Cientista de Dados Pl.

Quando você pensa em carreira, o que vem à sua mente? Propósito? Colaboração? Ser protagonista para fazer a diferença? No PagBank temos tudo isso e muito mais.

Estamos em busca de pessoas que vistam a camisa com orgulho. Gente com vontade de facilitar a vida financeira das pessoas e impulsionar negócios!

Tá a fim de uma carreira que rende mais? Confira essa oportunidade e #VemProPags!

• Desenvolvimento de modelos preditivos para prevenção de fraudes, PLD, crédito e cobrança.
• Implementação e monitoramento de modelos em produção.
• Otimização de processos e melhoria contínua dos modelos.
• Interação com times de engenharia e produtos para garantir a escalabilidade das soluções.
• Inicio de domínio, e média maturidade de mapeamento, de conhecimento de negócio e conexão  com soluções de Data Science.

• 
  Superior completo  Estatística, Matemática, Ciência da Computação, Engenharia e áreas correlatas.
  
  
  
• Conhecimento Avançado de linguagens de programação (estrutura e lógica): Python, R, SQL.
• 
  Domínio de estatística  e ciência de dados aplicada (Modelos de classificação e Preditivos).
• 
  Conhecimentos em Machine Learning aplicado a riscos.
• 
  Conhecimento  em criação de book de target no universo de riscos e criação de book de covariáveis (feature Engineer e feature Store).
• 
  Conhecimento de monitoramento de modelos de Machine Learning.
• 
   Experiência em estrutura e manipulação de dados. Conhecimentos na utilização de Spark para manipulçaoes bigdata.
• 
  Conhecimento de gerais de  estrutura Cloud (AWS, ou Azure, GCP).
• Experiência com Github.
• Construção de modelos de classificação mais avançados (ex.: Random Forest, Gradient Boosting Machines (GBM), XGBoost, LightGBM).
• Implementação de modelos de time series para previsão de inadimplência ou comportamento de crédito ao longo do tempo.
• Uso de técnicas de feature engineering e tuning de hiperparâmetros para otimização de modelos.
• Experiência em técnicas de detecção de anomalias para identificar fraudes ou comportamentos atípicos.
• Construção de modelos de análise de risco de crédito mais complexos, incluindo a construção de scorecards de crédito utilizando métodos estatísticos e machine learning.
• Conhecimento em modelos de previsão de cobrança e análise preditiva.
• Conceitos básicos de LLMs (GPT, Claude, Gemini, Llama).
• Noções de Prompt Engineering.
• Conhecimento sobre limitações de modelos (alucinações, contexto e viés).
• Conhecimento básico de Embeddings.
• Conhecimento básico de RAG.

• Modelagem de probabilidade de inadimplência utilizando técnicas de machine learning.
• Desenvolvimento de modelos para detecção de fraude em transações financeiras (ex.: análise de padrões de transações para identificar atividades suspeitas).
• Implementação de modelos para monitoramento de conformidade com regulamentos de PLD (identificação de transações suspeitas e clientes de risco).
• Apoio no desenvolvimento de modelos para estratégias de cobrança preditiva, determinando as melhores abordagens com base no risco de pagamento.