高级数据科学家
Cientista de Dados Sênior
Leega 是一家专注于为客户提供高效且创新服务的公司。
这与我们最重要的动力：人，是分不开的！
我们的文化充满启发性，我们的价值观体现在日常工作中：伦理和透明、质量卓越、团队合作、经济、社会和环境责任、人际关系和可信度。
我们寻找富有创新精神、勇于挑战并注重结果的专业人士。
如果您正在寻找一家充满活力、值得信赖并持续投资员工发展的公司，那么 Leega 就是您的理想之选！
>> Leega 属于每个人，我们非常高兴能有您加入我们的团队。来成为我们故事的一部分，共同创造我们的未来吧。
立即在我们的职位中注册！
关于这个机会
您将把需求、占用率和购买行为的数据转化为定价模型，这些模型用于数千个起点-终点对和多段航线的定价——这是一个具有科学深度的收益管理问题，涉及易逝的座位库存、强烈的季节性、未到客和监管上限。这是一个以发现为中心的角色：提出假设，通过严格的统计验证，并在每年数百万次旅行的规模上推动收入和利润。
您的挑战
• 调查与 EDA ——进行探索性和统计分析，发现模式，提出假设并指导建模。
• 需求预测 ——使用梯度提升和时间序列模型，对起点-终点对进行需求和未到客预测，修正需求的截断偏差（unconstrained demand）。
• 价格弹性与支付意愿 ——根据客户群体和路线估算价格弹性和支付意愿，作为价格优化的基础。
• 网络收益管理 ——在多段航线中建模座位保护和容量分配（fare buckets），平衡上座率和收入。
• 因果实验 ——设计 A/B 测试和因果推断，验证价格变化并测量实际提升效果，具备明确的统计推广标准。
• 可解释性与信任 ——确保可解释性（例如 SHAP），以便向业务和监管机构解释每个定价。
• 冷启动与校准 ——为历史数据较少的航线设计策略，从文献中的先验知识出发，逐步演进为机器学习方案，按租户定制。
您是连接科学与产品的桥梁：与 ML engineers 合作推进模型上线，与 data engineers 协作确保数据可用性，并与业务部门紧密配合。
查看英文原文
A Leega é uma empresa focada no atendimento eficiente e inovador em seus clientes.
Isso não poderia ser diferente com o nosso principal combustível: as pessoas!
Nossa cultura é inspiradora e nossos valores estão presentes no dia a dia: ética e transparência, excelência de qualidade, trabalho em equipe, responsabilidade econômica, social e ambiental, relações humanas e credibilidade.
Buscamos profissionais inovadores que sejam movidos por desafios e focados em resultados.
Se você busca uma empresa dinâmica e parceira e que investe em seus colaboradores através de capacitação constante, a Leega é o lugar para você!
>> A LEEGA É PARA TODOS, ficaremos muito felizes em ter você em nosso time. Venha fazer parte da nossa história e da construção do nosso futuro.
Cadastre-se agora mesmo em nossas vagas!
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.
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, 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.
Informações adicionais
Trabalho Remoto
Tempo de Projeto:6 meses, com possibilidade de extensão/internalização.
Originally posted on Himalayas