Cientista de Dados Especialista

Nosso modo de fazer no time

Nós, FoodLovers, temos fome de inovação e resultado. Buscamos sempre fazer o nosso melhor, pensando "fora da caixa" e atuando com agilidade e responsabilidade! Temos fome de diversidade, conhecimento e compartilhamento. Trabalhamos em um ambiente de muita versatilidade. Sabe o que promove a nossa receita especial? As pessoas! Vem fazer parte disso.

Seu Cardápio Diário

Definir a abordagem analítica para os problemas mais complexos do negócio: estruturar formulações que vão além do óbvio, escolhendo com profundidade entre modelagem preditiva, causalidade, experimentação ou sistemas de IA e estabelecendo as métricas de sucesso que realmente capturam o fenômeno de interesse.

Construir e validar modelos com robustez estatística de nível de produção: não apenas modelos que funcionam no experimento, mas soluções que generalizam, são auditáveis e sustentam decisões de alto valor sem colapsar sob pressão de dados reais.

Liderar o design e a análise de experimentos de alta complexidade: conduzir A/B tests e quasi-experimentos em contextos com efeitos de rede, sazonalidade e interferência — com controle rigoroso de vieses, poder estatístico adequado e interpretação de efeitos heterogêneos.

Ser a referência de rigor analítico da organização: revisar hipóteses, premissas e conclusões de times de produto, negócio e engenharia antes que se tornem insumo para apostas estratégicas, protegendo com decisões bem embasadas.

Dar forma ao que a organização investiga: com value narrative clara junto à liderança, definir quais problemas valem a pena resolver e quais validações a organização precisa antes de apostar, conectando cada experimento a impacto de negócio mensurável.

Criar produtos analíticos que servem cada consumidor de forma intencional: desde stakeholders de negócio até agentes de IA, projetando sistemas analíticos que assumem consumo agent-first e entregam validações de forma programática.

Estabelecer padrões metodológicos que escalam com o time: documentar abordagens, criar frameworks de validação, liderar RFCs/ADRs de experimentação em escala organizacional e elevar o nível analítico coletivo — para que o rigor não dependa de uma pessoa, mas esteja institucionalizado.

Ingredientes que buscamos

Modelagem estatística e preditiva em profundidade: domínio avançado de técnicas supervisionadas e não-supervisionadas, com julgamento metodológico sólido. Possuir capacidade de questionar a formulação do problema antes de modelar, e de saber quando a solução mais simples é a mais correta.

Inferência causal e experimentação em ambientes complexos: experiência real com métodos quasi-experimentais (diff-in-diff, propensity score, variáveis instrumentais, synthetic control) em sistemas com interferência e efeitos de spillover não apenas teoria, mas aplicação com consequência.

Construção de métricas que resistem ao escrutínio: histórico de definir OECs e KPIs que capturam o fenômeno real, identificar proxies enganosas em uso e convencer stakeholders a abrir mão de métricas fáceis em favor de métricas corretas.

AI-powered workflows como referência organizacional: não apenas usar GenAI como ferramenta pessoal — mas ter construído workflows de AI que o time e a organização adotam, transformando a prática de Data Science com automação que amplifica rigor sem substituí-lo.

Convergência com engenharia em escala: capacidade de criar bridges entre Data Science e Engineering, estabelecendo patterns que viram convenção organizacional para code quality, reprodutibilidade e production-readiness em trabalhos analíticos.

Consciência de custos e eficiência analítica: referência em eliminar waste em experimentação em nível organizacional, com desenhos experimentais eficientes, amostragem inteligente e eliminação de re-trabalho analítico.

Influência técnica sem autoridade formal: capacidade de alinhar times de engenharia, produto e negócio em torno de abordagens analíticas rigorosas, mesmo quando