Cientista de Dados Pl.

Quando você pensa em carreira, o que vem à sua mente? Propósito? Colaboração? Ser protagonista para fazer a diferença? No PagBank temos tudo isso e muito mais.

💛Estamos em busca de pessoas que vistam a camisa com orgulho. Gente com vontade de facilitar a vida financeira das pessoas e impulsionar negócios!

Tá a fim de uma carreira que rende mais? Confira essa oportunidade e #VemProPags!

Responsabilidades e atribuições

Desenvolvimento de modelos preditivos para prevenção de fraudes, PLD, crédito e cobrança.

Implementação e monitoramento de modelos em produção.

Otimização de processos e melhoria contínua dos modelos.

Interação com times de engenharia e produtos para garantir a escalabilidade das soluções.

Inicio de domínio, e média maturidade de mapeamento, de conhecimento de negócio e conexão com soluções de Data Science.

Requisitos e qualificações

Superior completo Estatística, Matemática, Ciência da Computação, Engenharia e áreas correlatas.

Conhecimento Avançado de linguagens de programação (estrutura e lógica): Python, R, SQL.

Domínio de estatística e ciência de dados aplicada (Modelos de classificação e Preditivos).

Conhecimentos em Machine Learning aplicado a riscos.

Conhecimento em criação de book de target no universo de riscos e criação de book de covariáveis (feature Engineer e feature Store).

Conhecimento de monitoramento de modelos de Machine Learning.

Experiência em estrutura e manipulação de dados. Conhecimentos na utilização de Spark para manipulçaoes bigdata.

Conhecimento de gerais de estrutura Cloud (AWS, ou Azure, GCP).

Experiência com Github.

Construção de modelos de classificação mais avançados (ex.: Random Forest, Gradient Boosting Machines (GBM), XGBoost, LightGBM).

Implementação de modelos de time series para previsão de inadimplência ou comportamento de crédito ao longo do tempo.

Uso de técnicas de feature engineering e tuning de hiperparâmetros para otimização de modelos.

Experiência em técnicas de detecção de anomalias para identificar fraudes ou comportamentos atípicos.

Construção de modelos de análise de risco de crédito mais complexos, incluindo a construção de scorecards de crédito utilizando métodos estatísticos e machine learning.

Conhecimento em modelos de previsão de cobrança e análise preditiva.

Conceitos básicos de LLMs (GPT, Claude, Gemini, Llama).

Noções de Prompt Engineering.

Conhecimento sobre limitações de modelos (alucinações, contexto e viés).

Conhecimento básico de Embeddings.

Conhecimento básico de RAG.

Informações adicionais

Modelagem de probabilidade de inadimplência utilizando técnicas de machine learning.

Desenvolvimento de modelos para detecção de fraude em transações financeiras (ex.: análise de padrões de transações para identificar atividades suspeitas).

Implementação de modelos para monitoramento de conformidade com regulamentos de PLD (identificação de transações suspeitas e clientes de risco).

Apoio no desenvolvimento de modelos para estratégias de cobrança preditiva, determinando as melhores abordagens com base no risco de pagamento.