Cientista de Dados Sênior (Inferência Causal em Mobilidade Urbana)

Vaga aberta de Cientista de Dados Sênior (Inferência Causal em Mobilidade Urbana) . 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: Uma plataforma de mobilidade urbana faz mudanças o tempo todo: incentivo para motoristas em horário de pico, novo desenho de preço, nova regra de cancelamento. Nem sempre dá para sortear quem recebe. Quando a mudança vale para uma cidade inteira ou foi feita só para quem pediu, comparar quem recebeu com quem não recebe leva a conclusões enganosas. Você vai responder a pergunta causal: o que mudou por causa da intervenção. Os métodos dependem do caso: diferença em diferenças entre cidades, controle sintético quando há uma só unidade tratada, variáveis instrumentais, regressão com descontinuidade em cortes de elegibilidade. O desafio é defender as suposições, testar o que for testável e dizer com franqueza quando os dados não sustentam uma conclusão. Efeitos de rede, como oferta e demanda que se influenciam, complicam tudo. O sucesso se mede em decisões de preço e de incentivo que se sustentam depois de checadas. O que você vai fazer: Traduzir a pergunta de negócio em estimando causal bem definido, com população e janela de tempo Escolher o desenho (diferença em diferenças, controle sintético, regressão com descontinuidade) conforme o que a operação permite Testar suposições, como tendências paralelas e ausência de manipulação do corte, e relatar o que não passa Tratar interferência entre unidades, quando a ação em uma região afeta a vizinha Estimar efeitos heterogêneos por cidade, horário e perfil, sem pescar resultado em subgrupos Planejar experimentos aleatorizados por região ou por tempo quando a operação permitir Redigir a conclusão com intervalo, limites e a decisão recomendada Requisitos: Inferência causal aplicada: resultados potenciais, confundimento e desenhos quase experimentais Estatística sólida para erro padrão, agrupamento e comparações múltiplas Python (Pandas, statsmodels, bibliotecas de inferência causal) e SQL para montar painéis de dados Experimentação com unidades interligadas, como mercados de dois lados Análise crítica de estudo observacional, com análise de sensibilidade Escrita clara para explicar a pessoas de operação por que um número não prova o que parece provar Diferenciais: Ter trabalhado com mercados de dois lados, precificação ou incentivos Prática com modelos de efeito heterogêneo, como florestas causais Experimentos com troca de tratamento ao longo do tempo (switchback) Conhecimento de dados espaciais e de séries temporais por região Como é trabalhar aqui: Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Toda análise causal passa por revisão de método com outra pessoa de ciência de dados antes de chegar à decisão. O time registra as suposições de cada estudo e volta a elas quando o resultado se confirma ou falha na prática. 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 Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido. #J-18808-Ljbffr Sylision