Cientista de Dados Sênior; Inferência Causal em Meios de Pagamento

Position: Cientista de Dados Sênior (Inferência Causal em Meios de Pagamento)
Vaga aberta de Cientista de Dados Sênior (Inferência Causal em Meios de Pagamento). 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:

Um emissor de cartões oferece parcelamento sem juros a certos clientes e quer saber se isso aumenta mesmo o volume transacionado ou se apenas contempla quem já gastaria muito. A correlação entre receber a oferta e gastar mais engana, porque a oferta foi dada a quem já tinha perfil favorável. Você vai responder à pergunta causal com método adequado.

Quando não houve sorteio, o trabalho é construir o contrafactual: pareamento por escore de propensão, diferença em diferenças, controle sintético ou variáveis instrumentais, conforme o desenho do que aconteceu. Cada método traz suposições, e parte do ofício é testá-las, mostrar a sensibilidade a confundidores não observados e dizer em que ponto a conclusão deixa de ser confiável.

O êxito está em decisões tomadas com base em efeitos estimados com intervalo de incerteza, em experimentos futuros desenhados com poder suficiente e em diferenças de resultado que resistem a revisão metodológica.

O que você vai fazer:

• Formular a pergunta causal e a população de interesse com as áreas de produto e risco
• Escolher o método de identificação mais adequado ao desenho dos dados
• Estimar o efeito da oferta sobre volume e inadimplência, com intervalos e análise de sensibilidade
• Desenhar testes controlados com cálculo de amostra e critérios de parada
• Checar balanceamento, sobreposição de propensão e outras suposições do método
• Apresentar resultados a decisores com a incerteza explícita
• Revisar o método de análises de outras pessoas e definir padrões do time
• Documentar o raciocínio para que a análise possa ser reproduzida

Requisitos:

• Inferência causal aplicada, incluindo pareamento, diferença em diferenças e variáveis instrumentais
• Estatística sólida para intervalos, testes e poder amostral
• Python e SQL para preparar bases transacionais grandes
• Pensamento crítico sobre confundidores e viés de seleção
• Clareza para mostrar a quem decide o quanto o resultado pode variar
• Responsabilidade para definir padrão metodológico e orientar outras pessoas

Diferenciais:

• Uso de DoWhy, EconML ou pacote semelhante
• Prática com modelos de uplift
• Conhecimento de cartões, parcelamento e risco de crédito
• Experiência com experimentos em ambiente regulado

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Toda análise causal passa por revisão metodológica antes de chegar a quem decide. O time preza por código e dados versionados, para que qualquer resultado possa ser refeito.

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 Total Pass 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
• SQL
• Estatística
• Inferência causal
• Do Why
• Jupyter

Seus dados:

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