Modelo de trabalho: Híbrido no Rio de Janeiro, com atuação presencial 1 vez por semana
Contratação: CLT — informar pretensão salarial
Missão da posição
Transformar dados transacionais e sinais operacionais da inspeção em soluções analíticas que apoiem decisões estratégicas e a melhoria dos processos.
Atuar no desenvolvimento e na evolução de modelos analíticos, contribuindo para a qualidade dos dados e para a implantação e o monitoramento das soluções em produção.
Principais responsabilidades
- Analisar grandes volumes de dados transacionais e sinais operacionais da inspeção, identificando padrões, tendências e oportunidades de melhoria.
- Desenvolver, testar e validar modelos analíticos descritivos, diagnósticos, preditivos e prescritivos.
- Assegurar a robustez, a escalabilidade e a conformidade dos modelos para apoiar decisões de negócio.
- Apoiar a definição e a implementação de pipelines e arquiteturas de dados, garantindo qualidade, integridade e segurança das informações.
- Implantar e monitorar modelos analíticos por meio de métricas, promovendo melhorias contínuas e alinhamento com os objetivos de negócio.
- Definir e acompanhar indicadores de qualidade dos dados e de saúde da operação.
- Traduzir necessidades de negócio em soluções analíticas.
- Comunicar resultados e insights de forma clara para públicos técnicos e não técnicos, apoiando a tomada de decisão estratégica.
Requisitos e conhecimentos
- Experiência com Python e bibliotecas de análise e modelagem, como pandas, NumPy e scikit-learn.
- Sólido domínio de estatística aplicada e técnicas de modelagem preditiva.
- Proficiência em SQL e modelagem de dados.
- Conhecimentos de engenharia de dados, incluindo construção de pipelines e transformação de dados.
- Experiência com versionamento de código utilizando Git.
- Capacidade de traduzir requisitos de negócio em soluções analíticas.
- Disponibilidade para atuação híbrida no Rio de Janeiro, com presença 1 vez por semana.
Diferenciais
- Experiência com ferramentas de orquestração de pipelines, como Dagster ou Airflow.
- Conhecimento em versionamento de dados com DVC.
- Conhecimento de contratos de dados e validação de schemas com Pydantic.
- Familiaridade com serviços de dados em nuvem, especialmente AWS.
- Experiência com observabilidade e monitoramento de dados em produção.
- Vivência em ambientes de machine learning e inteligência artificial em produção, mesmo sem atuação direta.
Perfil esperado
- Capacidade analítica e senso crítico para interpretar dados e avaliar resultados.
- Organização e atenção à qualidade e à confiabilidade das informações.
- Boa comunicação para apresentar análises a diferentes públicos.
- Colaboração com áreas técnicas e de negócio.
- Proatividade para identificar oportunidades de melhoria.
- Foco em transformar análises em resultados aplicáveis ao negócio.