Modelo de currículo de Cientista de Dados

• Nível júnior

  Cientista de dados com mestrado em Estatística e dois projetos aplicados em previsão de churn e de demanda. Construiu em Python um modelo de gradient boosting que superou a referência em 12% em uma base de teste e apresentou os resultados a públicos não técnicos. Busca um time que una mentoria e dados reais de produção.

• Nível pleno

  Cientista de dados com cinco anos de experiência transformando dados confusos de clientes em modelos que o negócio usa. Colocou em produção um modelo de churn que orientou ofertas de retenção e um modelo de previsão que ajustou as compras de estoque. Forte em Python, SQL e desenho de experimentos, tem prática em explicar trade-offs a parceiros de produto e financeiro.

• Nível sênior

  Cientista de dados sênior com nove anos liderando análises e modelagem de produtos de assinatura e de marketplace. Conduz o roadmap de experimentação, orienta quatro cientistas e trabalha com engenharia para colocar em produção modelos que movem a receita. Reconhecido por escolher o método mais simples que funciona e por traduzir resultados em decisões em que a diretoria confia.

• Informar a acurácia do modelo sem resultado de negócio

  Correção: Um AUC de 0,91 só importa se algo mudou por causa dele. Junte a métrica ao resultado, como menos perdas por fraude, maior taxa de renovação ou menos revisão manual, e diga como o modelo foi usado no produto.

• Enterrar o trabalho em produção sob linguagem de pesquisa

  Correção: Gestores procuram modelos que saíram do notebook. Cite deploy, monitoramento, frequência de retreino e os engenheiros ou ferramentas de MLOps com quem trabalhou, mesmo que você tenha cuidado só da parte de modelagem.

• Listar toda biblioteca de um bootcamp

  Correção: Reduza a seção de habilidades aos métodos que você defenderia em uma triagem técnica. Agrupe como modelagem, experimentação, ferramentas de dados e comunicação e tire as bibliotecas que você usou uma vez em um tutorial.

• Ignorar desenho de experimentos e pensamento causal

  Correção: Muitas vagas querem alguém capaz de dizer se uma mudança funcionou. Acrescente testes A/B que você desenhou, cálculos de poder, grupos de controle ou modelos de uplift, junto com a decisão que o resultado motivou.

Compare tudo isso com a vaga para a qual você está se candidatando: o verificador de currículo grátis mostra quais palavras-chave estão faltando no seu currículo.

• Construí um modelo de churn com gradient boosting para 1,5 milhão de contas que orientou o contato de retenção e reduziu o churn trimestral de 6,1% para 5,2%.
• Desenhei e analisei 14 testes A/B no fluxo de checkout, com duas variantes vencedoras que acrescentaram cerca de 3% à conversão.
• Desenvolvi uma previsão de demanda com Prophet e dados externos de clima, reduzindo em cerca de um quinto as rupturas de estoque em 300 SKUs.
• Criei um modelo de lead scoring com regressão logística que elevou a taxa de leads aceitos por vendas de 22% para 31%.
• Trabalhei com engenheiros para colocar um modelo de precificação em produção por meio de uma API, com acompanhamento no MLflow e retreino mensal.
• Reduzi em 28% a revisão manual de sinistros com um classificador de texto treinado em anotações rotuladas e validado contra a concordância dos revisores.
• Montei um modelo de relatório de experimentos e uma calculadora de poder que reduziram de uma semana para dois dias o tempo de planejar um teste.
• Segmentei clientes com k-means e dados de pesquisa em cinco grupos, orientando um programa de e-mails de ciclo de vida que elevou em 9% as recompras.
• Auditei um modelo antigo de atribuição, encontrei um vazamento de dados e o reconstruí, corrigindo uma superestimação de 15% no desempenho de canais pagos.
• Apresentei trimestralmente os resultados dos modelos a líderes de financeiro e produto, o que garantiu verba para uma segunda contratação de ciência de dados.