com antecedência quais contas estão em risco, para que o time de relacionamento aja a tempo. As fontes são horas faturadas por mês, atrasos de pagamento, volume de demandas abertas, tempo de resposta e mudanças de contato.

A armadilha central é o vazamento: variáveis registradas depois do cancelamento, como o último boleto não emitido, deixam o modelo bonito na validação e inútil na prática. Também pesam o desbalanceamento, porque poucos clientes saem a cada mês, e a deriva, porque uma mudança de política de cobrança altera o comportamento de todo mundo de uma vez.

Você leva o modelo da exploração até a produção: tabela de variáveis com data de corte, treino reproduzível, publicação, monitoramento e retreino. O resultado se mede por lift na faixa dos 10% de maior risco, calibração das probabilidades e por quantos clientes salvos a ação de retenção realmente explica.

O que você vai fazer:

• Construir a tabela de variáveis com data de corte explícita para impedir vazamento temporal
• Treinar e comparar modelos com XGBoost e scikit-learn, com validação por janelas de tempo
• Calibrar as probabilidades e definir a faixa de risco que o time de relacionamento recebe
• Guardar cada experimento e cada versão no MLflow, com os dados de origem
• Orquestrar treino, pontuação e publicação em jobs agendados no Airflow
• Monitorar deriva de variáveis e queda de desempenho, com limites e alertas
• Definir a regra de retreino e o que fazer quando o monitoramento dispara
• Orientar a equipe sobre validação temporal e leitura honesta de resultado

Requisitos:

• Modelagem tabular em produção, com validação que respeita o tempo
• Python, scikit-learn e gradient boosting
• SQL para montar variáveis a partir de dados transacionais
• Experiência prática com MLflow ou ferramenta equivalente de rastreio
• Capacidade de explicar calibração e lift a quem decide
• Docker e noções de agendamento de pipelines
• Git e revisão de código

Diferenciais:

• Análise de sobrevivência aplicada a retenção
• Interpretabilidade com SHAP para justificar a lista de risco
• Teste A/B para medir o efeito da ação de retenção
• Conhecimento de faturamento por hora ou por contrato recorrente
• Monitoramento com painéis de qualidade de dados

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Cada versão do modelo vem com um resumo de desempenho e de limites que o time lê antes de aprovar a publicação. A rotina é de pareamento nas decisões de validação e de entregas pequenas, em produção a cada semana.

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
• Airflow
• Docker
• Git

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