Data Scientist Pl

DATA SCIENTIST PL Stone•São Carlos, São Paulo, Brazil Descrição da vaga Nossa cultura : Por aqui, vivemos nossa cultura no dia a dia, guiados por esses 5 pilares : Own It : Ter espírito de dono te faz conquistar a liberdade. Valorizamos a autonomia e a proatividade, somos responsáveis pelo o que entregamos e queremos sempre evoluir o nosso negócio. Live the Ride : Faça. Feito é melhor que perfeito. Aprendemos com os erros e encaramos desafios como oportunidades de aprendizado. No Bullshit : Agir com simplicidade. Somos pessoas práticas, sinceras e gostamos de feedbacks. Sabemos que às vezes vamos errar e contamos com essa transparência para evoluirmos. Team Play : Se quer ir rápido, vá sozinho(a). Se quer ir longe, trabalhe em equipe. É sempre possível aprender com as outras pessoas e a colaboração é a chave do sucesso. The Reason : O cliente não tem razão, ele é a razão. Nos motivamos a enxergar o impacto do nosso trabalho na vida do cliente, é vendo que melhoramos a vida dele que sabemos que fizemos uma boa entrega. O time de Prevenção a Fraudes : A área de Prevenção a Fraudes é responsável por proteger os nossos clientes e nossa empresa contra riscos associados à fraude nas mais diversas frentes, desempenhando um papel central na identificação e mitigação de potenciais ameaças. É uma área multidisciplinar, composta por times de operações, produto, análise e ciência de dados, e é formada por pessoas investigativas e com forte perfil analítico. Temos o propósito de desenvolver mecanismos que permitam reduzir a possível perda financeira gerada por fraude ou risco de negócio, buscando também a melhor relação risco-retorno entre decisões automáticas (modelos e regras) e decisões da mesa de operações. O time de prevenção a fraudes KYC atua diretamente nestes dois pilares. No processo de credenciamento, verificamos identidades, avaliamos perfis de risco e monitoramos constantemente para detectar atividades suspeitas por meio de análises extensiva de dados. Além disso, também analisamos continuamente o ciclo de vida do cliente, buscando garantir que o o cliente é ele mesmo, prezando pelo bom uso de nossos produtos. Como é Ser Uma Pessoa DATA SCIENTIST : Buscamos uma pessoa para se juntar ao time de Estratégia e Modelagem, com a missão de usar ciência de dados para construir barreiras inteligentes contra fraudadores no nosso processo de credenciamento (KYC) e ao longo de todo o ciclo de vida do cliente. Seu trabalho será essencial para garantir um crescimento seguro, combinando análises profundas e modelagem preditiva para tomar decisões de risco-retorno mais eficientes, sempre buscando a melhor experiência para os bons clientes. Algumas das atividades do dia a dia incluem : Analisar e explorar grandes volumes de dados (internos e externos) para descobrir padrões de fraude, identificar vulnerabilidades e gerar insights para novas estratégias de prevenção; Desenvolver, implementar e otimizar modelos estatísticos e algoritmos de aprendizado de máquina para prever, detectar e mitigar atividades fraudulentas; Formular e validar hipóteses sobre possíveis vetores de ataque, participando da criação e análise de experimentos (como testes A / B) para medir o impacto de novas regras e modelos; Identificar e avaliar continuamente os potenciais pontos de melhoria nos processos de KYC e riscos associados a diferentes tipos de atividades de clientes, desenvolvendo estratégias para mitigá-los; - Formulação de hipóteses sobre possíveis cenários de fraude, condução de experimentos controlados para validar e iterar sobre as estratégias de prevenção; Colaborar ativamente com analistas de risco, engenheiros de dados, desenvolvedores e gerentes de produto para construir e integrar soluções de ponta a ponta; Acompanhamento contínuo das tendências e padrões de fraude emergentes, adaptando as estratégias conforme necessário. O que esperamos de você : Experiência prévia em análise / ciência de dados; Experiência em times de estratégia / inteligência de prevenção a fraudes ou áreas correlatas; Conhecimento consolidado em fundamentos de estatística, inferência e modelagem matemática; Habilidade de transformar análises complexas em narrativas claras e acionáveis (data storytelling) para apresentar resultados e auxiliar na tomada de decisão; Capaz de desenvolver modelos típicos de machine learning utilizando técnicas de treinamento supervisionado e não supervisionado, com conhecimento de suas etapas (engenharia e seleção de features, análise univariada / bivariada / multivariada, redução de dimensionalidade, feature scaling, balanceamento de dados, tunning de hiperparâmetros, etc.); Capaz de utilizar técnicas de avaliação e comparação de modelos; < #J-18808-Ljbffr