Cientista de Dados Especialista

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.

• 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.

• 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 isso desafia o caminho mais rápido ou mais conveniente. 

• Impacto em escala cross-company: não apenas valida dentro de um domínio: cria capabilities analíticas que múltiplos domínios e áreas da empresa consomem, com flywheels de aprendizado que influenciam o roadmap organizacional.
• Visão de futuro que influencia estratégia: antecipa novas capabilities e influencia a estratégia de Data Science da organização com base nessa antecipação.
• Multiplicação técnica escalável: mentora múltiplas pessoas com crescimento mensurável, cria learning materials que escalam além de interações 1:1, e introduz novas metodologias que mudam como a organização opera. 

No iFood, acreditamos na força da diversidade para gerar #Inovação e atingir #Resultados incríveis, por isso, não fazemos distinção para candidatos com deficiência, gênero, orientação sexual, raça/etnia, idade, origem, constituição familiar e estética. Temos grupos compostos por foodlovers voluntários, onde falamos sobre Raça, Gênero, LGBTQI+ e PcD, queremos ser a empresa onde pessoas escolham como lugar onde vão se desenvolver e contribuir para a realização de sonhos, #AllTogether.

Conheça nossas iniciativas →

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🤝