.Descrição do Cargo Responsabilidades:Gestão de Projetos: Supervisionar equipes de cientistas de dados, engenheiros e analistas. Definir padrões técnicos para garantir qualidade e consistência.Arquitetura de Soluções: Colaborar com arquitetos de dados para soluções robustas e escaláveis. Mentoria e Desenvolvimento:Orientar, treinar e apoiar o desenvolvimento contínuo da equipe.Colaboração Interdepartamental: Trabalhar com equipes de negócios para atender às necessidades do negócio.Alinhar objetivos e garantir abordagem integrada para soluções de ciência de dados.Inovação Tecnológica: Manter-se atualizado em tendências de Data Science. Propor e implementar novas tecnologias para melhorar práticas.Qualidade e Governança de Dados: Garantir qualidade, conformidade e governança eficaz dos dados.Resolução de Problemas Técnicos: Lidar com desafios técnicos complexos e fornecer soluções eficazes.Comunicação: Comunicar resultados técnicos complexos para audiências técnicas e não técnicas.Orientação e Capacitação: Orientar em melhores práticas de desenvolvimento e ciência de dados. Contribuir para o aperfeiçoamento das técnicas e tecnologias.Cultura e Aprendizado: Fomentar uma cultura de inovação, colaboração e aprendizado contínuo. Incentivar experimentação e compartilhamento de conhecimento.Avaliação Contínua: Avaliar constantemente o desempenho e eficácia das práticas técnicas. Ajustar para garantir a excelência técnica e o sucesso dos projetos.Metodologias e Ferramentas: Aplicação de metodologias ágeis e técnicas de gerenciamento. Utilização de ferramentas como OKR, KPI e Jira.Exibição/Visualização de Dados: Contribuir para melhores práticas de exibição/visualização de dados.Ferramentas e Tecnologias:Linguagens de Programação:Python: Amplamente utilizado no desenvolvimento de modelos, manipulação e tratamento de dados e análises. O ambiente virtual e o gerenciador de pacotes, como Conda, são frequentemente utilizados para garantir a consistência e replicabilidade do ambiente de desenvolvimento.R: Principalmente usado para análises estatísticas avançadas e desenvolvimento de web apps utilizando pacote Shiny.SQL: Utilizado para consultas e scripts em bancos de dados, principalmente PostgreSQL.Principais Bibliotecas:Manipulação de arquivos: JSON, CSV, Feather, Pickle.Pandas: Para manipulação eficiente de dados.NumPy: Cálculos numéricosScikit-learn: Construção e avaliação de modelos de Machine Learning.XGBoost, CatBoost: Bibliotecas de gradient boosting para modelagem preditiva.Visualização: Matplotlib, Plotly e Seaborn para visualização de dados.Shiny: framework em R para criar aplicativos web interativos diretamente a partir do ambiente de programação R (Shiny Server).Conhecimentos de Machine Learning:Conhecimento sólido em estatísticaPré-processamento de dados.Modelos de Classificação, Regressão e Agrupamento.Avaliação de algoritmos e métricas de desempenho.Tratamento de dados desbalanceados (links Tomel, SMOTE)
