Cientista de Dados Pleno; Modelos de Atribuição na Logística)

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

Uma plataforma de contratação de frete recebe pedido de cotação por vários caminhos: busca paga, e-mail de reativação, indicação de transportadora, aplicativo do motorista e acesso direto. Quando o embarcador fecha o contrato, a pergunta de negócio é quanto cada caminho realmente contribuiu. A regra atual dá todo o crédito ao último clique e empurra o orçamento de aquisição para canais que apenas colhem quem já ia comprar.

Você vai construir os modelos de atribuição que substituem essa regra: comparar multitoque por posição, cadeia de Markov e valor de Shapley sobre a sequência de contatos de cada embarcador, e depois testar contra a verdade que importa, o efeito incremental. A janela é longa, porque o ciclo de fechamento de frete leva semanas, e o mesmo cliente aparece em dispositivos e contas diferentes, o que quebra a trilha se a identidade não for resolvida com cuidado.

O resultado precisa ser decisão, não gráfico. Um modelo só vale se o time de aquisição mudar a distribuição de verba e o experimento de desligamento geográfico confirmar a direção. O que se mede é a diferença entre o crédito atribuído e o efeito medido, o custo por contrato fechado por canal e a estabilidade do ranking de canais de um mês para o outro.

• Montar a base de trilhas de contato por embarcador, resolvendo identidade entre contas e dispositivos
• Implementar atribuição por posição, por cadeia de Markov e por valor de Shapley e comparar os resultados
• Desenhar testes de incrementalidade por região e por grupo de controle para validar cada canal
• Tratar janela longa de conversão e contatos censurados de quem ainda não fechou
• Quantificar a incerteza do crédito de cada canal com reamostragem e intervalo
• Traduzir o resultado em recomendação de verba para o time de aquisição
• Documentar premissas e limites para que o modelo seja reproduzido por outra pessoa

• Python com Pandas e scikit-learn para análise e modelagem de ponta a ponta
• SQL avançado, com janelas, junções grandes e cuidado com duplicidade de eventos
• Estatística aplicada: intervalo, teste de hipótese e viés de seleção
• Noção clara da diferença entre correlação, atribuição e efeito causal
• Capacidade de explicar um modelo a quem decide verba, sem esconder a incerteza
• Hábito de versionar código e análise em Git

• Ter trabalhado com cadeias de Markov ou teoria dos jogos aplicada a marketing
• Experiência com diferença em diferenças ou controle sintético
• Conhecimento de modelagem de mix de mídia
• Familiaridade com dados de frete, cotação e contratação de transporte

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. No dia a dia, cada análise é revisada por outra pessoa do time antes de virar recomendação, e o notebook final vai para o repositório com a explicação das premissas. Os resultados são acompanhados em uma reunião quinzenal com a área de aquisição, que confere o que mudou na verba.

• 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 Total Pass e Mediquo
• Cuidado com a saúde mental pelo programa Team Care
• Contratação e jornada definidas com a empresa contratante

• Python
• Pandas
• scikit-learn
• SQL
• Estatística
• Inferência causal
• Teste de incrementalidade
• Jupyter
• Git

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