Tech manager em dados (foco em anti-fraude)

Domínio de Negócio:

• Entendimento do ecossistema brasileiro e LATAM: Pix, cartão, boleto, carteiras digitais, recorrência e assinatura, adquirentes, fallback entre adquirentes e bandeiras.
• Capacidade de traduzir impactos de modelos e regras em resultados claros para performance dos produtos da empresa.

Diferenciais

• Pós-graduação (lato ou stricto sensu) em área quantitativa (Estatística, Ciência da Computação, Engenharia, Matemática, Economia, Física).
• Contribuição em comunidade técnica, publicações ou código open source.
• Uso de IA generativa em processos produtivos de anti-fraude.
• Espanhol para trabalho.

• Gerir diretamente um time de 5 pessoas composto por cientistas e engenheiro de dados, com responsabilidade por 1:1s, plano de carreira, avaliação de desempenho e contratações.
• Ser a autoridade técnica da estratégia de prevenção: motor de regras, scores de risco, thresholds e políticas de decisão por produto, canal e geografia.
• Conduzir o trade-off central da área: perda por fraude vs. taxa de aprovação vs. custo operacional , com decisões defensáveis em impacto financeiro, não só em métricas de modelo.
• Evoluir o portfólio de modelos: score de risco transacional em tempo real, detecção de anomalias e perfilamento comportamental para identificar cenários de fraude.
• Governar o catálogo de regras e a arquitetura multi-tenant: livros de regras por domínio e hierarquia de cliente, versionamento, auditabilidade e curadoria contra proliferação e sobreposição.
• Sustentar e escalar a esteira de onboarding de novos clientes e produtos na plataforma, reduzindo o tempo e o esforço de cada integração.
• Manutenção dos pipelines de dados para acompanhamento de métricas de performance das regras, modelos e impacto financeiro.
• Atuar com Produto, Engenharia e Risco na arquitetura de decisão e nos temas de chargeback.
• Utilizar IA para automatizar a operação em triagem, priorização de alertas, investigação assistida de casos e elevar a detecção.
• Consolidar o ciclo de vida de modelos : pipelines de treino e publicação, model registry, versionamento, promoção com critério de qualidade, monitoramento de skew e drift em produção.
• Acompanhamento da qualidade dos dados para detectar de forma proativa riscos na operação por ausência ou mudança na estrutura dos dados.