Cientista de dados sênior

Stack & Ferramentas 

• Linguagem & libs: Python (pandas, NumPy, scikit-learn, statsmodels), XGBoost, LightGBM 
• Estatística & ML clássico: EDA, modelos estatísticos, regressão, classificação, clustering 
• Deep learning: PyTorch, TensorFlow 
• Causal & temporal: séries temporais/forecasting, inferência causal (ex.: EconML, DoWhy), bayesiano/hierárquico 
• Revenue management & otimização: elasticidade, fare buckets / seat protection, programação linear 
• Experimentação, MLOps & dados: A/B testing, JupyterHub, MLflow, Ray Tune; SHAP, SQL, Cube.js sobre Athena 

O que Buscamos 

Essenciais 

• Formação quantitativa sólida (Estatística, Economia, Matemática, Engenharia, CC ou afim) e base robusta em probabilidade, inferência e desenho experimental. • Análise exploratória de dados (EDA) e forte capacidade de storytelling e visualização.

• ML clássico (regressão, classificação, clustering) e séries temporais; familiaridade com deep learning (PyTorch ou TensorFlow). 

• Python e o ecossistema de Data Science (pandas, scikit-learn, statsmodels); SQL para dados em larga escala. 

• Inferência causal e/ou testes A/B e medição de impacto. 

• Comunicação científica clara e conforto com desenvolvimento assistido por IA (Claude Code). 

Diferenciais 

• Revenue management ou pricing em transporte, aviação ou hotelaria (domínios canônicos de RM). 

• Pesquisa operacional e otimização (programação linear; Gurobi, HiGHS ou OR-Tools). • Deep learning aplicado (PyTorch, TensorFlow) — ex.: demanda com embeddings ou modelos sequenciais. 

• ML causal (EconML, DoWhy) e modelagem bayesiana/hierárquica (PyMC, Stan). • Reinforcement Learning (em especial RL offline) e ecossistema Ray. • Pós-graduação (Mestrado/Doutorado) e experiência com LLMs/RAG.

Sobre a oportunidade

Você vai transformar dados de demanda, ocupação e comportamento de compra em modelos que precificam uma malha com milhares de pares origem-destino e rotas multi trecho — um problema de revenue management cientificamente rico, com inventário perecível de assentos, sazonalidade forte, no-show e tetos regulatórios. É um papel centrado na descoberta: formular hipóteses, validá-las com rigor estatístico e mover receita e margem na escala de milhões de viagens por ano. 

Seus Desafios 

• Investigação e EDA — conduzir análise exploratória e estatística para descobrir padrões, levantar hipóteses e guiar a modelagem. 

• Previsão de demanda — modelar demanda e no-show por par origem-destino com gradient boosting e séries temporais, corrigindo o viés de demanda censurada (unconstrained demand). 

• Elasticidade e disposição a pagar — estimar elasticidade-preço e willingness-to-pay por segmento e rota, base para a otimização de preço. 

• Revenue management em rede — modelar proteção de assentos e alocação de capacidade (fare buckets) em rotas multi-trecho, equilibrando ocupação e receita. 

• Experimentação causal — desenhar testes A/B e inferência causal que validam mudanças de preço e medem uplift real, com critérios estatísticos claros de promoção. 

• Explicabilidade e confiança — garantir interpretabilidade (ex.: SHAP) para defender cada preço perante o negócio e o regulador. 

• Cold start e calibração — desenhar estratégias para rotas com pouco histórico, partindo de priors de literatura e evoluindo para ML, por tenant. 

Você é a ponte entre ciência e produto: colabora com ML engineers no caminho até produção, com data engineers na disponibilidade dos dados, e com as áreas comercial e de operações na definição das metas.