[1204] Analista de Dados PL (Híbrido - Manaus) at Venturus – Manaus | Jobyssey

Como será o dia a dia?

Você vai transformar dados hoje dispersos em planilhas em uma base estruturada e confiável, e também extrair desses dados o entendimento necessário para que o time de Machine Learning trabalhe sobre bases sólidas. O papel cobre desde a modelagem e os pipelines até a análise exploratória, a engenharia de features e a validação estatística dos datasets entregues. Você trabalhará lado a lado com o(a) engenheiro(a) de ML que consome esses dados.

Responsabilidades

Mapear e analisar planilhas de origem (Excel, Google Sheets, CSV), identificando inconsistências, campos ambíguos, dados faltantes e variações de formato.
Modelar a estrutura de dados de destino: schemas, tipos, chaves, granularidade e relacionamentos.
Desenvolver pipelines reprodutíveis de extração, limpeza, normalização e transformação, substituindo processos manuais.
Definir e manter contratos de dados entre a camada de dados e a camada de ML.
Garantir versionamento e linhagem dos datasets, de modo que qualquer versão usada em treino possa ser reproduzida.
Conduzir análise exploratória para entender distribuições, correlações, sazonalidades, vieses e limitações dos dados.
Propor e construir features relevantes para o problema de negócio, em conjunto com o time de ML.
Avaliar a adequação dos dados ao problema: volume, balanceamento de classes, cobertura, risco de data leakage e estratégias de split (inclusive temporais).
Desenvolver modelos baseline e experimentos rápidos para validar hipóteses e orientar a priorização de dados.
Implementar validações estatísticas e de qualidade (domínios, outliers, drift entre versões de dataset).
Comunicar achados de forma clara para públicos técnicos e de negócio, com visualizações e premissas explícitas.

Requisitos

Python avançado para dados (pandas e/ou polars, NumPy) e SQL avançado.
Boa base em modelagem de dados e em formatos colunares (Parquet).
Fundamentos sólidos de estatística: testes de hipótese, distribuições, amostragem, métricas de avaliação de modelos.
Experiência com scikit-learn ou similar para modelos clássicos e baselines.
Experiência prática com dados "sujos" de planilhas: cabeçalhos múltiplos, células mescladas, tipos mistos, encoding, datas em formatos variados.
Experiência com validação de dados (Pandera, Great Expectations, Pydantic).
Git, testes e código modular. Notebooks para exploração, código de produção fora deles.
Capacidade de levantar requisitos e traduzir perguntas de negócio em estrutura de dados e análise.

Diferenciais

Orquestração (Airflow, Prefect ou Dagster) e/ou dbt.
Versionamento de dados (DVC, lakeFS, Delta Lake) e rastreamento de experimentos (MLflow, Weights & Biases).
Feature stores e preparação de datasets para treino em escala.
Experiência com PyTorch ou frameworks de deep learning.
Integração com APIs de planilhas (Google Sheets API, openpyxl).
Cloud (GCP, AWS ou Azure).

Explore more jobs