Cientista de Dados Sr.

Contexto

A GoK atua em projetos digitais com alta complexidade técnica e forte dependência de dados para suporte a decisões de negócio, requisitos regulatórios e operações críticas. O profissional atuará na construção e evolução de pipelines de dados no ambiente do cliente, com foco em confiabilidade, organização e disponibilidade das informações, garantindo suporte às áreas regulatórias e fiscais.

• Traduzir demandas de negócio em problemas analíticos, definindo alvo, janelas de observação e desempenho, população elegível, baseline e critérios de sucesso antes do desenvolvimento.
• Desenvolver modelos de classificação e regressão para risco de crédito, propensão, churn, cobrança e precificação.
• Realizar análise exploratória e engenharia de variáveis fundamentada no contexto do negócio e na disponibilidade dos dados no momento da decisão.
• Validar modelos considerando desempenho fora do período de desenvolvimento — out-of-time —, estabilidade, calibração e resultados por segmento.
• Aplicar inferência estatística e desenho experimental quando o objetivo for avaliar relações causais.
• Avaliar resultados considerando os custos dos erros e o impacto esperado nas decisões de negócio.
• Documentar premissas, metodologia, resultados e limitações em formato auditável.
• Apresentar conclusões e recomendações para públicos técnicos e executivos.

• Formação em Estatística, Matemática, Ciência da Computação, Engenharia, Economia ou áreas quantitativas correlatas.
• Experiência prática no desenvolvimento e na validação de modelos preditivos.
• Domínio de Python para análise e modelagem, incluindo pandas, scikit-learn, statsmodels e bibliotecas de gradient boosting.
• SQL analítico avançado.
• Experiência com Spark e plataformas analíticas em nuvem.
• Domínio de inferência estatística, causalidade, desenho experimental e viés de seleção.
• Conhecimento de desbalanceamento de classes, trade-off entre viés e variância e custos assimétricos dos erros.
• Experiência com versionamento de código em Git e revisão por pares.

• Experiência com crédito: originação, comportamento e recuperação.
• Conhecimento de interpretabilidade de modelos.
• Experiência com séries temporais e modelos de sobrevivência.
• Vivência em processos de validação independente de modelos em ambientes regulados.