[1318] Analista de dados PL (Híbrido - Manaus)

Modelo: Remoto

Como será o dia a dia?

Você vai transformar dados hoje dispersos em planilhas em uma base estruturada e confiável, e também extrair desses dados o entendimento necessário para que o time de Machine Learning trabalhe sobre bases sólidas. O papel cobre desde a modelagem e os pipelines até a análise exploratória, a engenharia de features e a validação estatística dos datasets entregues. Você trabalhará lado a lado com o(a) engenheiro(a) de ML que consome esses dados.

Responsabilidades

• Mapear e analisar planilhas de origem (Excel, Google Sheets, CSV), identificando inconsistências, campos ambíguos, dados faltantes e variações de formato.
• Modelar a estrutura de dados de destino: schemas, tipos, chaves, granularidade e relacionamentos.
• Desenvolver pipelines reprodutíveis de extração, limpeza, normalização e transformação, substituindo processos manuais.
• Definir e manter contratos de dados entre a camada de dados e a camada de ML.
• Garantir versionamento e linhagem dos datasets, de modo que qualquer versão usada em treino possa ser reproduzida.
• Conduzir análise exploratória para entender distribuições, correlações, sazonalidades, vieses e limitações dos dados.
• Propor e construir features relevantes para o problema de negócio, em conjunto com o time de ML.
• Avaliar a adequação dos dados ao problema: volume, balanceamento de classes, cobertura, risco de data leakage e estratégias de split (inclusive temporais).
• Desenvolver modelos baseline e experimentos rápidos para validar hipóteses e orientar a priorização de dados.
• Implementar validações estatísticas e de qualidade (domínios, outliers, drift entre versões de dataset).
• Comunicar achados de forma clara para públicos técnicos e de negócio, com visualizações e premissas explícitas.

Requisitos

• Python avançado para dados (pandas e/ou polars, NumPy) e SQL avançado.
• Boa base em modelagem de dados e em formatos colunares (Parquet).
• Fundamentos sólidos de estatística: testes de hipótese, distribuições, amostragem, métricas de avaliação de modelos.
• Experiência com scikit-learn ou similar para modelos clássicos e baselines.
• Experiência prática com dados "sujos" de planilhas: cabeçalhos múltiplos, células mescladas, tipos mistos, encoding, datas em formatos variados.
• Experiência com validação de dados (Pandera, Great Expectations, Pydantic).
• Git, testes e código modular. Notebooks para exploração, código de produção fora deles.
• Capacidade de levantar requisitos e traduzir perguntas de negócio em estrutura de dados e análise.

Diferenciais

• Orquestração (Airflow, Prefect ou Dagster) e/ou dbt.
• Versionamento de dados (DVC, lakeFS, Delta Lake) e rastreamento de experimentos (MLflow, Weights & Biases).
• Feature stores e preparação de datasets para treino em escala.
• Experiência com PyTorch ou frameworks de deep learning.
• Integração com APIs de planilhas (Google Sheets API, openpyxl).
• Cloud (GCP, AWS ou Azure).