Cientista de Dados Sênior (Inferência Causal em Recursos Humanos)

Vaga aberta de Cientista de Dados Sênior (Inferência Causal em Recursos Humanos) . 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: A área de gente quer saber se o programa de mentoria reduz a saída de pessoas nos primeiros meses, e a resposta que chega hoje é uma comparação simples entre quem participou e quem não participou. O problema é que quem entra na mentoria já era mais engajado, então a diferença observada mistura efeito do programa com perfil de quem escolheu participar. Você vai estimar o efeito de verdade, com método que aguenta a pergunta de uma pessoa cética. O dado é de pessoal: admissão, área, gestor, avaliação, participação em programas, desligamento, com datas que nem sempre fecham. Isso exige tratar censura (quem ainda está na empresa), variáveis de confusão e amostra pequena em alguns times. Entre as ferramentas estão pareamento por escore de propensão, diferença em diferenças, controle sintético e, quando possível, desenho de experimento com sorteio de turmas. O que precisa estar garantido: premissas escritas, análise de sensibilidade e um intervalo de incerteza honesto. O sucesso se mede quando uma decisão de investir ou cortar um programa passa a usar o seu número, e quando o número aguenta ser questionado. O que você vai fazer: Formular com a área de gente a pergunta causal e o que mudaria de decisão conforme a resposta Montar a base de análise a partir de eventos de pessoal, tratando censura e datas inconsistentes Escolher e justificar o método: pareamento, diferença em diferenças, controle sintético ou experimento Testar premissas e fazer análise de sensibilidade a variáveis não observadas Desenhar experimentos com sorteio quando a política permitir, com cálculo de tamanho de amostra Escrever o resultado com intervalo de confiança e limites, para leitura de não especialistas Definir o padrão de revisão de análises causais do time Orientar pessoas menos experientes em desenho de estudo e em leitura crítica Requisitos: Inferência causal aplicada: viés de seleção, confusão, pareamento e diferença em diferenças Estatística sólida: intervalos, poder, testes de hipótese e análise de sobrevivência Python com Pandas e scikit-learn, e SQL para montar bases analíticas Cuidado com dado pessoal sensível e conhecimento prático da LGPD Capacidade de dizer, sem rodeio, quando o dado não permite concluir Escrita clara de resultado para quem toma decisão Diferenciais: Ter usado bibliotecas de inferência causal como DoWhy ou EconML Conhecimento de análise de sobrevivência com Kaplan-Meier e modelo de Cox Experiência prévia com dados de pessoas ou de comportamento organizacional Gosto por reproduzir a análise de outra pessoa e apontar o que não fecha Como é trabalhar aqui: Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. As análises são feitas em notebooks versionados e revisadas por outra pessoa antes de chegarem à área de gente. O ritmo é de uma frente por vez, com a premissa de cada estudo discutida antes de rodar o primeiro modelo. Na candidatura, informe a sua pretensão salarial. 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 TotalPass 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 Jupyter Git Inferência causal Experimentação Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido. #J-18808-Ljbffr Sylision