Zé delivery | cientista de dados sr (são paulo - sp)

Buscamos um Cientista de Dados Sênior para atuar na squad de Revenue com otimização de cupons, descontos e campanhas para maximizar a conversão de compras. Também analisa a percepção de preço e o comportamento dos clientes para identificar oportunidades de melhoria. O desdafio é equilibrar atratividade comercial, experiência do cliente e geração de receita.

Responsabilidades principais:

• Desenvolver e evoluir modelos de predição para o Zé Delivery.
• Criar e manter pipelines de dados e features em PySpark para suportar modelos em escala.
• Desenvolver estratégias de recomendação de produtos e ofertas ao longo da jornada do consumidor.
• Definir, executar e analisar testes A/B para avaliação de impacto de modelos e campanhas.

Domínio Técnico (Hard Skills):

• Forte experiência com Python e PySpark, incluindo processamento distribuído e manipulação de grandes volumes de dados em ambiente cloud (AWS ou Azure).
• Experiência no desenvolvimento de modelos de machine learning para recomendação, predição e classificação.
• Conhecimento em técnicas de recomendação, como fatoração de matrizes (ex: ALS), modelos baseados em vizinhança e embeddings.
• Experiência com análise de cesta de compras (market basket analysis) e regras de associação (ex: Apriori, FP-Growth).
• Experiência com técnicas de clusterização e segmentação de consumidores com base em comportamento e ciclo de vida.
• Conhecimento em inferência causal, testes A/B e mensuração de impacto incremental.
• Experiência com avaliação offline e online de modelos de recomendação (ex: NDCG, MAP, uplift, métricas de negócio).
• Sólidos fundamentos em estatística, machine learning e validação de modelos.
• Capacidade de traduzir modelos analíticos em decisões de negócio e impacto em métricas-chave.

Diferenciais (Nice to Have):

• Experiência com arquiteturas modernas de recomendação (ex: two-tower models, retrieval + ranking).
• Experiência com embeddings de usuários e itens (ex: Word2Vec, item2vec, deep learning aplicado a recsys).
• Vivência com sistemas de recomendação em tempo real e baixa latência.
• Experiência com feature stores e serving de features online/offline.
• Conhecimento em técnicas de exploração vs. explotação (ex: multi-armed bandits, reinforcement learning aplicado a recomendação).
• Pós-graduação na área de Ciência de Dados ou correlatas (incluindo mestrado ou doutorado).
• Boa comunicação e habilidade de gerar insights acionáveis para o negócio.