• Support the development of analytical capability to quantify the marginal cost of every session incurred on Electrify America’s network • Support framework development to account for related wholesale energy market parameters • Support the implementation of predictive analytics for marginal utility cost • Quantity financial savings on an ongoing basis for Electrify America, Electrify Canada, and Commercial Customers

• Definir e estruturar métricas de negócio, KPIs e planos de mensuração; • Explorar e analisar dados para geração de insights acionáveis; • Desenvolver e aplicar modelos de Machine Learning (previsão, segmentação, propensão, etc.); • Apoiar o planejamento estratégico com análises avançadas e estudos de eficiência; • Trabalhar com experimentação (A/B tests, incrementality, causal inference); • Atuar na evolução da maturidade analítica e cultura data-driven dos clientes.

Role Description Estamos à procura de um(a) Senior Data Scientist para integrar uma equipa tecnológica focada na criação de soluções avançadas de analytics e modelos preditivos orientados ao negócio. Esta função terá um papel central na transformação de dados em insights estratégicos, contribuindo diretamente para decisões informadas e iniciativas data-driven. Como Senior Data Scientist, serás responsável pelo desenvolvimento, implementação e otimização de modelos analíticos e preditivos, colaborando com equipas multidisciplinares para criar soluções de elevado impacto. Irás trabalhar em estreita colaboração com equipas de engenharia de dados, analytics e stakeholders de negócio, garantindo que os dados são explorados de forma estratégica e eficiente. Terás também um papel ativo na evolução de boas práticas de Data Science, automação e qualidade de dados. Responsibilities - Desenvolver, testar e implementar modelos preditivos e analíticos; - Analisar grandes volumes de dados para gerar insights de negócio; - Colaborar com equipas multidisciplinares na definição de soluções data-driven; - Trabalhar com equipas de Data Engineering na construção e manutenção de pipelines de dados; - Implementar práticas de CI/CD aplicadas a workflows de Data Science; - Comunicar resultados e insights a stakeholders técnicos e não técnicos; - Garantir qualidade, integridade e consistência dos dados; - Apoiar iniciativas de melhoria contínua e inovação analítica. Qualifications - Formação superior em Engenharia Informática, Matemática, Estatística ou área similar; - Mínimo de 5 anos de experiência como Data Scientist; - Forte domínio de SQL, Python e R; - Experiência sólida com práticas e ferramentas de CI/CD; - Experiência com pelo menos uma plataforma cloud (AWS, GCP ou Azure); - Conhecimento de metodologias de modelação de dados (Kimball, Inmon, Data Vault); - Experiência com ferramentas de visualização (Tableau, Spotfire ou Power BI); - Forte capacidade analítica e resolução de problemas; - Boa capacidade de comunicação e colaboração. Preferred Qualifications - Experiência com Snowflake ou Databricks; - Experiência em sistemas distribuídos e ambientes de grande escala; - Forte capacidade de gestão de stakeholders; - Experiência em ambientes orientados a analytics avançado. Benefits - Regime totalmente remoto a partir de Portugal; - Participação em projetos modernos de Data Science e Analytics; - Integração numa equipa técnica experiente e colaborativa; - Ambiente focado em inovação e melhoria contínua; - Oportunidades de crescimento técnico e evolução profissional; - Contacto com tecnologias cloud e plataformas avançadas de dados; - Pacote salarial competitivo, ajustado à experiência.

• Build and maintain vector stores for RAG: Design embedding pipelines, chunking strategies, indexing approaches, and refresh patterns for the vector stores powering retrieval-augmented generation across MeridianLink products. • Own the feature store: Design, build, and operate feature store assets used for model training and online/offline inference, including feature definitions, freshness SLAs, lineage, point-in-time correctness, and reuse across teams. • Design graph data structures: Build graph databases that model relationships between applicants, applications, products, lenders, decisions, and outcomes — and make them queryable for both AI use cases and analytical investigations. • Lead data discovery: Profile our lending, deposit, and behavioral datasets to identify hidden trends, segments, anomalies, and potential model drivers; turn findings into actionable hypotheses for product, risk, and growth teams. • Engineer for AI consumption: Build the curated, AI-ready datasets that downstream model builders, application engineers, and analysts rely on — with appropriate quality, documentation, and governance baked in. • Evaluate retrieval and feature quality: Define and run evaluation frameworks for RAG retrieval quality, feature drift, embedding quality, and graph completeness; iterate based on what the metrics tell you. • Partner with model builders: Work closely with ML engineers and applied scientists to make sure the data structures you build accelerate their work rather than slow it down. • Champion responsible data use: Partner with governance, security, and compliance to ensure that AI-facing data assets respect data classification, customer consent, and regulatory boundaries from day one. • Communicate findings: Translate discovery work into clear narratives — write-ups, notebooks, dashboards, and short presentations — that help non-technical stakeholders act on what the data is showing.