Ciência de dadosCom experiência
Ciência de dados × Com experiência
Com 5 anos de experiência prática em ciência de dados, liderei a construção de mecanismos de recomendação e o desenvolvimento de modelos de previsão de demanda nos setores de e-commerce e varejo. Minha força está em traduzir problemas de negócios em modelos matemáticos e na engenharia para implementar MLOps em ambientes de produção. Também tenho experiência na criação de documentação técnica em inglês e na colaboração com equipes internacionais, contribuindo para a maximização do ROI de forma orientada por dados em toda a organização.
📌 Resumo de carreira
- ▸2018.04 - 2021.03: Analista e Cientista de Dados em uma grande plataforma de e-commerce, responsável por previsão de demanda, análise de ROI de marketing e design de testes A/B.
- ▸2021.04 - Presente: Cientista de Dados Sênior em uma startup de tecnologia de IA com capital estrangeiro, liderando a transformação da base de recomendação para MLOps, desenvolvimento de modelos de aprendizado profundo e mentoria de cientistas de dados juniores.
📌 Conquistas e pontos fortes
- ▸Desenvolvi e implementei do zero modelos de previsão de demanda (LightGBM/Prophet), reduzindo as perdas por estoque em 15% em relação ao ano anterior e gerando uma economia anual de aproximadamente 120 milhões de ienes.
- ▸Reduzi a latência de inferência da API de recomendação personalizada de 50ms para 12ms, aumentando a taxa de cliques (CTR) em 2,4%, resultando em uma contribuição mensal de vendas de 30 milhões de ienes.
- ▸Internalizei o pipeline de MLOps (Kubeflow/MLflow), reduzindo drasticamente o tempo de validação até a implantação em produção de 3 semanas para 2 dias.
📌 Competências
- ▸Linguagens e Bancos de Dados: Python (Pandas, NumPy, Scikit-learn), SQL (BigQuery, Redshift), R, Bash
- ▸Aprendizado de Máquina e Aprendizado Profundo: PyTorch, XGBoost, LightGBM, Processamento de Linguagem Natural (Hugging Face Transformers)
- ▸Infraestrutura e MLOps: AWS (SageMaker, S3), Docker, Kubernetes, MLflow, Airflow, dbt
- ▸Negócios e Outros: Design de Testes A/B, Inferência Causal, Inglês em nível profissional (TOEIC 890 / experiência com Daily Scrum em equipes internacionais)
📌 Autopresentação
- ▸Sempre priorizo não apenas a melhoria da precisão dos modelos, mas também a implementação prática que gera valor para o negócio. Na minha posição anterior, enfrentei a rejeição de um modelo de aprendizado profundo de alta precisão, mas com custo computacional elevado, pelos líderes de unidade de negócios, o que me fez perceber a importância da perspectiva de negócios. Desde então, colaborei com engenheiros para construir uma infraestrutura de MLOps, estabelecendo um processo de implantação automática de modelos ensemble leves e precisos. Isso não só melhorou a eficiência, mas também elevou a maturidade em dados das unidades de negócios, conquistando a confiança na equipe de ciência de dados. Busco agora desafios em plataformas de dados globais, com problemas mais amplos e diversos, e por isso estou interessado em sua empresa.
💡 Dicas importantes
- 💡Ao listar conquistas, foque não apenas na precisão do modelo (como AUC), mas também no impacto para o negócio (vendas, redução de custos), o que aumenta significativamente sua avaliação por empresas de diversos setores.
- 💡Habilidades em MLOps e engenharia de dados são diferenciais fortes no recrutamento atual de cientistas de dados; portanto, inclua também sua experiência com infraestrutura.
- 💡Se você está considerando empresas estrangeiras, é eficaz anexar ao currículo links para seu portfólio no GitHub, medalhas do Kaggle ou blogs técnicos em inglês.
- 💡Na sua autoavaliação, inclua exemplos de comunicação com áreas de negócios e de envolvimento de stakeholders para demonstrar uma visão estratégica de nível sênior.
🔗 🔗 Outros níveis
Última revisão: 2026-09-06 · Redação aijobs