• Desenvolver, testar e colocar em produção modelos tabulares complexos de alta performance, focados estritamente em problemas de classificação e risco de crédito. • Garantir o ciclo de vida completo dos modelos (end-to-end), desde a manipulação e extração de dados brutos até o monitoramento e suporte operacional em ambiente produtivo. • Investigar e intervir de forma ágil e prática em cenários reais de falha ou degradação de modelos em produção, garantindo a resiliência das operações de crédito. • Utilizar técnicas avançadas de interpretabilidade de modelos para traduzir comportamentos estatísticos complexos em insumos claros para a tomada de decisão de negócio. • Atuar como referência técnica avançada (Staff), elevando a barra de engenharia e modelagem de dados de todo o time de cientistas.

• Desenvolvimento de Modelos Preditivos: Desenvolver modelos de propensão a default utilizando técnicas de ML tradicional (classificação binária, modelos ensemble como Random Forest, Gradient Boosting e equivalentes), com foco em precisão, recall e estabilidade em produção. • Seleção e Engenharia de Features: Conduzir análise exploratória de dados (EDA), identificar e selecionar variáveis relevantes a partir de dados contratuais estruturados e, progressivamente, incorporar variáveis externas (clima, safra, cenário macroeconômico, dados de recuperação judicial e fontes de notícias). • Experimentação no Databricks: Desenvolver e versionar experimentos de modelagem utilizando Databricks e MLflow, garantindo rastreabilidade de runs, parâmetros, métricas e artefatos de modelos ao longo dos ciclos iterativos. • Validação e Avaliação de Modelos: Projetar e executar estratégias robustas de validação (cross-validation, backtesting temporal, análise de estabilidade de score) garantindo que os modelos performem de forma confiável em janelas de projeção crescentes (3, 6 e 12 meses). • Ciclos Iterativos de Melhoria: Participar ativamente dos ciclos iterativos de refinamento do modelo — a cada sprint, incorporar novas variáveis, reavaliar performance e documentar aprendizados na Base de Conhecimento do programa. • Colaboração com Engenharia de Dados: Trabalhar em estreita parceria com os Data Engineers para garantir que os pipelines de dados alimentem corretamente os modelos, e que as saídas dos modelos (scores, projeções, alertas) sejam disponibilizadas nas camadas corretas da plataforma. • Comunicação de Resultados: Traduzir resultados técnicos dos modelos para linguagem de negócio, apoiando o Data Strategist na comunicação com stakeholders do cliente (superintendências, crédito, liderança). • Documentação Técnica: Documentar metodologias, decisões de modelagem e resultados em formatos estruturados que alimentem a Base de Conhecimento e possam ser consumidos por agentes de IA em fases subsequentes. • Monitoramento em Produção: Acompanhar a performance dos modelos em produção, identificar desvios de distribuição (data drift, concept drift) e propor ações corretivas ou re-treinamentos.

• Build and maintain the core BI dashboard suite that gives Sales and Marketing self-serve, real-time visibility into pipeline health, funnel conversion, segment-level coverage, campaign contribution, rep attainment, and loss analysis. • Own the GTM data dictionary — metric definitions, filter logic, and calculation rules — and maintain it as the authoritative source of truth across Marketing, Sales, and Finance. • Own the analytical layer of the GTM forecast process: historical conversion rates, pipeline coverage analysis, stage-weighted modeling, and forecast variance diagnosis. • Lead annual bookings planning analysis — historical win rates, segment-level capacity modeling, coverage assessments, and quota calibration inputs — and partner with Strategic Finance on revenue forecasting and GTM investment analysis. • Build scenario models for pricing, segmentation, and GTM structure decisions as needed by RevOps and Sales leadership. • Track campaign performance relative to pipeline contribution goals by segment; surface what's generating pipeline, what isn't, and where investment is misallocated. • Partner with Analytics Engineering to ensure GTM data from Salesforce, Marketo, and adjacent systems is correctly modeled in the data warehouse — flag gaps, validate logic, and escalate data quality issues. • Lead ad-hoc analytical projects supporting key company initiatives: segmentation analysis, market sizing, cohort analysis, win/loss diagnostics, and product-GTM intersection analysis.

• Develop, implement, and maintain machine learning and statistical models to support mission and program objectives • Analyze large structured and unstructured datasets to identify trends, anomalies, and actionable insights • Apply predictive analytics, classification, and regression techniques to real-world operational problems • Build and optimize data pipelines, ETL processes, and feature engineering workflows • Develop data visualization dashboards and reporting tools to communicate findings to technical and non-technical stakeholders • Work with cloud or on-premise environments to deploy scalable data solutions • Support test, evaluation, and analysis efforts for aviation, weapons systems, or mission systems programs • Provide data-driven recommendations to engineering teams, program managers, and government stakeholders • Interface with cross-functional teams including systems engineers, software developers, and analysts • Collaborate across IPTs to translate mission requirements into analytical solutions • Document methodologies, models, and results in accordance with DoD and program standards • Present findings to stakeholders in a clear and concise manner